Capitulo 1
INTRODUCCION
El proceso natural de creacién de la inteligencia que el ser humano posee
pasa indefectiblemente por la utilizacién masiva de la capacidad de aprender.
No se puede entender la compleja evolucién de la inteligencia, desde que se
nace (incluso antes, desde el punto de vista biolégico), sin que intervenga
como fuerza motriz y fuente continua de mejora el aprendizaje. Asi, el pre-
mio nébel Herbert Simon expuso en el clésico “Computers and Thought”
que (Newell and Simon, 1963]:
Hay méquinas que pueden pensar, aprender y crear. Es mds, su
capacidad de realizar estas labores est4 aumentando répidamen-
te hasta que —en un futuro previsible— el rango de problemas
que podrdn resolver seré parejo al que se ha aplicado la mente
humana.
Es por ello que si se desea alcanzar la meta de construir sistemas compu-
tacionales (artificiales) que demuestren un comportamiento “inteligente” (o
simulacién de un comportamiento inteligente), esto sdlo se pueda conseguir,
entre otras tareas, a partir de un esfuerzo por dotar a tales sistemas de
la capacidad de aprender. De esta apreciacién surgi, dentro del campo de
la Inteligencia Artificial, la disciplina cientifica del Aprendizaje Automético
(AA).6 Intropuccion
El objetivo del Aprendizaje Automdtico, al que también se denominaré sim-
plemente aprendizaje, consiste en dotar a los computadores de la capacidad de
adquirir conocimientos! autométicamente para poder resolver nuevos proble-
mas 0 mejorar su comportamiento a partir de la experiencia. Los autores de
este libro defienden la idea de que précticamente todas las actividades compu-
tacionales del futuro requerirén alguna componente de adaptacién/aprendi-
zaje al/del contexto. Este libro pretende ser una guia de las técnicas més
significativas generadas hasta este momento, de forma que se pueda pensar
en las siguientes generaciones de sistemas de aprendizaje por parte de las
méquinas.
Como se discutiré mas adelante, el término aprendizaje abarca una gran
variedad de tareas y métodos que tienen como principales objetivos construir
programas de computadores que sean capaces, entre otras cosas, de adaptarse
a las necesidades del entorno (usuarios / otros programas / otras fuentes),
mejorar en la realizacién de las tareas, descubrir nuevos hechos o teorias, 0
adquirir nuevo conocimiento.
Esta introduccién expone en su primera seccién algunas de las motivacio-
nes que pueden ilevar a conocer y utilizar m4s en profundidad las técnicas
de AA. La siguiente seccién describe una breve historia del campo. Después
de describir los orfgenes del AA y del aprendizaje natural, en la siguiente
seccién se formula el AA como una nueva forma de programar, que permite
evolucionar la concepcién tradicional de la programacién. A continuacidn, se
presenta un enfoque unificado de resolucién de problemas, incluyendo el pro-
pio proceso de aprendizaje, de forma que todos los sistemas de AA se pueden
caracterizar bajo la misma formalizacién: el espacio de problemas. Para po-
der utilizar correctamente este libro, la seccién 1.3 describe los objetivos del
mismo, mientras que la seccién 1.6 trata de la estructura del mismo, asi como
de la organizacién interna de cada capitulo.
1.1. Motivaciones
En esta seccién se tratarén algunas de las motivaciones por las que se
considera titil el estudio y utilizacién de las técnicas basadas en el campo del
1 Entendiendo por conocimiento un término descriptivo que le permite a un observador
externo valorar lo que el programa esté haciendo. Como se veré a lo largo de este libro,
muchas veces lo que se aprende no adopta formas que puedan asociarse ficilmente a lo
que entendemos por “conocimiento”.1.1 Mottvactones 7
aprendizaje automético. Se han dividido en razones técnicas (construccin de
software de manera automatica), comerciales (personalizacién de servicios y
productos para el ciudadano), y cientfficas (estudio del aprendizaje humano
y andlisis automdtico de grandes cantidades de datos cientificos).
Motivaciones técnicas
Este tipo de motivaciones son de interés fundamentalmente para los de-
sarrolladores de software. Entre estas motivaciones, se pueden citar:
«= Las técnicas de aprendizaje automdético adquieren conocimiento de for-
ma auté-noma a partir de la experiencia, con lo que resultan titiles
para la construccidn semi-automatica de programas cuando se dispone
de experiencia en la resolucién de una determinada tarea.
= Para algunas tareas es dificil determinar cudl es el algoritmo que permi-
tirfa resolverlas. Si se dispone de ejemplos de cémo resolver la tarea, se
puede utilizar un sistema de aprendizaje que genera automaticamente
dichos algoritmos.
« En ocasiones el algoritmo para resolver la tarea es conocido pero su
célculo es impracticable. Los ejemplos disponibles pueden permitir afron-
tar soluciones parciales, a partir de dicho algoritmo, que respondan al
tipo de casos presentados.
Debido a que se pueden ejecutar con nuevas experiencias que propor-
cionen més ejemplos de cémo realizar una tarea correctamente, estas
técnicas permiten corregir sus errores previos en la realizacién de dicha
tarea,
Por la misma razon, se adaptan a los cambios del entorno sin que
sea necesario recodificar el programa, con solo volverlos a ejecutar.
Por tanto, se mejora notablemente la capacidad de mantenimiento del
software.
