.
El tremendo hype que vive la inteligencia artificial de la mano de lo que se llama Inteligencia Artificial Generativa, oculta para el gran público paradigmas de IA que por su propia concepción están llamados a tener un alto grado de aplicabilidad.
Este es el caso de la IA Neuro-Simbólica. Se trata, en términos simples, de complementar y mejorar el aprendizaje automático basado en la estadística, con capacidades simbólicas (representación de conocimiento y razonamiento).
Esta combinación permitirá alcanzar nuevos y significativos hitos en la resolución de problemas complejos que requieran capacidad cognitiva, reducirá significativamente la cantidad de datos necesarios para el aprendizaje y entrenamiento de modelos entrenados para realizar un amplio conjunto de tareas, proporcionando además de manera natural decisiones y acciones controlables y explicables.
Durante el año 2023 hemos visto como el patrón RAG (Retrieval Augmented Generative), seminalmente introducido por investigadores de Facebook AI (ahora Meta AI) en 2020, ha ganado adeptos como medio para guiar las respuestas y mejorar la precisión, explicabilidad y relevancia de las respuestas de los LLM.
El patrón RAG inicial se apoyaba en las técnicas de Information Retrieval de la IA clásica, pero la tendencia actual es que se apoye en Grafos de Conocimiento. Esta combinación es a día de hoy un ejemplo real de IA neuro-simbólica que traza un camino a seguir.
Sin embargo, no todo es un camino de rosas, la construcción de Grafos de Conocimiento sobre dominios específicos no es un proceso simple, y en la mayoría de los casos requiere de intervención humana en el proceso de construcción y enriquecimiento.
Rizando el rizo, hay estudios incipientes encaminados a aprovechar las capacidades de los LLM en el proceso conceptualización y generación de estos potentes artefactos simbólicos.
Nos espera un camino interesante, en el que berocam puede ayudarte, ofreciendo la justa combinación de expertise técnico y experiencia real en resolución de problemas para hacer realidad casos de uso óptimos.
Autor: Jerónimo Nájera.
