IA completa

Término que describe problemas difíciles en IA.

En el campo de la inteligencia artificial (IA), las tareas que, según la hipótesis, requieren inteligencia artificial general para su resolución se conocen informalmente como IA completa o IA dura . ^[1] Llamar AI completo a un problema refleja la creencia de que no puede resolverse mediante un algoritmo específico simple.

Se plantea la hipótesis de que los problemas completos de IA incluyen visión por computadora , comprensión del lenguaje natural y manejo de circunstancias inesperadas mientras se resuelve cualquier problema del mundo real. ^[2]

Los problemas completos de IA podrían ser útiles, por ejemplo, para comprobar la presencia de humanos, como pretenden hacer los CAPTCHA , y en seguridad informática para eludir ataques de fuerza bruta . ^{[3] [4]}

Historia

El término fue acuñado por Fanya Montalvo por analogía con NP-completo y NP-duro en la teoría de la complejidad , que describe formalmente la clase más famosa de problemas difíciles. ^[5] Los primeros usos del término se encuentran en la tesis doctoral de Erik Mueller de 1987 ^[6] y en el Jargon File de 1991 de Eric Raymond . ^[7]

Los sistemas expertos , que fueron populares en la década de 1980, pudieron resolver versiones muy simples y/o restringidas de problemas completos de IA, pero nunca en su total generalidad. Cuando los investigadores de IA intentaron "ampliar" sus sistemas para manejar situaciones más complicadas del mundo real, los programas tendieron a volverse excesivamente frágiles sin conocimientos de sentido común o una comprensión rudimentaria de la situación: fallarían como circunstancias inesperadas fuera de su problema original. El contexto comenzaría a aparecer. Cuando los seres humanos se enfrentan a situaciones nuevas en el mundo, les ayuda su conciencia del contexto general: saben cuáles son las cosas que les rodean, por qué están allí, qué es probable que hagan, etc. Pueden reconocer situaciones inusuales y adaptarse en consecuencia. Los sistemas expertos carecían de esta adaptabilidad y eran frágiles ante situaciones nuevas. ^[8]

DeepMind publicó un trabajo en mayo de 2022 en el que entrenaban a un único modelo para hacer varias cosas al mismo tiempo. El modelo, llamado Gato, puede "jugar Atari, subtitular imágenes, chatear, apilar bloques con un brazo robótico real y mucho más, decidiendo en función de su contexto si generar texto, pares de articulaciones, presionar botones u otros tokens". ^[9] De manera similar, algunas tareas que alguna vez se consideraron completas con IA, como la traducción automática, ^[10] se encuentran entre las capacidades de los modelos de lenguaje grandes . ^[11]

Problemas completos de IA

Se plantea la hipótesis de que los problemas de IA completa incluyen:

• Revisión por pares de IA ^{[12] (} comprensión del lenguaje natural compuesto , razonamiento automatizado , demostración automatizada de teoremas , sistema experto en lógica formalizada )
• Problemas de Bongard ^[13]
• Visión por computadora (y subproblemas como el reconocimiento de objetos ) ^[14]
• Comprensión del lenguaje natural (y subproblemas como minería de textos , ^[15] traducción automática , ^[16] y desambiguación del sentido de las palabras ^[17] )
• Conducción autónoma ^[18]
• Lidiar con circunstancias inesperadas mientras se resuelve cualquier problema del mundo real, ^[19] ya sea navegación o planificación o incluso el tipo de razonamiento realizado por sistemas expertos . ^{[ cita necesaria ]}

Formalización

Un modelo formal bajo el paradigma del agente para seleccionar sistemas de IA (AIS) se basa en funciones de utilidad y restricciones contextuales. Se analizan conceptos tales como funciones de utilidad, intelometría, correspondencia funcional y condiciones de seguridad. El problema implica encontrar un AIS óptimo considerando medidas de utilidad y restricciones contextuales, con soluciones que requieren especificar contextos admisibles, contextos de prueba, estados prohibidos, funciones de utilidad y métricas. También reconoce la necesidad de redefinir la correspondencia funcional en ausencia de un operador humano, denominando a este marco "intelometría", proporcionando una base para evaluar y comparar AIS para tareas específicas. ^[20]

La teoría de la complejidad computacional trata de la relativa dificultad computacional de las funciones computables . Por definición, no cubre problemas cuya solución se desconoce o no ha sido caracterizada formalmente. Dado que muchos problemas de IA aún no están formalizados, la teoría de la complejidad convencional no permite definir formalmente la integridad de la IA.

