Elena Verdú, profesora del Grado en Ingeniería Informática de la UNIR, nos explica qué es la computación cognitiva y cuáles son sus horizontes.
Para dar respuesta a todas estas cuestiones, hemos hablado con Elena Verdú, profesora del Grado en Ingeniería Informática de la Universidad Internacional de La Rioja (UNIR) y miembro del grupo de investigación DDS: Data Driven Science de UNIR, y esto es todo lo que nos ha contado.
-¿Qué es y en qué consiste la computación cognitiva?
La computación cognitiva es un área interdisciplinar que pretende generar sistemas computacionales que emulan el pensamiento y el razonamiento humano para cumplir unos objetivos establecidos. Esto implica comprender y emular procesos diversos como la percepción, la atención, el procesamiento del lenguaje, el aprendizaje, la memorización, el razonamiento, la resolución de problemas, la comunicación, la conciencia, etc. Por ejemplo, un sistema cognitivo puede clasificar temas musicales según la emoción primaria que producen en los oyentes, como la alegría o la tristeza. Posteriormente, puede reconocer el estado de ánimo de una persona y proponerle ciertos temas que produzcan una emoción que mejore ese estado de ánimo.
-¿En qué se basa este tipo de computación?
Se basa en el procesamiento de grandes cantidades de datos, ya sean datos estructurados, como pueden ser los de una base de datos de información de ventas, o datos no estructurados, como los mensajes publicados en una red social. Utilizando técnicas de inteligencia artificial, la máquina puede aprender y reconocer patrones y convertir los datos en información. Por ejemplo, la máquina podrá reconocer un mensaje hablado o describir el perfil de un cliente. Este aprendizaje va mejorando con el tiempo y, dado un contexto determinado, la máquina, igualmente basándose en técnicas de inteligencia artificial, podrá tomar decisiones en tiempo real, basadas en el aprendizaje o experiencia acumulada, y según los objetivos que tenga. Este contexto debe ser identificado y para ello utilizará, por ejemplo, datos procedentes de sensores o de cualquier otra fuente, como una base de datos. Siguiendo con el ejemplo de la clasificación de los temas musicales, mediante el procesamiento de miles de temas musicales etiquetados según la emoción que producen, la máquina puede aprender los patrones que hacen que se produzca dicha emoción. Así, al escuchar nuevos temas no etiquetados podrá reconocer el patrón y predecir la emoción que ese tema va a producir.
-¿Qué tareas propias del ser humano puede llevar a cabo? ¿En cuáles presenta más dificultades y en cuáles menos?
Puede realizar una gran variedad de tareas propias del ser humano, como responder a la cuestión “¿debo llevar hoy paraguas?”, guiar a un conductor por una ruta que pase por sus parajes o establecimientos favoritos, analizar datos de clientes para proponer ventas personalizadas, etc.
En estas tareas no presentan dificultades. Presentan más dificultades a la hora de trabajar con datos no estructurados, especialmente si no han aprendido de manera exhaustiva con grandes cantidades de datos, que no siempre están disponibles. Por ejemplo, en mi grupo de investigación Data Driven Science de la UNIR estamos trabajando en el proyecto Procesado de Lenguaje Natural para la Evaluación de Tareas Semiautomática, que comúnmente lo denominamos por su acrónimo PLENTAS. En este proyecto pretendemos que una máquina ayude a los profesores en tareas de evaluación. El objetivo final que nosotros buscamos es que el sistema sea capaz de evaluar una respuesta abierta a una pregunta tal y como lo haría un profesor. Este es un problema no resuelto. Si la respuesta requiere de varias sentencias, es difícil conseguir que la máquina comprenda el significado de manera exacta hasta el punto de poder valorar si la respuesta es o no correcta, y en qué nivel de corrección se encuentra.
«Presentan más dificultades a la hora de trabajar con datos no estructurados, especialmente si no han aprendido de manera exhaustiva con grandes cantidades de datos, que no siempre están disponibles»
-¿Cuáles son los objetivos de esta tecnología? ¿Qué problemas futuros podría resolver?
