El proyecto Debater es el siguiente en la línea de sistemas de la IA después de Watson y Deep Blue. Se está buscando lograr la maestría en la interacción humana vía la voz, de manera que IBM pueda ofrecer serrvicios de voz como soporte técnico, consultas médicas, entre otros. En el caso que nos ocupa, se busca tener una máquina que pueda involucrarse en un debate usando entrada/salida de la voz. El tópico del debate no se define de antemano y la computadora entonces tiene que construir sus argumentos.
Para definr qué tan lejos ha llegado el sistema de IBM, éste organizó un debate público pequeño. El formato consistía en preparar un argumento inicial por cuatro minutos, seguido de una refutación de otros cuatro minutos con dos minutos para hacer una conclusión. El primer tópico fue: ¿Deberíamos subsidiar la exploración espacial?, seguido de: ¿Deberíamos incrementar el uso de la telemedicina? Los votos de la audiencia en este debate terminó con el resultado de un empate: Máquina 1, Humanos 1.
La síntesis y reconocimiento de voz fueron estupendas aunque los argumentos oacisonalmente no fueron muy convincentes, pero en todo caso, en promedio, el resultado fue impresionante. El panel que tenía una boca azul animada dominó en el debate con los humanos y hubo momentos en el que la gente pensaba que se trataba de una broma o de que los argumentos estaban pre-cargados para producir argumentos más o menos irreverentes sobre el tema.
Es claro que IBM sabe hacer de estos eventos todo un esquema mediático, considerando la experiencia anterior con Deep Blue y con Watson. Sin embargo, lo que es realmente interesante es el enfoque de la vieja escuela de la IA. Cabe aclarar que no se está tratando de minimizar el trabajo de IBM, pues como en todo, hay más de un enfoque para resolver muchos problemas. El primer enfoque es casi mágico en donde se deja que el sistema se dé cuenta de cómo hacer el trabajo. Esto es lo que hacen de hecho las redes neuronales: las entrenamos para que nos den la respuesta que queremos, pero no detallamos su inicio e implementación. El segundo enfoque es trabajar en lo que senecesita e implementarlo escribiendo código. Esto minimiza la fase de entrenamiento porque se ha hecho la ingeniería para analizar las palabras dichas, en el caso de este sistema de IBM.
Por mucho tiempo, el enfoque ingenieril a la IA fue el más exitoso, pero cuando el poder de cómputo creció, las redes neuronales encontraron un camino interesante para resolver problemas, eclipsando todos los enfoques alternativos. El problema con el enfoque de aprendizja,e por ejemplo, es que muchas veces no se entiende exactamente cómo funciona, lo que hace que parezca más un acto de magia y además, hay la posibilidad de que no funciones. El enfoque ingenieril puro es determinístico en general y los científicos que lo programan saben qué resultados van a obtener dada la entrada de información.
Y aunque IBM mantiene cierta secrecía en el promedio de cómo funciona su sistema, ha publicado muchos artículos sobre los subsistemas que integran su programa “Debater”. Sí, IBM incluye redes neuronales, pero estas se usan más para medir como el análisis sentimental. Una lista de técnicas: “minería de los argumentos”, por ejemplo, es de los más importantes y parece ser un esquema complicado de procesamiento de lenguaje natural, en donde se detectan las evidencias, las afirmaciones, las negaciones, etcétera. Hay otros que permiten hacer un análisis “sentimental” (sea lo que sea signifique esto), el cual trabaja en favor o en contra de un argumento dado.
Aparentemente las redes neuronales se usan principalmente en reconocimiento del habla y en la producción de la misma. Esto es un enfoque razonable ya que los datos son menos fáciles de analizar y aquí el enfoque de la ingeniería tradicional puede ser mucho más complicado para hallar una solución.
Debater trabaja bien en general, pero no puede hacer generalizaciones profundas. Las redes neuronales aprenden de patrones y estructuras en los datos y se espera que los casos nuevos sigan ciertos patrones conocidos como los que se tienen en la muestra. Si se entrena una red neuronal para clasificar gatos, por ejemplo, y se le muestra un perro, entonces el sistema dirá que se tiene algo que se acerca a cómo se ve un gato, pero nada más. En cambio, en la IA tradicional, si se tiene un sistema clasificador de gatos y se le muestra un perro, el sistema puede dejar de funcionar porque el programa puede normalmente tratar solamente con ciertas sirtuaciones.
Pero como sea, IBM está sacando ventaja de su inraestructura en hardware, que usan redes neuronales de manera muy práctica y desde luego, el avance es francamente notable.