Matemáticas para que los robots ‘nazcan sabiendo’

Si todo el conocimiento que una persona adquiere a lo largo de su vida pudiera ‘trasplantarse’ a otra que acaba de nacer, la sabiduría humana no tendría límites. Por el momento, esa opción no está disponible y los avances que se desarrollan generación tras generación deben aprenderse de manera individual acudiendo a los escritos, informes, patentes o base de datos, entre otras muchas fuentes, que los expertos han dejado al alcance de la humanidad a lo largo de los siglos.

Sin embargo, un equipo de investigación de la Universidad de Málaga ha aplicado un método de entrenamiento de robots en el que un experto ‘transfiere’ su conocimiento sobre determinados aspectos. La manera de enseñar a las máquinas, en este caso, unifica distintas fuentes de experiencia y establece relaciones causa-efecto en la información que le va llegando. En el artículo publicado en la revista Expert Systems with Applications los investigadores exponen cómo el autómata no aprende desde cero, ni aprende de los errores, sino que adopta la información necesaria para abordar problemas cotidianos desde el principio.

Vista frontal del robot móvil CRUMB, utilizado en este trabajo, con sus sensores.

Así, las decisiones del robot tienen en cuenta un mayor número de datos que con otros sistemas. “Esa información no se circunscribe al ámbito técnico, sino que también asume condicionantes propiamente humanos, como la intuición. En resumen, el robot ‘nace sabiendo’, no tiene que aprender como ocurre con otros métodos de Inteligencia Artificial”, indica a la Fundación Descubre el investigador de la Universidad de Málaga Manuel Castellano, autor del artículo.

Así, con el conocimiento necesario para desarrollar ciertas rutinas, es capaz de actuar frente a situaciones imprevistas, detectar fallos de percepción en sus sensores y establecer nuevas vías para solucionarlos. Combina imágenes, bases de datos, conceptos y situaciones para reconocer una circunstancia anómala y reaccionar ante ella. Además, no aborda los problemas de forma aislada, sino que los infiere y anticipa lo que sucederá atendiendo a las decisiones que tome. Así, podrá definir la mejor de las opciones entre distintas variables.

El modelo es aplicable a muchas áreas donde los robots pueden desarrollar su trabajo, desde agricultura hasta servicios. Especialmente, en este último caso y cuando la máquina debe interactuar con personas, debe saber moverse con garantías en su entorno, anticipándose a situaciones anómalas como podría ser, por ejemplo, la aparición de alguien que se encuentre fuera del campo visual del robot o la evitación de objetos.

Un robot que conoce, valora y decide

El sistema utiliza las conocidas como redes bayesianas, un método de inteligencia artificial basado en el conocimiento humano. Con él se podría explicar de una forma matemática la competencia de una persona sobre un tema. Al mismo tiempo, utilizando las relaciones y representaciones de este marco de aprendizaje, se puede hacer que el robot no sólo trate la información sino que domine cualquier materia al mismo nivel que un experto al utilizar fuentes heterogéneas y establecer relaciones causa-efecto entre los datos.

El investigador de la Universidad de Málaga Manuel Castellano, autor del artículo.

Juan Antonio Fernández, otro de los autores del artículo, junto al robot utilizado en los ensayos.
Con esta propuesta se resuelve una de las necesidades para que los robots móviles funcionen en entornos reales. Así, por ejemplo, un robot de servicio podría interpretar en el pasillo de un hotel que una persona pueda salir de cualquiera de las puertas o, incluso, que esté situada detrás de él a pesar de que sus sensores no la hayan captado. En caso de que apareciera por sorpresa, el robot estaría preparado para adecuar su marcha a la circunstancia especial que se presente.

En otro ejemplo, si un robot utiliza un láser para ubicarse en un lugar concreto, puede recibir información equivocada si se encuentra con un espejo o con cristales debido al reflejo o la refracción del rayo. Con el sistema, la máquina reconoce que hay una situación errónea y reconduce la información para una localización con mayores garantías. De esta manera, el autómata integra conocimiento humano y técnico que procede del propio sensor.

La propuesta ha sido evaluada en varias simulaciones ficticias y también ha sido probada en un entorno real con un robot móvil. Los resultados obtenidos muestran que logra un mejor rendimiento y precisión en comparación con otros métodos existentes, al tiempo que mejora la robustez de todo el sistema sensorial. Incluso en situaciones con información abstracta son capaces de captar la información exterior y relacionarla con la que ya contiene, adaptando sus decisiones a las nuevas necesidades.

El sistema aún tiene que mejorar los tiempos de respuesta ya que requiere de un procedimiento computacional complejo. En una situación real el robot no puede tardar mucho en tomar una decisión alternativa. Los expertos han mejorado el algoritmo para que el proceso de deducción sea más eficiente, pero continúan trabajando para optimizarlo.

Aunque aún el conocimiento trasvasado se limita a actuaciones muy rutinarias, el método que proponen los investigadores posibilitará que el robot tome decisiones acertadas ante una eventualidad. Quizás no asuma la conciencia absoluta del tecnólogo que lo configura durante su gestación, pero no tendrá que aprender a dar sus primeros pasos ni a decir sus primeras palabras porque las conocerá desde el mismo instante de su alumbramiento, algo que el ser humano nunca conseguirá.

Más información en #CienciaDirecta: Aplican un método matemático para que los robots actúen ante situaciones imprevistas