MADRID, 19 gen. (EUROPA PRESS) -
Un equip de la Universitat de Northwestern ha desenvolupat un nou model computacional que funciona a nivells humans en una prova d'intel·ligència estàndard.
Aquest treball és un pas important cap a la creació de sistemes d'intel·ligència artificial que vegin i comprenguin el món com ho fan els humans.
"El model es mou en el percentil 75 per als adults nord-americans, ho fa millor que la mitjana", ha dit Ken Forbus de Northwestern Engineering. "Els problemes que són difícils per a les persones també són difícils per al model, proporcionant proves addicionals que la seva operació està captant algunes propietats importants de la cognició humana".
El nou model computacional es basa en CogSketch, una plataforma d'intel·ligència artificial prèviament desenvolupada en el laboratori de Forbus. La plataforma té la capacitat de resoldre problemes visuals i entendre els esbossos amb la finalitat de donar retroalimentació immediata i interactiva. CogSketch també incorpora un model computacional d'analogia, basat en la teoria de mapejat estructural de Dedre Gentner, del Northwestern Psychology.
Forbus, Professor d'Enginyeria Elèctrica i Ciències de la Computació a l'Escola d'Enginyeria McCormick de Northwestern, va desenvolupar el model amb Andrew Lovett, un ex investigador postdoctoral de Northwestern en psicologia. La seva investigació ha estat publicada en la revista Psychological Review.
La capacitat de resoldre problemes visuals complexos és una de les característiques de la intel·ligència humana. El desenvolupament de sistemes d'intel·ligència artificial que tenen aquesta capacitat no només proporciona noves proves de la importància de les representacions simbòliques i l'analogia en el raonament visual, sinó que podria reduir potencialment la bretxa entre l'ordinador i la cognició humana.
Tot i que el sistema de Forbus i Lovett pot usar-se per modelar fenòmens visuals generals de resolució de problemes, el van provar específicament en les Matrius Progressives de Raven, una prova no verbal normalitzada que mesura el raonament abstracte. Tots els problemes de la prova consisteixen en una matriu amb una imatge que falta. L'examinador té de sis a vuit opcions amb les quals pot completar la matriu. El model computacional de Forbus i Lovett va obtenir millors resultats que la mitjana nord-americana.
"La prova de Raven és el millor predictor existent del que els psicòlegs anomenen 'intel·ligència fluida', o l'habilitat general de pensar abstractament, raonar, identificar patrons, resoldre problemes i discernir relacions", ha dit Lovett, ara investigador al US Naval Research Laboratory. "Els nostres resultats suggereixen que la capacitat d'utilitzar amb flexibilitat les representacions relacionals, comparant-les i reinterpretant-les, és important per a la intel·ligència fluida".
La capacitat d'utilitzar i comprendre les representacions relacionals sofisticades és una clau per a la cognició d'ordre superior. Les representacions relacionals connecten entitats i idees com ara "el rellotge està per sobre de la porta" o "les diferències de pressió fan que l'aigua flueixi". Aquests tipus de comparacions són crucials per fer i entendre analogies, que els éssers humans usen per resoldre problemes, per sospesar dilemes morals i per descriure el món que els envolta.
"La majoria de les investigacions d'intel·ligència artificial avui relacionades amb la visió se centren en el reconeixement, o etiquetar el que està en una escena en lloc de raonar sobre això", ha dit Forbus. "Però el reconeixement només és útil si dóna suport al raonament subseqüent. La nostra investigació proporciona un pas important cap a la comprensió del raonament visual de manera més àmplia".
