Dr. Juan Gonzalo Barajas Ramírez
Investigador de la División de Control y Sistemas Dinámicos
Desde la antigüedad la humanidad ha concebido la crítica importancia de acumular conocimiento sistemático que permita automatizar procesos que liberen al hombre de las tareas más pesadas y peligrosas. Por otra parte, la síntesis de estos saberes resulta en la construcción de máquinas que resuelvan esas tareas. En nuestra historia estas herramientas han tenido diferentes formas, desde instrumentos rudimentarios de piedra, arcos y flechas, a mecanismos de engranajes que realizan una lista de acciones predeterminadas. Nuestro desarrollo tecnológico se basa en pasar del conocimiento especializado a máquinas útiles para la sociedad. Desde mediados del siglo pasado nuestro empuje por conocimiento y desarrollo tecnológico llevó al surgimiento de la cibernética. Es decir, la interacción entre hombres y máquinas donde la comunicación es una parte crucial del diseño de las reglas mediante las cuales la interacción entre ellos es posible.
El binomio conceptual de información y control genera la necesidad de información suficiente y de calidad para establecer el estado de un sistema, el cual debe combinarse con las consideraciones y reglas adecuadas para que se tome la decisión correcta para alcanzar un objetivo deseado o evitar un riesgo potencial. La interacción entre humanos y máquinas ha avanzado al punto en que podemos construir máquinas que tomando como base la información que les proporcionamos son capaces de tomar decisiones de forma automática mostrando un raciocinio descrito por reglas que los humanos les programamos.
El concepto de Inteligencia Artificial se refiere a máquinas capaces de ejecutar tareas que normalmente requieren inteligencia humana, tales como reconocimiento de patrones, aplicación de algoritmos para resolver problemas en un marco bien establecido, e inclusive extrapolar implicaciones derivadas de resultados previos. Así construimos dispositivos que llamamos inteligentes, como teléfonos, relojes o edificios inteligentes. Sin embargo, estos dispositivos no satisfacen el persistente sueño de emular la inteligencia humana. Ya desde 1950, Alan Turing sugirió que si una máquina puede tener una conversación con un humano y él no puede distinguir si está platicando con un humano o una máquina el dispositivo demostró tener inteligencia comparable con la humana. Ese tipo de inteligencia aún no es posible construir, ni siquiera con los sistemas computacionales modernos.
Para construir máquinas inteligentes comenzamos con modelos muy simplificados del funcionamiento del cerebro biológico que construimos en circuitos electrónicos y analizamos con herramientas matemáticas. En este contexto neuronas, sinapsis y potenciales de activación se representan como acumuladores, pesos de comunicación y funciones de activación que se interconectan para generar el modelo de red neuronal artificial. Más aún, estos circuitos digitales se unen a algoritmos que les permiten aproximar la descripción del patrón que relaciona entradas con salidas a partir de la información alimentada a la red neuronal artificial mientras se “entrena y aprende”. Los algoritmos de aprendizaje han tenido diferentes nombres: minería de datos, haciendo alusión a buscar “oro” en una montaña de información; aprendizaje profundo, ya que no se pueden ver las relaciones entre entrada y salida con una revisión superficial; pero en general solo son llamados “aprendizaje de máquina”.
Actualmente estos algoritmos de aprendizaje se pueden clasificar en tres tipos dependiendo del tipo de información con la que se entrena la red neuronal: supervisado, cuando explícitamente declaran los pares entrada-salida válidos; no supervisado, cuando solo se sabe quienes son entradas y quienes salidas pero no se sabe claramente cual salida le corresponde a una entrada específica; y reforzado, cuando el entrenamiento se complementa con una retroalimentación de las entradas y salidas generadas después de una acción aplicada al sistema que se quiere aproximar con la red neuronal artificial.