Para abordar este problema, se ha propuesto una teoría de la complejidad para la IA. ^[21] Se basa en un modelo de computación que divide la carga computacional entre una computadora y un humano: una parte la resuelve la computadora y la otra parte la resuelve el humano. Esto se formaliza mediante una máquina de Turing asistida por humanos . La formalización define la complejidad del algoritmo, la complejidad del problema y la reducibilidad, lo que a su vez permite definir clases de equivalencia .

La complejidad de ejecutar un algoritmo con una máquina de Turing asistida por humanos está dada por un par , donde el primer elemento representa la complejidad de la parte humana y el segundo elemento es la complejidad de la parte de la máquina. ${\displaystyle \langle \Phi _{H},\Phi _{M}\rangle }$

Resultados

La complejidad de resolver los siguientes problemas con una máquina de Turing asistida por humanos es: ^[21]

• Reconocimiento óptico de caracteres para texto impreso: ${\displaystyle \langle O(1),poly(n)\rangle }$
• Prueba de Turing :
  • para una conversación de oraciones donde el oráculo recuerda el historial de la conversación (oráculo persistente): ${\displaystyle n}$ ${\displaystyle \langle O(n),O(n)\rangle }$
  • para una conversación de oraciones donde se debe retransmitir el historial de la conversación: ${\displaystyle n}$ ${\displaystyle \langle O(n),O(n^{2})\rangle }$
  • para una conversación de oraciones donde se debe retransmitir el historial de la conversación y la persona toma un tiempo lineal para leer la consulta: ${\displaystyle n}$ ${\displaystyle \langle O(n^{2}),O(n^{2})\rangle }$
• Juego ESP : ${\displaystyle \langle O(n),O(n)\rangle }$
• Etiquetado de imágenes (basado en el protocolo Arthur-Merlin ): ${\displaystyle \langle O(n),O(n)\rangle }$
• Clasificación de imágenes : solo humanos: y con menos dependencia del humano: . ${\displaystyle \langle O(n),O(n)\rangle }$ ${\displaystyle \langle O(\log n),O(n\log n)\rangle }$

Investigación

Roman Yampolskiy ^[22] sugiere que un problema es AI-Completo si tiene dos propiedades: ${\displaystyle C}$

• Está en el conjunto de problemas de IA (resolubles por Oracle humano).
• Cualquier problema de IA se puede convertir mediante algún algoritmo de tiempo polinomial. ${\displaystyle C}$

Por otro lado, un problema es AI-Difícil si y solo si hay un problema AI-Completo que sea reducible en tiempo polinómico de Turing a . Esto también da como consecuencia la existencia de problemas AI-Easy , que son solucionables en tiempo polinómico mediante una máquina determinista de Turing con un oráculo para algún problema. ${\displaystyle H}$ ${\displaystyle C}$ ${\displaystyle H}$

Yampolskiy ^[23] también ha planteado la hipótesis de que la prueba de Turing es una característica definitoria de la integridad de la IA.

Groppe y Jain ^[24] clasifican los problemas que requieren inteligencia artificial general para alcanzar el rendimiento de la máquina a nivel humano como IA completa, mientras que los sistemas de IA actuales solo pueden resolver versiones restringidas de problemas de IA completa. Para Šekrst, ^[25] obtener una solución polinomial para problemas de IA completa no necesariamente equivaldría a resolver el problema de una IA fuerte , al tiempo que enfatiza que la falta de investigación sobre complejidad computacional es el factor limitante para lograr la inteligencia artificial general.

Para Kwee-Bintoro y Vélez, ^[26] resolver problemas de IA completa tendría fuertes repercusiones en la sociedad.

