El papel fundamental de la Inteligencia Artificial General en la implementación de la Industria 5.0
Los desafíos de la automatización en nuestra sociedad moderna
La automatización, presente en diversas facetas de nuestra vida cotidiana, nos ofrece innumerables beneficios. De las cadenas de suministro globales que nos ofrecen una variedad inmensa de productos, a la eficiencia y rapidez en los canales de producción. Sin embargo, estos procesos no están exentos de desafíos significativos como la optimización de la logística, la programación eficiente, las estrategias de enrutamiento y la automatización de las líneas de ensamble. Estos aspectos, dinámicos por naturaleza, se adaptan y cambian constantemente al vaivén del mundo contemporáneo.
Por ejemplo, un bloqueo inesperado en el Canal de Suez puede poner en jaque las rutas de suministro previstas. Las rutas aéreas pueden modificarse debido a las erupciones volcánicas, y países enteros pueden resultar inaccesibles debido a los conflictos. Las alteraciones en las normativas, las crisis financieras y la escasez de ciertos recursos, son solo algunos de los factores que cambian constantemente las variables de la cadena de suministro.
Flexibilidad y adaptabilidad: imperativos de la Industria 5.0
Un ejemplo relevante es la incorporación de elementos novedosos en una línea de producción para responder a los cambiantes deseos de los consumidores (colores o materiales distintos, por ejemplo). En la actualidad, esto conlleva la necesidad de una mano de obra humana altamente especializada para hacer cambios en el sistema, o si hablamos de aprendizaje automático, para reentrenar y reimplemetar la solución. Los gemelos digitales de la Industria 4.0 aún dependen en gran medida del supuesto de que la descripción del problema y la distribución de las entradas se pueden definir una vez por todas en el momento inicial de diseño del sistema.
La reciente pandemia ha evidenciado la fragilidad de la cadena de suministro «just-in-time». Ha quedado en claro que en un mundo cada vez más complejo e incierto, la industria ya no puede permitirse una falta de flexibilidad. La fabricación actualmente tiene que escoger entre «baja variedad, alto volumen» y «alta variedad, bajo volumen». No obstante, la Industria 5.0 anticipa el advenimiento de «Alta variedad, alto volumen», en donde se requiere la habilidad de reconfigurar a bajo costo el flujo de trabajo para adaptarse a los cambiantes requerimientos. Para lograr esto, es necesario «automatizar la automatización», es decir, eliminar la necesidad de intervención humana y/o tiempo de inactividad cuando el problema o el ambiente cambian.
El papel innegable de la Inteligencia General Artificial
A pesar de las noticias recientes sobre la llegada de la «Inteligencia General Artificial» (AGI) a través de los Grandes Modelos de Lenguaje como GPT-3, ninguno de estos enfoques propuestos es realmente capaz de trabajar de manera autónoma. Es decir, no se les puede asignar una tarea completamente nueva sin la necesidad de tiempo inactivo para reentrenar, verificar y redistribuir fuera de línea.
Es evidente que cualquier noción de inteligencia en el mundo real está ineludiblemente ligada a la capacidad de adaptarse al cambio. Un sistema que permanece inmutable, sin importar los eventos inesperados a los que se enfrente, no puede considerarse autónomo ni inteligente. Esto no desmerece las fortalezas indudables de los enfoques de aprendizaje profundo, que han demostrado su éxito a la hora de sintetizar programas para problemas que son difíciles de especificar explícitamente.
Hacia una inteligencia artificial adaptable y continua
Entonces, ¿qué tipo de funcionalidad debería permitir que la IA se desplace más allá del paradigma actual de entrenar, congelar y desplegar hacia un modelo capaz de un aprendizaje adaptable y continuo? Imaginemos la necesidad de reemplazar un componente defectuoso en una línea de producción con uno de un proveedor diferente, con diferentes especificaciones. Con el modelo de caja negra de principio a fin de la IA actual, el proceso de gemelación digital tendría que iniciarse de nuevo.
Para romper las limitaciones de los enfoques actuales, se requiere un cambio radical: un modelo que sea capaz de razonar directamente sobre las consecuencias de un cambio de componente y extenderse a escenarios contrafactuales más generales como «¿qué pasaría si?». Descomponer un flujo de trabajo en componentes con propiedades conocidas y volver a combinarlos según sea necesario requiere de lo que se conoce como «composicionalidad».