La teoría de control y la inteligencia artificial son áreas del conocimiento que están íntimamente ligadas. En el contexto de matemáticas aplicadas la teoría de control es resultado del análisis de las respuestas del sistema dinámico ante entradas que podamos manipular, de modo que el diseño de control corresponde a determinar qué acciones se deben aplicar al sistema bajo estudio para obtener el comportamiento deseado. El concepto de controlabilidad es un puente entre estas dos disciplinas. Un sistema dinámico es controlable si existe la realimentación que permite llevar de un estado inicial a uno final deseado en tiempo finito. Note que nos dice si la solución del problema existe pero no identifica el diseño exacto de la acción de control que requiere para lograr el objetivo de control. Por otro lado, una forma simplificada de escoger cuales son estos controladores es escogiendo las acciones de control en forma escalonada. Es decir, congelando todas las alternativas excepto una, buscar la mejor solución para esa disyuntiva y una vez tomada la decisión, pasar a la siguiente. Por ejemplo, para ir de su casa al trabajo el camino no lo escoge todo a la vez, primero sale a la puerta y toma la decisión de izquierda o derecha, según le convenga; el resto de las decisiones siguen de ahí de forma escalonada o por ensamble. Un resultado significativo es que en promedio la mejor decisión en cada paso es casi igual a la mejor decisión global.
El problema de aprendizaje supervisado puede ser descrito como aproximar una función que asigne la etiqueta correcta a cada par entrada-salida de los datos de entrenamiento asignando los pesos de comunicación adecuados. La posibilidad de hacer esto requiere de la existencia de un resultado similar a la controlabilidad. Afortunadamente, se tiene el teorema de aproximación universal de las redes neuronales artificiales. Este importante resultado demuestra que una combinación finita de pesos y funciones de activación son capaces de aproximar un conjunto denso de funciones. Sin embargo, al igual que en el caso de control, el saber que la solución existe no nos dice cómo encontrarla. En años recientes diferentes áreas de las matemáticas incluyendo teoría de control han propuesto soluciones para el aprendizaje a partir de un conjunto arbitrariamente grande de datos. Por ejemplo se pueden utilizar funciones de activación tipo escalón, donde el peso se asigna en 0 (x menor que 0) para congelar y en 1 (x mayor que 0) para usar un conjunto de etiquetas. De esta manera se resuelven en forma simultánea por ensamble los pesos adecuados para clasificar adecuadamente los datos de entrenamiento.
De forma complementaria, la Inteligencia Artificial tiene aplicaciones muy importantes en la solución de problemas de control automático. En general, los sistemas de control automático consisten en un lazo cerrado de retroalimentación donde el sistema bajo estudio debe de alcanzar una referencia deseada mediante el diseño de una entrada adecuadamente construida. Esto nos permite categorizar los controladores en dos tipos básicos: Estáticos y dinámicos. En los primeros, solo se retroalimenta el error con una ganancia diseñada para volver al sistema en lazo cerrado al menos localmente asintóticamente estable. Al contrario, al considerar controladores activos el error es procesado mediante sistemas dinámicos adicionales que nos permiten imponer el comportamiento deseado resolviendo situaciones más complejas como la presencia de incertidumbres, la falta de acceso a todos los estados del sistema e inclusive mecanismos adaptables para ajustar automáticamente la acción de control a la respuesta del sistema.
Del grupo de posibles controladores, los controladores inteligentes son una subclase de mucha importancia que permite abordar problemas de incertidumbres y efectos indeseables no modelados. En el diseño de control impulsado por datos, también llamado control mediante inteligencia artificial, los algoritmos de aprendizaje de máquina se utilizan para complementar las soluciones a problemas de control automático mediante el acceso a datos experimentales que permiten identificar parámetros desconocidos del sistema e incluso ajustar las acciones de control para atenuar efectos no deseados de las acciones de control sobre modelos convencionales haciendo correcciones en línea al desempeño del controlador.
El uso de Inteligencia Artificial aplicado al problema de control se conoce como aprendizaje reforzado. Extensiones de este tipo de aplicaciones podrían incluir situaciones donde el sistema de control puede aprender en forma autónoma nuevas tareas durante la interacción con su entorno. Aunque el desempeño del control depende de la distribución y precisión de los datos experimentales a los que se tiene acceso, el método recurrente que se utilice para el aprendizaje el uso de estrategias de inteligencia artificial seguramente serán ventajosas en las aplicaciones tanto como en la teoría del control automático.
En IPICYT estamos trabajando en estas aplicaciones de Inteligencia Artificial para resolver problemas de navegación de sistemas de multiagentes móviles e identificación de parámetros en sistemas de control no lineales.
¿Quieres saber más de estos temas?
Contacta al Dr. Juan Gonzalo Barajas en el siguiente correo electrónico: jgbarajas@ipicyt.edu.mx
¿Quieres conocer más del IPICYT? Contáctanos:
comunicacion@ipicyt.edu.mx