La Inteligencia Artificial ante la incertidumbre tira de la probabilidad

3.5 La Inteligencia Artificial ante la incertidumbre tira de la probabilidad

La incertidumbre es omnipresente en el mundo real: los sensores son imperfectos, la información es incompleta, y el futuro es inherentemente impredecible. Cuando los sistemas de inteligencia artificial se enfrentan a estas condiciones, la probabilidad se convierte en la herramienta fundamental para navegar la complejidad. A lo largo de este apartado, exploraremos cómo la incertidumbre emerge en sistemas de IA, por qué las aproximaciones probabilísticas son las más adecuadas, y cómo los sistemas contemporáneos integran el razonamiento probabilístico para operar de manera efectiva en el mundo real.

Fuentes de incertidumbre en sistemas de IA

La incertidumbre en sistemas de IA proviene de múltiples fuentes distintas. La incertidumbre aleatoria o irreducible es inherente al proceso que genera los datos. El resultado de una moneda lanzada es genuinamente incierto, no importa cuánta información tengamos sobre el proceso. En sistemas de IA, ejemplos incluyen el resultado de una consulta de búsqueda (hay múltiples respuestas válidas según la intención del usuario), o el siguiente movimiento que un jugador hará en una partida de póker (es genuinamente impredecible aunque sepamos todo sobre el jugador).

La incertidumbre epistémica o reducible surge de nuestra falta de conocimiento. No sabemos cuáles serán los precios del petróleo el próximo año, no porque sean intrínsecamente aleatorios (aunque algo sí lo son), sino porque no poseemos toda la información relevante: decisiones geopolíticas, ciclos económicos, desarrollos tecnológicos. En principio, si tuviéramos información perfecta, podríamos predecir estos precios. Un sistema de IA que mejora sus estimaciones probabilísticas mediante aprendizaje está reduciendo esta incertidumbre epistémica.

La incertidumbre de medición afecta todos los sistemas sensoriales. Una cámara no puede medir la posición exacta de un objeto, solo puede estimar un rango probable. Un micrófono introduce ruido en audio grabado. Los sensores de temperatura en una planta industrial tienen tolerancias. Todos estos efectos deben ser modelados probabilísticamente para que el sistema de IA funcione confiablemente.

Limitaciones de enfoques determinísticos ante incertidumbre

Imaginemos un sistema de detección de fraude que opera con reglas determinísticas: "si la transacción está en un país diferente al habitual, recharla". Esta regla parece razonable hasta que consideramos un cliente legítimo que está viajando. Sin información probabilística, el sistema no puede distinguir entre un viajero genuino y un fraudulento usando la tarjeta robada. Una aproximación determinística rechazaría todas las transacciones en países nuevos, frustrando a clientes legítimos. Alternativamente, podría aprobar todas, permitiendo fraude.

Los enfoques determinísticos creen que la respuesta es sí o no, verdadero o falso. Pero la realidad es más matizada. Es cierto que hay una transacción en un país nuevo, pero es probable que el cliente esté viajando. La probabilidad no es verdadera o falsa; es un grado de certidumbre. Solo una aproximación probabilística captura correctamente esta estructura del problema.

Redes bayesianas dinámicas y actualización de creencias

En un mundo dinámico, la información cambia constantemente. Un sistema de IA debe actualizar sus creencias probabilísticas a medida que nueva información llega. La regla de Bayes es el mecanismo fundamental para esto. Después de observar una pieza de nueva evidencia, las probabilidades de hipótesis compiten se actualizan según sus probabilidades previas y la probabilidad de la evidencia bajo cada hipótesis.

Consideremos un sistema de detección de fallas en maquinaria. Inicialmente, antes de cualquier medición, asigna probabilidades previas a las posibles fallas. Cuando un sensor reporta vibración anormal, el sistema aplica la regla de Bayes para actualizar sus creencias: las fallas que típicamente causan vibración anormal aumentan en probabilidad, mientras que otras disminuyen. Cuando se toma una segunda medición que muestra temperatura elevada, el sistema nuevamente actualiza. Este proceso iterativo de actualización bayesiana permite que los sistemas de IA mejoren su comprensión del estado del sistema conforme obtienen más información, refinando gradualmente sus estimaciones probabilísticas.