Ver también

• ASR completo
• Lista de problemas sin resolver en informática
• Inteligencia sintética
• practopoiesis

Referencias

1. Shapiro, Stuart C. (1992). Inteligencia artificial Archivado el 1 de febrero de 2016 en Wayback Machine. En Stuart C. Shapiro (Ed.), Encyclopedia of Artificial Intelligence (Segunda edición, págs. 54–57). Nueva York: John Wiley. (La Sección 4 trata sobre "Tareas completas con IA".)
2. Romano V. Yampolskiy. La prueba de Turing como característica definitoria de la integridad de la IA. En Inteligencia artificial, computación evolutiva y metaheurística (AIECM): siguiendo los pasos de Alan Turing. Xin-She Yang (Ed.). págs. 3-17. (Capítulo 1). Springer, Londres. 2013. http://cecs.louisville.edu/ry/TuringTestasaDefiningFeature04270003.pdf Archivado el 22 de mayo de 2013 en Wayback Machine.
3. Luis von Ahn, Manuel Blum, Nicholas Hopper y John Langford. CAPTCHA: Uso de problemas difíciles de IA para seguridad Archivado el 4 de marzo de 2016 en Wayback Machine . En Actas de Eurocrypt, vol. 2656 (2003), págs. 294–311.
4. Bergmair, Richard (7 de enero de 2006). "Esteganografía del lenguaje natural y una primitiva de seguridad" completa con IA ". CiteSeerX  10.1.1.105.129 . {{cite journal}}: Citar revista requiere |journal=( ayuda ) (¿no publicado?)
5. Mallery, John C. (1988), "Pensar en la política exterior: encontrar un papel apropiado para las computadoras con inteligencia artificial", Reunión anual de 1988 de la Asociación de Estudios Internacionales, St. Louis, MO, archivado desde el original en 2008. 29 de febrero , consultado el 27 de abril de 2007.{{citation}}: CS1 maint: location missing publisher (link).
6. Mueller, Erik T. (marzo de 1987). Soñar despierto y computación (Informe técnico CSD-870017) Archivado el 30 de octubre de 2020 en la tesis doctoral de Wayback Machine , Universidad de California, Los Ángeles. ("Soñar despierto no es más que un problema más de la IA : si pudiéramos resolver cualquier problema de inteligencia artificial, podríamos resolver todos los demás", p. 302)
7. Raymond, Eric S. (22 de marzo de 1991). Archivo de jerga versión 2.8.1 Archivado el 4 de junio de 2011 en Wayback Machine (la definición de "AI-completa" se agregó por primera vez al archivo de jerga).
8. Lenat, Douglas ; Guha, RV (1989), Creación de grandes sistemas basados ​​en el conocimiento , Addison-Wesley, págs. 1–5
9. "Un agente generalista". www.deepmind.com . Archivado desde el original el 2022-08-02 . Consultado el 26 de mayo de 2022 .
10. Katz, Miranda. "Bienvenido a la era del compañero de trabajo de IA | Backchannel". Cableado . ISSN  1059-1028 . Consultado el 28 de abril de 2024 .
11. "Revelando el poder de los modelos de lenguajes grandes (LLM)". www.unite.ai . Consultado el 28 de abril de 2024 .
12. Stockton, Nick. "Si la IA puede solucionar la revisión por pares en la ciencia, la IA puede hacer cualquier cosa". Cableado . ISSN  1059-1028 . Consultado el 27 de abril de 2024 .
13. Šekrst, Kristina (2020), Skansi, Sandro (ed.), "Completitud de la IA: uso del aprendizaje profundo para eliminar el factor humano", Guía de conceptos básicos del aprendizaje profundo: perspectivas lógicas, históricas y filosóficas , Cham: Springer International Publishing, págs. 117-130, doi :10.1007/978-3-030-37591-1_11, ISBN 978-3-030-37591-1, recuperado el 25 de marzo de 2024
14. Stratocaster, Thomas M.; Chellappa, Rama; Patel, Vishal M. (2020). "Visión y robótica". Revista AI . 42 (2): 49–65. doi : 10.1609/aimag.v41i2.5299 . S2CID  220687545 - a través de la colección ABI/INFORM.