Hasta la fecha, la composicionalidad ha sido un reto esquivo para la IA contemporánea, donde a menudo se confunde con la noción más débil de modularidad. La modularidad se refiere a la capacidad de «pegar» componentes entre sí, pero eso no captura la esencia de la composicionalidad, que es la capacidad de razonar sobre el comportamiento del flujo de trabajo resultante para determinar y asegurar la preservación de una determinada propiedad. Esta habilidad es vital por razones de verificación y seguridad, por ejemplo, razonar que «adoptando un motor de un fabricante alternativo aumentará la producción de energía total de la planta, mientras se mantienen todos sus demás componentes dentro de los límites de temperatura».
El reto del razonamiento compositivo
Mientras que los enfoques actuales basados en redes neuronales destacan por aprender reglas de los datos, carecen de razonamiento compositivo. Por otro lado, en vez de esperar que el razonamiento compositivo surja de las arquitecturas de redes neuronales, es posible hacer uso directo de las construcciones de la teoría de categorías, el estudio matemático de la composicionalidad. En particular, su subcampo de cibernética categórica se encarga de los controladores bidireccionales como elementos fundamentales de representación.
La bidireccionalidad es la habilidad de realizar inferencias tanto directas como inversas: hacer predicciones de causa a efecto y viceversa. La inferencia inversa compositiva es especialmente importante, ya que permite la incorporación de retroalimentación del entorno a cualquier escala de representación estructural; esto facilita el aprendizaje rápido a partir de un pequeño número de ejemplos.
Construyendo el esqueleto del aprendizaje
Dado un comportamiento deseado del sistema, la tarea de aprendizaje es, entonces, construir una estructura de control agregada que lo satisfaga. Las estructuras aprendidas inicialmente actúan como un esqueleto para el aprendizaje posterior. Conforme se incrementa el conocimiento del sistema, este esqueleto puede irse decorando con características de composición aprendidas, al igual que cómo se puede determinar que una molécula de H2O tiene propiedades diferentes a las de sus átomos componentes.
Además, al igual que “lanzar una pelota” y “blandir una raqueta de tenis” pueden considerarse acciones relacionadas para un ser humano, las tareas similares pueden compartir una estructura de control esquelética que se embellece de manera específica para cada tarea a través de la retroalimentación del entorno. Este desacoplamiento de la estructura causal de las tareas específicas puede facilitar el aprendizaje de nuevas tareas sin el olvido catastrófico que plaga los enfoques contemporáneos. De modo que un enfoque de IA híbrido numérico-simbólico de la forma descrita anteriormente puede combinar las fortalezas de los enfoques neuronales y simbólicos, al tener una noción explícita de estructura y la capacidad de aprender de forma adaptativa cómo se componen las propiedades. El razonamiento en relación a las propiedades compositivas se nutre constantemente del trabajo que se le asigna actualmente al sistema.
Está claro que se requiere un nuevo enfoque para crear sistemas verdaderamente autónomos: sistemas capaces de adaptarse a cambios significativos y/o operar en entornos desconocidos. Esto requiere un aprendizaje adaptativo ininterrumpido y la generalización de lo que ya se sabe. A pesar de su nombre, los enfoques de aprendizaje profundo tienen sólo una representación superficial del mundo que no puede ser manipulada a un alto nivel por el proceso de aprendizaje. Por otra parte, proponemos que los sistemas de Inteligencia General Artificial de la próxima generación incorporarán el aprendizaje profundo dentro de una arquitectura más amplia con la capacidad de razonar directamente sobre lo que sabe.
La capacidad de un sistema para razonar simbólicamente sobre su propia representación brinda beneficios significativos para la industria. Con una representación compositiva explícita, el sistema puede ser auditado, ya sea por humanos o internamente por el propio sistema, para cumplir con requisitos vitales de seguridad y equidad. A pesar de la preocupación académica sobre el llamado «riesgo x» asociado con la AGI, el verdadero enfoque debe situarse en el problema concreto de ingeniería de reasignar un sistema de control a la vez que se mantienen estos requisitos vitales, un proceso que hemos denominado «alineación interactiva». Solo mediante la incorporación de este tipo de sistemas de control, confiables y efectivos en su continuo aprendizaje, podremos materializar la próxima generación de autonomía prevista por la Industria 5.0.
LEE MÁS ARTÍCULOS SOBRE: Noticias de IA.
LEE LA ENTRADA ANTERIOR: Universitarios Investigadores consiguen donación de $20 millones para el desarrollo de IA para la tercera edad.