Métodos de muestreo y simulación probabilística

Cuando el espacio de posibilidades es demasiado complejo para calcular probabilidades exactas, los sistemas de IA utilizan métodos de muestreo. Los métodos Monte Carlo generan muestras aleatorias de la distribución de probabilidad y usan estas muestras para estimar cantidades de interés. Una cadena de Markov Monte Carlo (MCMC) puede generar muestras de distribuciones de probabilidad arbitrariamente complejas sin necesidad de calcular la distribución exactamente.

En robótica, cuando el espacio de configuraciones posibles es continuo y multidimensional, es computacionalmente imposible explorar todas las posibilidades. Los planificadores de movimiento usan métodos de muestreo como RRT (Rapidly-exploring Random Tree) para explorar el espacio de forma probabilística, encontrando rápidamente soluciones viables. Estos métodos son probabilísticamente completos: dado tiempo suficiente, encontrarán una solución si una existe.

Modelos generativos probabilísticos

Los modelos generativos aprenden la distribución de probabilidad de los datos y pueden generar nuevos ejemplos muestreando de esa distribución. Modelos como GANs (Generative Adversarial Networks) y VAE (Variational Autoencoders) funcionan generando muestras aleatorias de distribuciones de probabilidad aprendidas. Estas muestras pueden ser completamente nuevas pero estadísticamente coherentes con el conjunto de entrenamiento.

La importancia de esto se puede ver en generación de imágenes: DALL-E genera imágenes por muestreo de una distribución de probabilidad multidimensional aprendida a partir de millones de pares texto-imagen. No memoriza imágenes específicas; genera nuevas imágenes que son estadísticamente coherentes con el espacio de imágenes conocidas. Este enfoque generativo es fundamentalmente probabilístico: sin modelar distribuciones de probabilidad, la tarea sería intractable.

Ejemplo práctico: Pronóstico meteorológico mediante ensambles probabilísticos

Los servicios meteorológicos modernos no predicen un único escenario determinístico; en su lugar, generan pronósticos probabilísticos. Un modelo de pronóstico genera múltiples realizaciones del clima futuro mediante muestreo de la distribución de probabilidad de los estados atmosféricos consistentes con las condiciones actuales. Típicamente, se generan entre 50 y 1000 miembros del ensamble. Para un día específico en una ubicación específica, el pronóstico reporta la probabilidad de lluvia como un porcentaje: 30% de posibilidad de lluvia significa que en 30% de los miembros del ensamble llueve. Este enfoque captura la incertidumbre inherente del sistema: incluso con datos perfectos de la atmósfera actual, el futuro próximo (más allá de ~10 días) es fundamentalmente incierto. Los pronósticos probabilísticos comunican honestamente esta incertidumbre, permitiendo que los usuarios tomen decisiones mejores informadas. Un granjero puede decidir si plantar basándose en esta probabilidad de lluvia, y un operador de líneas aéreas puede planear rutas considerando la incertidumbre en el clima futuro.

Ideas clave

• La incertidumbre en sistemas de IA proviene de múltiples fuentes: aleatoriedad intrínseca, falta de información y limitaciones de medición
• Los enfoques determinísticos fallan ante incertidumbre porque creen que la respuesta es simplemente verdadera o falsa, sin capturar grados de certidumbre
• La regla de Bayes permite actualizar probabilidades de forma iterativa conforme nueva información está disponible
• Los métodos de muestreo como Monte Carlo permiten operar con distribuciones de probabilidad complejas sin calcularlas explícitamente
• Los modelos generativos probabilísticos aprenden a generar datos nuevos muestreando de distribuciones aprendidas
• Los pronósticos probabilísticos comunican honestamente la incertidumbre, permitiendo mejor toma de decisiones bajo incertidumbre