15. Krestel, Ralf; Aras, Hidir; Andersson, Linda; Piroi, Florina; Hanbury, Allan; Alderucci, decano (6 de julio de 2022). "3er Taller sobre Minería de Textos de Patentes y Tecnologías Semánticas (PatentSemTech2022)". Actas de la 45ª Conferencia Internacional ACM SIGIR sobre Investigación y Desarrollo en Recuperación de Información . Madrid España: ACM. págs. 3474–3477. doi :10.1145/3477495.3531702. ISBN 978-1-4503-8732-3. S2CID  250340282. Archivado desde el original el 15 de abril de 2023 . Consultado el 15 de abril de 2023 .
16. Orynycz, Petro (2022), Degen, Helmut; Ntoa, Stavroula (eds.), "Dígalo bien: la traducción automática neuronal con IA permite a los nuevos oradores revitalizar el lemko", Inteligencia artificial en HCI , Lecture Notes in Computer Science, vol. 13336, Cham: Springer International Publishing, págs. 567–580, doi :10.1007/978-3-031-05643-7_37, ISBN 978-3-031-05642-0, recuperado el 15 de abril de 2023
17. Ide, N.; Veronis, J. (1998). "Introducción al número especial sobre desambiguación del sentido de las palabras: el estado del arte" (PDF) . Ligüística computacional . 24 (1): 2–40. Archivado (PDF) desde el original el 9 de octubre de 2022.
18. Musk, Elon (14 de abril de 2022). "Elon Musk habla de Twitter, Tesla y cómo funciona su cerebro, en vivo en TED2022". TED (conferencia) (Entrevista). Entrevistado por Chris_Anderson_ (emprendedor) . Vancouver. Archivado desde el original el 15 de diciembre de 2022 . Consultado el 15 de diciembre de 2022 .
19. Šekrst, Kristina (2020), "Capítulo 11: Completitud de la IA: uso del aprendizaje profundo para eliminar el factor humano", en Skansi, Sandro (ed.), Guía de conceptos básicos del aprendizaje profundo, Springer, ISBN 978-3-030-37591-1
20. A. Kuleshov, "Formalización de los parámetros del sistema de IA en la estandarización de la IA", Conferencia internacional de 2018 sobre aplicaciones e innovaciones de inteligencia artificial (IC-AIAI), Nicosia, Chipre, 2018, págs. 51-54, doi: 10.1109/IC-AIAI .2018.8674446. palabras clave: {Inteligencia artificial;Robustez;Estándares;Medición;Seguridad;Accidentes},
21. Dafna Shahaf y Eyal Amir (2007) Hacia una teoría de la integridad de la IA Archivado el 7 de noviembre de 2020 en Wayback Machine . Commonsense 2007, 8.° Simposio internacional sobre formalizaciones lógicas del razonamiento de sentido común Archivado el 19 de enero de 2021 en Wayback Machine .
22. Yampolskiy, Roman (2012), "AI-Complete, AI-Hard o AI-Easy - Clasificación de problemas en IA" (PDF) , 23.ª Conferencia sobre inteligencia artificial y ciencia cognitiva del Medio Oeste, MAICS 2012, Cincinnati, Ohio, EE. UU. 21-22 de abril de 2012 , consultado el 5 de abril de 2024.
23. Yampolskiy, Roman (2013), "La prueba de Turing como característica definitoria de la integridad de la IA", Inteligencia artificial, computación evolutiva y metaheurística , Estudios en inteligencia computacional, vol. 427, págs. 3-17, doi :10.1007/978-3-642-29694-9_1, ISBN 978-3-642-29693-2
24. Groppe, Sven; Jain, Sarika (2024), "El camino a seguir con problemas completos de IA", Computación de nueva generación , 42 : 1–5, doi :10.1007/s00354-024-00251-8
25. Šekrst, Kristina (2020), Skansi, Sandro (ed.), "Completitud de la IA: uso del aprendizaje profundo para eliminar el factor humano", Guía de conceptos básicos del aprendizaje profundo: perspectivas lógicas, históricas y filosóficas , Cham: Springer International Publishing, págs. 117-130, doi :10.1007/978-3-030-37591-1_11, ISBN 978-3-030-37591-1, recuperado el 5 de abril de 2024
26. Bintoro, Ted; Vélez, Noah (2022), "AI-Complete: Qué significa ser humano en un mundo cada vez más informatizado", Uniendo la inteligencia humana y la inteligencia artificial , Comunicaciones educativas y tecnología: problemas e innovaciones, Cham: Springer, págs. , doi :10.1007/978-3-030-84729-6_18, ISBN 978-3-030-84728-9