IA completa

Término que describe problemas difíciles en IA

En el campo de la inteligencia artificial (IA), las tareas que se supone que requieren inteligencia artificial general para resolverse se conocen informalmente como IA-completas o IA-difíciles . ^[1] Llamar a un problema IA-completo refleja la creencia de que no se puede resolver con un algoritmo específico simple.

En el pasado, los problemas que se suponía que eran completos para la IA incluían la visión por computadora , la comprensión del lenguaje natural y el manejo de circunstancias inesperadas al resolver cualquier problema del mundo real. ^[2] Los problemas completos para la IA se consideraban útiles, en particular, para probar la presencia de humanos, como los CAPTCHA pretenden hacer, y en seguridad informática para evitar 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 Jargon File de Eric Raymond de 1991. ^[7 ]

Los sistemas expertos , que fueron populares en la década de 1980, fueron capaces de resolver versiones muy simples y/o restringidas de problemas completos de IA, pero nunca en su totalidad. 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 conocimiento de sentido común o una comprensión rudimentaria de la situación: fallarían cuando comenzaran a aparecer circunstancias inesperadas fuera de su contexto de problema original. Cuando los seres humanos se enfrentan a nuevas situaciones en el mundo, les ayuda su conocimiento del contexto general: saben qué son las cosas que los 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 cuando se enfrentaban a situaciones nuevas. ^[8]

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

Problemas completos de IA

Se ha planteado la hipótesis de que los problemas de IA completa incluyen:

• Revisión por pares de IA ^{[12] (} comprensión compuesta del lenguaje natural , razonamiento automatizado , demostración automatizada de teoremas , sistema experto de 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 texto , ^[15] traducción automática , ^[16] y desambiguación del sentido de las palabras ^[17] )
• Conducción autónoma ^[18]
• Cómo afrontar circunstancias inesperadas al resolver cualquier problema del mundo real, ^[19] ya sea navegación o planificación o incluso el tipo de razonamiento realizado por sistemas expertos . ^{[ cita requerida ]}

Formalización

La teoría de la complejidad computacional se ocupa de la dificultad computacional relativa de las funciones computables . Por definición, no cubre los problemas cuya solución es desconocida o no ha sido caracterizada formalmente. Dado que muchos problemas de IA aún no tienen formalización, la teoría de la complejidad convencional no permite definir formalmente la completitud de la IA.

Investigación

Roman Yampolskiy ^[20] sugiere que un problema es IA-completo si tiene dos propiedades: ${\displaystyle C}$

• Se encuentra en el conjunto de problemas de IA (resoluble mediante Oráculo Humano).
• Cualquier problema de IA puede convertirse en un algoritmo de tiempo polinomial. ${\displaystyle C}$

Por otra parte, un problema es AI-Hard si y solo si existe un problema AI-Complete que sea reducible en tiempo polinomial mediante el método de Turing a . Esto también da como consecuencia la existencia de problemas AI-Easy , que son solucionables en tiempo polinomial mediante una máquina de Turing determinista con un oráculo para algún problema. ${\displaystyle H}$ ${\displaystyle C}$ ${\displaystyle H}$

Yampolskiy ^[21] también planteó la hipótesis de que la prueba de Turing es una característica definitoria de la completitud de la IA.

Groppe y Jain ^[22] clasifican los problemas que requieren inteligencia artificial general para alcanzar el rendimiento de una máquina a nivel humano como problemas de IA completa, mientras que los sistemas de IA actuales solo pueden resolver versiones restringidas de problemas de IA completa. Para Šekrst, ^[23] obtener una solución polinómica para problemas de IA completa no sería necesariamente igual a resolver el problema de la inteligencia artificial general, al tiempo que enfatiza que la falta de investigación en complejidad computacional es el factor limitante para lograr la inteligencia artificial general.

Para Kwee-Bintoro y Velez, ^[24] resolver problemas completos en IA tendría fuertes repercusiones en la sociedad.