El objetivo principal de esta tecnología es resolver situaciones complejas, de gran dinamismo, que involucran mucha información y también incertidumbre. Un problema que podría resolverse en un futuro es el anteriormente mencionado, la evaluación de una respuesta de cierta extensión tal y como lo haría un profesor, proporcionando una retroalimentación constructiva. En el futuro quizás se podría mejorar la vida de muchas personas mediante robots que proporcionaran respuestas empáticas, iniciando diálogos y proponiendo opciones mediante preguntas abiertas. En otro ámbito de problemas más globales, se podría mejorar la toma de decisiones en situaciones complejas como las vividas en los últimos años debido a la pandemia provocada por el coronavirus, o la actual crisis por el conflicto de Ucrania. Definitivamente, puede ayudar a resolver cualquier problema o situación compleja que requiera de un análisis y razonamiento, mediante el uso de algoritmos sofisticados y los datos disponibles.
-¿En qué se diferencia la computación cognitiva con respecto a la inteligencia artificial?
La computación cognitiva se centra en emular el razonamiento y comportamiento humano para resolver problemas. Sin embargo, la inteligencia artificial no tiene su foco en imitar al humano, sino en resolver problemas a través de maneras que pueden ser mejores o más eficientes a como lo haría un humano.
«La inteligencia artificial no tiene su foco en imitar al humano, sino en resolver problemas a través de maneras que pueden ser mejores o más eficientes a como lo haría un humano»
LA computación cognitiva FRENTE AL SER HUMANO
-¿Qué implica que las máquinas aprendan a imitar nuestro comportamiento? ¿Decidirán mejor que nosotros?
Las máquinas tienen una capacidad computacional y de almacenamiento enorme, lo que les podría permitir tomar mejores decisiones que nosotros, especialmente si no somos expertos en un determinado ámbito. Normalmente, las máquinas se dedican a resolver unos problemas concretos, pero si las sacas del dominio del problema específico, no sirven. Lo que es interesante es que esa gran capacidad de computación, de manejo de datos, de razonamiento, se presenta como una herramienta de ayuda potente para que un experto tome una decisión. La máquina le puede presentar diversas opciones, hipótesis y predicciones que ayuden al humano a tomar mejores decisiones.
Por ejemplo, los médicos de familia a veces tienen que tomar la decisión de derivar un paciente a un especialista. Una herramienta que aprende a partir de datos muy diversos y de diversas enfermedades podría emular el razonamiento de diferentes especialistas y rápidamente aliviar y facilitar la decisión del médico, permitiendo sustentarla con mejores argumentos.
«Normalmente, las máquinas se dedican a resolver unos problemas concretos, pero si las sacas del dominio del problema específico, no sirven»
-¿Dónde se encuentran los límites?
Las máquinas requieren de una capacidad computacional enorme para emular a los humanos, quizás en la capacidad computacional esté el límite. Por ejemplo, si fuésemos capaces de emular un cerebro humano completo, es posible que no pudiéramos ejecutarlo porque el sistema tardaría demasiado tiempo en aportar decisiones sencillas, y además consumiría más energía de la que podemos ofrecer.
-¿Hay sectores que ya están apostando o invirtiendo en este tipo de tecnología?
Sí, muchos sectores están apostando por esta tecnología. En medicina, por ejemplo, para una mejor monitorización de pacientes en sus domicilios, o como un apoyo a las decisiones de los médicos a la hora de diagnosticar enfermedades o establecer tratamientos. Por ejemplo, existe el sistema de IBM Watson for Oncology que proporciona opciones de tratamiento para enfermos de cáncer. En otro ámbito como el de la industria, se utiliza para ayudar en la toma de decisiones con el fin de simplificar procesos o reducir riesgos, lo que es especialmente importante en los últimos tiempos tan inciertos. En los diferentes negocios permite mejores estrategias de marketing y un mejor servicio a los clientes, entre otros. En las finanzas, por ejemplo en los bancos que han cerrado muchas sucursales, buscan mejorar las interacciones con los clientes mediante chatbots más amigables y eficientes. En seguridad, esta tecnología permite reducir el riesgo de ataques cibernéticos. Respecto al sector de la educación, en mi universidad hay diversos proyectos basados en esta tecnología. Por ejemplo, el anteriormente mencionado proyecto PLENTAS para ayudar al profesor en las tareas de evaluación.