La inteligencia artificial hoy y sus aplicaciones con big data
Fecha: 2025
Amparo Alonso Betanzos, Daniel Peña, Pilar Poncela (editores)
Sumario
En este artículo exploramos el uso de modelos basados en agentes (MBA) combinados con técnicas de inteligencia artificial (IA) para simular y analizar sistemas complejos. Los MBA permiten representar sistemas compuestos por múltiples entidades autónomas, cada una con sus propias características y comportamientos, lo cual facilita el estudio de dinámicas emergentes a nivel micro y macro. Al integrar técnicas de aprendizaje automático se potencia la capacidad de los agentes para tomar decisiones adaptativas, analizar datos y mejorar la precisión de las simulaciones. Este enfoque ha demostrado ser particularmente efectivo para resolver problemas donde la interacción entre agentes y su entorno es clave, como en la propagación de enfermedades, la adopción de innovaciones, o la gestión de recursos en organizaciones. Estos modelos son aplicables en diversos dominios, como la sostenibilidad, la salud pública o la economía, y tienen un importante potencial para la simulación de políticas, permitiendo mejorar la toma de decisiones en entornos complejos y cambiantes.
La neurociencia computacional es un área de estudio que trata de entender el funcionamiento del cerebro, utilizando inteligencia artificial, matemáticas, ciencia de datos o física, entre otros. Dentro de la neurociencia computacional, el cerebro computacional investiga cómo actuar sobre objetos físicos con la actividad cerebral. En este trabajo vamos a presentar algunos de los recientes desarrollos en este último campo, centrándonos en cómo manejar los datos y la incertidumbre ligada a ellos. El objetivo es desarrollar técnicas que permitan, por ejemplo, recuperar movilidad a pacientes afectados de enfermedades neurológicas.
Las redes neuronales son una herramienta de inteligencia artificial muy potente, pero adolecen de ciertas limitaciones que dan lugar a una falta de transparencia y a un elevado consumo de energía, especialmente durante el entrenamiento. En este capítulo, tras revisar las principales aportaciones de las matemáticas y la tecnología para optimizar los procedimientos asociados y reducir el consumo de energía, se propone un nuevo sistema de inteligencia artificial para atacar los problemas mencionados. Dicho sistema se basa en un modelo lineal, en el cual cada salida se expresa como una suma ponderada de las entradas, siendo los pesos ajustables. La novedad estriba en que cada entrada, en lugar de tener un solo peso asociado, dispone de varios pesos cuya aportación se suma. Además, dichos pesos no están siempre activos. De hecho, del conjunto de pesos para cada entrada solamente se activa un subconjunto de los mismos para cada muestra. Esta flexibilidad permite aplicar el nuevo sistema a problemas complejos, alcanzando una precisión similar a la de una red neuronal. Sin embargo, el sistema propuesto genera una sencilla explicación para cada muestra y consigue, además, reducir mucho los tiempos de reentrenamiento. Se presenta el diseño del nuevo sistema de inteligencia artificial y se evalúa su rendimiento y precisión.
Los grandes modelos de lenguaje, como el conocido ChatGPT, han supuesto una inesperada revolución en el ámbito de la inteligencia artificial. Por un lado, cuentan con multitud de aplicaciones prácticas y un enorme potencial todavía por explorar. Por otro lado, son también objeto de debate, tanto desde el punto de vista científico y filosófico como social: hay dudas sobre los mecanismos exactos de su funcionamiento y su capacidad real de comprensión del lenguaje, y sus aplicaciones plantean dilemas éticos. En este capítulo describimos cómo se ha llegado a esta tecnología y los fundamentos de su funcionamiento, permitiéndonos así comprender mejor sus capacidades y limitaciones e introducir algunos de los principales debates que rodean su desarrollo y uso.
Las técnicas de inteligencia artificial y big data se han convertido en un fuerte atractor de interés mundial dentro de la industria del transporte. La combinación de tecnologías disruptivas y nuevos conceptos como la Smart City actualiza el ciclo de vida de los datos de transporte. En este contexto, la inteligencia artificial se considera una nueva baza para que la industria del transporte gestione eficazmente todos los datos que este sector necesita para ofrecer medios de transporte más seguros, limpios y eficientes, así como para que los usuarios personalicen su experiencia de transporte.
La creciente difusión y popularidad de los sistemas inteligentes basados en aprendizaje automático plantea la disyuntiva de su uso indiscriminado frente a la necesidad de comprender su funcionamiento interno. La explicación post hoc, a la que habitualmente recurren los modelos de caja negra, no resulta suficiente en el ámbito científico ni tampoco en situaciones de alto riesgo. En tales casos se requiere que el humano sea capaz de interpretar tanto la salida del sistema como el proceso interno seguido por el mismo hasta alcanzar dicho resultado. En este capítulo analizaremos las potencialidades en interpretabilidad del paradigma conocido como red bayesiana enfatizando su transparencia y versatilidad para llevar a cabo distintos tipos de razonamiento, como por ejemplo el predictivo, diagnóstico, intercausal, contrafáctico, o abductivo. Se mostrará un caso de uso real en neurociencia computacional.
Las redes bayesianas constituyen una herramienta versátil para la representación de conocimiento y cuantificación de la incertidumbre en inteligencia artificial. A través de su uso en varias aplicaciones, analizaremos su validez en el contexto de la IA generativa, y como modelos predictivos. Pondremos de manifiesto los problemas que surgen a la hora de aplicarlas en contextos de big data y propondremos algunas soluciones. Abordaremos aplicaciones de distinta naturaleza, que abarcan desde el ajedrez por computadora a la mejora genética vegetal y el seguimiento de la morosidad en créditos a clientes particulares.