El Solucionador General de Problemas (GPS: General Problem Solver) fue el primer programa de resolución de problemas que separó las tareas de resolución de los conocimientos específicos necesarios. En otras palabras, el GPS incluye capacidades de tipo general que pueden aplicarse a problemas en múltiples disciplinas. Desde el punto de la AI supuso una ambiciosa innovación. Desde siempre se había señalado que la inteligencia humana era una capacidad de tipo general capaz de hacer frente a una gran variedad de tareas.
El GPS fue desarrollado en 1957 por Newell, Shaw y Simon como continuación de su programa el Logic Theorist (teorizador lógico),diseñado en 1956. El objetivo del Logic Theorist era la demostración de los teoremas matemáticos propuestos en la obra Principia Mathematica de Russell y Whitehead. El Logic Theorist demostró 38 de los 52 teoremas propuestos en el capítulo 2 de dicha obra fundamental. El programa razona el teorema a demostrar en base a teoremas y axiomas previos. Las primeras versiones del GPS eran especialmente adecuadas para la resolución de problemas lógicos. De hecho, pese a sus ambiciones de generalización, con anterioridad a las modificaciones en él introducidas por Ernst y Newell en 1969, el programa sólo había resuelto dos problemas fuera del mundo de la lógica. Ernst amplió el campo de los problemas a resolver por el GPS, sin alterar su nivel de potencia. Con dichas modificaciones el programa podía satisfacer uno de sus primeros objetivos, modelar problemas de tipo general. Y, en efecto, el programa modificado resolvió problemas en once campos diferentes, resolviendo problemas tales como el rompecabezas de “los misioneros y los caníbales”, integración matemática, demostración de teoremas, completar series de letras, etc. Paradójicamente, las versiones finales del GPS no tenían capacidad para demostrar los teoremas propuestos en Principia Mathematica, pues era incapaz de identificar el número de veces que una variable ocurría en una expresión lógica.
El GPS sólo puede resolver problemas simples, y, por lo general, es menos eficiente que los solucionadores de propósito específico. Si el problema requiere una larga búsqueda, enseguida los 65 K-palabras de memoria del sistema resultan insuficientes. Sin embargo, el GPS no se diseñó como máquina de grandes prestaciones. La finalidad de sus diseñadores era conseguir una visión más certera de las tareas implícitas en la resolución de problemas, a fin de diseñar posteriormente eI proceso necesario para su realización práctica. Se consideraron capacidades adicionales para el GPS, tales como el juego de partidas de determinados divertimentos clásicos de salón, pero nunca se le incorporaron. Original-mente el GPS se escribió en IPL-V, un lenguaje de proceso de listas útil para el modelado de fenómenos sicológicos, y fue el primer programa que incorporó una estrategia planificada de resolución de problemas, utilizaba una versión simplificada del problema como modelo que completaba con detalles posteriormente.
El entorno de resolución de problemas del GPS se llamó sistema de proceso de información (IPS: informatión processing system), denominándose estado lo que el IPS sabía en un momento determinado. Los conocimientos correspondientes a un estado se representan mediante estructuras simbólicas. Un estado evoluciona a otro estado mediante is aplicación de operadores. El GPS busca la solución a un problema mediante operadores que generan estados. El estado final (objetivo)corresponde a los conocimientos del IPS en el momento de encontrarla solución. El método de trabajo se dice que es similar al modelo de resolución de problemas que utilizan los seres humanos. Por ejemplo, el análisis causa-efecto que utiliza el GPS es similar al utilizado por los seres humanos en la búsqueda de soluciones. Los humanos usamos otras estrategias en la resolución de problemas, pero el GPS nunca intentó modelar toda la gama de estrategias que el hombre usa para resolver sus problemas.
Programas para identificar objetos físicos en el entorno.
Por ejemplo, un programa desarrollado por J. M. Tenenbaum puede aprender a reconocer la puerta, mesa, suelo, paredes, etc., en fotografías en blanco y negro de su despacho en la Universidad de Stanford. Para representar los conceptos aprendidos se usan dos estructuras de datos, una icónica y otra semántica. Boden (1977) describe cómo una estructura icónica de datos puede interaccionar con su equivalente semántico para generar una descripción coherente de la superficie de una mesa. El programa de Tanenbaum puede aprender el aspecto que tienen las cosas, ya sea describiéndole la apariencia de los objetos en función de otros ya contemplados o mediante ejemplos. Para ello, necesita sacar conclusiones de un núcleo de conocimientos. Por ejemplo: requiere conocimientos de colores, regiones, orientación de las superficies, etc. Aprender bajo estas premisas implica un sistema cognoscitivo capaz de construir, analizar y manipular símbolos complejos.
