¿Qué es el razonamiento en inteligencia artificial?

El razonamiento en inteligencia artificial, un tipo de inteligencia artificial (IA), es un proceso de software que utiliza reglas y diversas áreas de la lógica para hacer inferencias. Dado que el razonamiento automático utiliza la lógica -y de un modo que pretende ser comparable a la lógica humana-, sus aplicaciones se enmarcan principalmente en la robótica y el procesamiento del lenguaje natural.

El uso del razonamiento en inteligencia artificial es una de las muchas razones por las que sistemas informáticos como los chatbots son cada vez más conversacionales.

Esta tecnología ayuda a estos sistemas a tomar decisiones basadas en el contexto del lenguaje y otra información compleja, en lugar de solo recibir palabras clave y tomar las implicaciones de esas palabras literalmente y sin matices.

¿Cómo funciona el razonamiento en inteligencia artificial?

El razonamiento en inteligencia artificial se basa en la combinación de la aportación de datos contextuales por parte de los humanos y el desarrollo de la comprensión de esos datos a través de sus propios procesos de autoaprendizaje. Gracias a esta combinación de formación y autoaprendizaje, el razonamiento en inteligencia artificial no solo es capaz de categorizar y contextualizar la información, sino también de crear sus propios ejemplos de las categorías y contextos resultantes.

Un ejemplo de razonamiento en inteligencia artificial es su capacidad para utilizar el procesamiento del lenguaje natural (PLN). Un sistema de PNL basado en el razonamiento automático, si se ha entrenado correctamente, sería capaz de diferenciar entre el uso de la palabra on en las siguientes frases:

• Había un pasajero en el avión.
• Había hielo en el avión.

Aunque la palabra introducida –en– es la misma en ambos ejemplos, el contexto hace que sus definiciones implícitas sean muy diferentes, y tanto un ser humano como un sistema de razonamiento automático bien programado serían capaces de seguir el significado de las dos variantes y actuar en consecuencia.

¿Por qué es importante el razonamiento en inteligencia artificial?

El razonamiento en inteligencia artificial es importante porque, sin él, los sistemas de software inteligentes no podrían ofrecer el mismo nivel de comunicación, toma de decisiones y automatización que los humanos.

De hecho, por estas razones, el razonamiento en inteligencia artificial está abriendo oportunidades para muchas aplicaciones disruptivas, en particular los sistemas de procesamiento del lenguaje natural (PLN).

En otras palabras, el razonamiento en inteligencia artificial es crucial porque es aplicable tanto a las necesidades humanas como a la forma en que los humanos se comunican y comprenden la información.

El razonamiento en inteligencia artificial, junto con el PLN, es la razón por la que los sistemas de inteligencia artificial son cada vez más capaces de responder a las preguntas de los humanos, procesar las opiniones de varios expertos del sector y resumir grandes cantidades de información, como noticias complejas.

¿Cómo combate el fraude el razonamiento en inteligencia artificial?

El razonamiento en inteligencia artificial combate el fraude realizando básicamente una labor detectivesca. Solo un analista de fraudes tiene que utilizar el razonamiento y la deducción para detectar a los estafadores y detenerlos, y un sistema de razonamiento automático debe hacer inferencias basadas en sus datos de entrada.

Esta información varía en función del enfoque de la lucha contra el fraude que se encomiende al sistema de razonamiento automático. Sin embargo, he aquí algunas de las principales aplicaciones y datos de entrada relacionados con la lucha contra el fraude basada en el razonamiento en inteligencia artificial.

• Análisis de transacciones: Los sistemas de razonamiento en inteligencia artificial pueden emplearse para llevar a cabo análisis de transacciones con el fin de detectar tanto patrones como anomalías en el registro de los ingresos y egresos de una organización o individuo. Mediante el análisis de datos financieros y otra información, un sistema de razonamiento automático puede detectar el fraude basándose en si la actividad transaccional de alguien es coherente con patrones previamente observados en transacciones legítimas.

• Análisis del comportamiento: Hay ciertas acciones que los internautas son mucho más propensos a realizar cuando no tienen nada que ocultar. Por ejemplo, los compradores legítimos no suelen copiar y pegar los datos de la tarjeta de crédito, a diferencia de los estafadores. Copiar y pegar los datos de la tarjeta puede ser solo un pequeño motivo de sospecha. Sin embargo, el razonamiento en inteligencia artificial puede llevar a cabo análisis de comportamiento para determinar también otros factores que podrían ayudar a identificar el fraude: tiempo de permanencia en una página web, vacilación, pulsaciones de teclas, etcétera. Es importante destacar que el razonamiento automático los identificará y señalará cualquier desviación, en lugar de recibir una lista específica y limitada de acciones o indicadores de alerta.

• Análisis lingüístico: Podría decirse que los estafadores tienden a utilizar ciertos patrones lingüísticos y de elección de palabras que son menos probables que sean escritos por personas inocentes. Por tanto, un sistema de razonamiento en inteligencia artificial puede recibir, por ejemplo, un correo electrónico potencialmente sospechoso de suplantación de identidad y sacar sus conclusiones sobre si el autor es sospechoso, e incluso explicar las razones de su veredicto, si se trata de un sistema clearbox.

¿Cuál es la diferencia entre machine learning y razonamiento en inteligencia artificial?

Aunque ambos forman parte de la inteligencia artificial, el machine learning es más formulista y objetivo, mientras que el razonamiento en inteligencia artificial es más abierto e intuitivo.

Machine learning	Razonamiento en inteligencia artificial
Basado en datos	Basado en la lógica
Predecible	Abierto
Basado en modelos estadísticos	Basado en representaciones del conocimiento
Objetivo	Subjetivo
Cuantitativo	Cualitativo

Por ejemplo, un sistema de machine learning es más aplicable para llegar a conclusiones basadas en información objetiva como las propiedades intrínsecas del texto (como la sintaxis) y las imágenes (como los colores y el número de elementos de las imágenes).

Por su parte, los sistemas de razonamiento en inteligencia artificial pueden llegar a conclusiones basadas en información más subjetiva y cualitativa, como el significado real o los temas que subyacen al texto y las imágenes (como el contexto y la interpretación artística, respectivamente).

Es importante recordar que tanto el machine learning como el razonamiento en inteligencia artificial son cruciales para la toma de decisiones y el modelado de predicciones -especialmente en el contexto de la lucha contra el fraude- y no son para nada mutuamente excluyentes.

De hecho, no solo sus diferencias no son siempre claras, sino que ambos sistemas pueden incluso utilizarse conjuntamente: Un sistema de razonamiento en inteligencia artificial podría, por ejemplo, recibir una lista de transacciones e identificar lo que considera compras sospechosas. A continuación, podría recurrir a un sistema de machine learning para que elabore modelos estadísticos que ayuden a determinar el índice de posibles fraudes.