Véase también

• ASR-completo
• Lista de problemas no resueltos en informática
• Inteligencia sintética
• Practopoyesis

Referencias

1. Shapiro, Stuart C. (1992). Inteligencia artificial Archivado el 1 de febrero de 2016 en Wayback Machine. En Stuart C. Shapiro (Ed.), Enciclopedia de inteligencia artificial (segunda edición, págs. 54-57). Nueva York: John Wiley. (La sección 4 trata sobre "Tareas completadas por IA").
2. Yampolskiy, Roman (enero de 2013). "La prueba de Turing como característica definitoria de la completitud de la IA" (PDF) . Inteligencia artificial, computación evolutiva y metaheurísticas . Archivado desde el original (PDF) el 22 de mayo de 2013.
3. Luis von Ahn, Manuel Blum, Nicholas Hopper y John Langford. CAPTCHA: Uso de problemas de inteligencia artificial complejos para la seguridad Archivado el 4 de marzo de 2016 en Wayback Machine . En Proceedings of Eurocrypt, vol. 2656 (2003), págs. 294–311.
4. Bergmair, Richard (7 de enero de 2006). "Esteganografía del lenguaje natural y una primitiva de seguridad "completamente IA"". CiteSeerX 10.1.1.105.129 .  {{cite journal}}: Requiere citar revista |journal=( ayuda ) (¿no publicado?)
5. Mallery, John C. (1988), "Pensando en 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 el 29 de febrero de 2008 , consultado el 27 de abril de 2007{{citation}}: CS1 maint: location missing publisher (link).
6. Mueller, Erik T. (1987, marzo). Ensoñación y computación (Informe técnico CSD-870017) Archivado el 30 de octubre de 2020 en Wayback Machine Tesis doctoral, Universidad de California, Los Ángeles. ("Ensoñación es solo un problema más de inteligencia artificial : si pudiéramos resolver cualquier problema de inteligencia artificial, podríamos resolver todos los demás", p. 302)
7. Raymond, Eric S. (22 de marzo de 1991). Versión 2.8.1 del archivo de jerga Archivado el 4 de junio de 2011 en Wayback Machine. (La definición de "AI-complete" 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 2022-05-26 .
10. Katz, Miranda. "Bienvenidos a la era del colaborador con inteligencia artificial | Backchannel". Wired . ISSN  1059-1028 . Consultado el 28 de abril de 2024 .
11. "Revelando el poder de los modelos de lenguaje de gran tamaño (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". Wired . ISSN  1059-1028 . Consultado el 27 de abril de 2024 .
13. Šekrst, Kristina (2020), Skansi, Sandro (ed.), "AI-Completeness: Using Deep Learning to Eliminate the Human Factor", Guía de conceptos básicos de 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, consultado el 25 de marzo de 2024
14. Strat, Thomas M.; Chellappa, Rama; Patel, Vishal M. (2020). "Visión y robótica". AI Magazine . 42 (2): 49–65. doi : 10.1609/aimag.v41i2.5299 . S2CID  220687545 – vía ABI/INFORM Collection.
15. Krestel, Ralf; Aras, Hidir; Andersson, Linda; Piroi, Florina; Hanbury, Allan; Alderucci, Dean (6 de julio de 2022). "3er taller sobre minería de textos de patentes y tecnologías semánticas (PatentSemTech2022)". Actas de la 45.ª Conferencia internacional ACM SIGIR sobre investigación y desarrollo en recuperación de información . Madrid, España: ACM. pp. 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.), "Dilo bien: la traducción automática neuronal con IA permite a los nuevos hablantes revitalizar el lemko", Inteligencia artificial en la 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, consultado 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) . Computational Linguistics . 24 (1): 2–40. Archivado (PDF) desde el original el 2022-10-09.
18. Musk, Elon (14 de abril de 2022). "Elon Musk habla de Twitter, Tesla y cómo funciona su cerebro, en directo en TED2022". TED (conferencia) (Entrevista). Entrevista realizada 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 de aprendizaje profundo, Springer, ISBN 978-3-030-37591-1
20. Yampolskiy, Roman (2012), "AI-Complete, AI-Hard, or AI-Easy – Classification of Problems in AI" (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
21. Yampolskiy, Roman (2013), "La prueba de Turing como característica definitoria de la completitud 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
22. Groppe, Sven; Jain, Sarika (2024), "El camino a seguir con los problemas completos de IA", New Generation Computing , 42 : 1–5, doi :10.1007/s00354-024-00251-8
23. Šekrst, Kristina (2020), Skansi, Sandro (ed.), "AI-Completeness: Using Deep Learning to Eliminate the Human Factor", Guía de conceptos básicos de 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, consultado el 5 de abril de 2024
24. Bintoro, Ted; Velez, Noah (2022), "AI-Complete: What it Means to Be Human in an Increasingly Computerized World", Bridging Human Intelligence and Artificial Intelligence , Comunicaciones educativas y tecnología: problemas e innovaciones, Cham: Springer, págs. 257–274, doi :10.1007/978-3-030-84729-6_18, ISBN 978-3-030-84728-9