El aprendizaje por enseñanza única implica la aceptación pasiva,por la máquina, de la nueva información. Se puede, por ejemplo, añadir directamente nuevos conocimientos a un sistema informático, como cuando se añaden nuevas declaraciones a la matriz de conocimientos (belief matrix) del clásico programa de Colby que simula una neurosis. Otros programas con capacidad inferente pueden llegar a conclusiones no introducidas originalmente en el sistema. Cuando los programas aprenden por la vía práctica, ejemplifican uno de los criterios básicos de cualquier sistema de aprendizaje biológico -se valen de la experiencia para mejorar las prestaciones. Hemos visto cómo el programa de Samuel es un ejemplo de este tipo de proceso. El programa HACKER de Sussman puede aprender generalizaciones a partir de experiencias particulares en un entorno de simulación.
En efecto, HACKER aprende criticando constructivamente sus propios intentos de realización de tareas. El programa MYCROFT, complementario del HACKER, aplica conocimientos generales de depuración a dibujos infantiles- los niños programan dibujos por ordenador que son corregidos por MYCROFT. El programa analiza los fallos y ayuda a los niños a evitarlos en el futuro. Estos programas tienen una influencia directa sobre la conceptualización de los métodos de aprendizaje en los seres humanos, e indican, a su vez, procedimientos adicionales mediante los que sistemas informáticos pueden modelar los procesos mentales del hombre.
El programa HACKER es un sistema de programación automática: puede escribir y optimizar programas, y además aprender con la práctica. La programación automática es una disciplina de creciente interés, que puede dar lugar a grandes sorpresas a muchos profesionales. ¿Se necesitarán programadores en el futuro? podrán hacer frente a las necesidades evolutivas de ciertos programas? No es de extrañar que sea alarmista la reacción a la programación automática. En este sentido se expresaba el autor del artículo “Computers that learn could lead to disaster (Los ordenadores con capacidad de aprendizaje nos pueden llevar al desastre), aparecido en la revista New Scientist. Pero obviamente, los programas que aprenden pueden ser útiles al hombre en infinidad de circunstancias. Por ejemplo, Narendra y Mars (1983) han propues.to algoritmos con capacidad de aprendizaje para encauzar el tráfico automovilístico mediante un sistema telefónico de control. Otro motivo que justifica el desarrollo de sistemas automáticos de aprendizaje es, como hemos visto, el creciente interés en sistemas expertos. Actualmente, los sistemas expertos adquieren sus conocimientos mediante un proceso largo y laborioso. Si se consigue que los sistemas expertos puedan aprender más rápidamente, con más facilidad se podría construir su base de conocimientos, elemento esencial para su operatividad. Pero naturalmente, será difícil para el ser humano evaluar los nuevos conocimientos en poder del ordenador cuando estos comiencen a exceder la base de información que durante siglos ha ido acumulando el ser humano. En el Congreso de la Federación Internacional para el Proceso de la Información, celebrado en París en 1984, Voysey señaló importantes aspectos relacionados con este debatido asunto. Actualmente hay varios programas con diferentes grados de capacidad de aprendizaje y su número aumentará considerablemente dado el incremento que está teniendo la investigación en sistemas expertos (ver capítulo 8). En este capítulo nos hemos limitado a exponer las relaciones entre el aprendizaje, la memorización, la resolución de problemas, la semántica y otros aspectos de interés para eI investigador en Al.
Belén Stettler, oriunda de Río Gallegos, Santa Cruz, Argentina, cuenta con 35 años y es Licenciada en Ciencias de la Comunicación Social por la Universidad de Buenos Aires (UBA). A lo largo de sus 13 años de trayectoria en comunicación política, ha trabajado como consultora en Buenos Aires, especializándose en estrategia, investigación y comunicación directa. Ha dirigido equipos de comunicación en diversas campañas. Su experiencia incluye roles importantes en la Obra Social del Personal de Seguridad Pública de Buenos Aires, la Vicejefatura de Gobierno de Buenos Aires, Claves Creativas, Ford Argentina y AkzoNobel, iniciando su carrera en Grupo Suessa Organización Empresaria.