Motivaciones comerciales
Este tipo de motivaciones tiene que ver con la clara tendencia actual del
mercado de servicios y productos hacia la personalizacién de los mismos al
cliente. Entre otras, se pueden citar:8 InrRoDUCCION
= La oferta de productos personalizados a un bajo coste (coches, ropa, ca-
nales de televisién, contratos telefénicos, etc.) requiere un tratamiento
automatizado de las necesidades y preferencias de cada cliente. La mo-
tivacién es doble: la gran variedad de usuarios y la previsible evolucién
de sus necesidades y preferencias a lo largo del tiempo.
La posibilidad de seguir el comportamiento de miles/millones de usua-
rics en un dmbito concreto permite descubrir tendencias y estereoti-
pos que pueden ser aprovechados para ofrecer mejoras en el servicio.
Una alternativa que ya esta utilizdndose frecuentemente en los servicios
ofrecidos a través de Internet es la de proporcionar recomendaciones y
filtros de informacién que facilitan el propio uso del servicio ofrecido.
En el propio 4mbito del uso de los programas de ordenador, dada la
velocidad con que surgen los nuevos entornos de trabajo, con sus multi-
ples y sucesivas versiones, cabria preguntarse si no serfa mejor intentar
desarrollar programas que se adaptaran a los gustos y necesidades del
usuario, antes que obligarle a éste a adaptarse continuamente a las
exigencias del software.
Posiblemente, la mayorfa de las aplicaciones informaticas del futuro rea-
lizardn algun tipo de mejora/adaptacién automatica. El tipo de técnicas tra-
tadas en este libro permiten realizar dicha adaptacién o personalizacién au-
tomaticamente.
En cualquier caso, parece contradictorio que si realmente existen progra-
mas capaces de adaptarse a las necesidades y preferencias del usuario su uso
siga siendo poco frecuente.
Motivaciones cientificas
Si bien las actividades cientificas suponen un porcentaje muy pequefio de
la actividad de algunos paises, su impacto es fundamental en la sociedad a
medio-largo plazo. Y también hay un conjunto de motivaciones relacionadas
con la ciencia en general que han supuesto un gran avance en algunos campos
cientificos:
= Una de las cualidades més definitorias de la inteligencia es la capacidad
de aprender. Por tanto, jhasta qué punto podemos decir que un pro-
grama es “inteligente” si no es capaz de adaptarse a las condiciones del1.2 CONCEPTO DE APRENDIZAJE 9
entorno o de aprender de sus propios aciertos y errores? Esto esté inti-
mamente relacionado con disciplinas cientificas cercanas a la psicologia
(como la ciencia cognitiva). En concreto, el aprendizaje como ciencia
tiene una doble vertiente:
* ciencia de andlisis: estudia los procesos de aprendizaje del ser
humano.
* ciencia de sintesis: tiene por objeto los métodos que permiten
construir sistemas que sean capaces de aprender.
La evolucién del ser humano como ser inteligente en relacién con su
entorno no se podria entender sin la capacidad a la que se denomina
aprendizaje.
Existen numerosas disciplinas cientificas que parten de una hipdtesis
que explica algunos fenémenos naturales, y luego se realizan experi-
mentos para contrastar la hipétesis. El andlisis de dichos experimentos
no siempre es facil de realizar sin herramientas adecuadas. Las técnicas
de AA permiten realizar andlisis de grandes cantidades de datos para
poder extraer reglas o leyes generales, regularidades, patrones, etc.
En otras disciplinas cientificas se dispone de numerosos datos pero no se
conoce la relacién entre esos datos y los fendmenos que representan. Las
técnicas de andlisis automético de datos provenientes del aprendizaje
automético han permitido avanzar significativamente en dichos campos,
como es el caso de la astronomia o de la gendmica.
1.2. Concepto de Aprendizaje
En esta seccién se va a proporcionar una visién general de lo que sig-
nifica aprendizaje automético y su contexto. Dado que no se conocen, con
la profundidad suficiente, los mecanismos que controlan el aprendizaje hu-
mano, todas las definiciones existentes parecen querer expresar los aspectos
en los que se manifiesta la capacidad de aprender, més que los procesos in-
ternos asociados a dicha capacidad. Es decir, se centran en su funcionalidad
mas que en su estructura. Este desconocimiento hace que, como sefialaba
Simon [Simon, 1983], pueda llegar a ser frustrante transferir el conocimiento10 IntRopuccION
y la experiencia a otra persona, ya que no se conocen los mecanismos in-
ternos por los que se rige la adquisicién del conocimiento, no se sabe dénde
esta dicho conocimiento, ni en qué lenguaje esta codificado.
Algunas definiciones del concepto de aprendizaje que se han dado por
personas relevantes del campo son las siguientes:
= Aprender es construir o modificar representaciones de aquello con lo
que se esté experimentando. [McCarthy, 1968]
El aprendizaje denota cambios en el sistema que permiten que se realice
la misma tarea mds eficiente y eficazmente la prézima vez |Simon, 1983]
Aprender es un fenémeno que abarca muchas facetas como son: la ad-
quisicién de conocimiento declarativo, el desarrollo de habilidades cog-
nitivas a través de la prdctica, la organizacién del conoci-miento ad-
quirido dentro de un entorno genérico, la representacién efectiva, y el
descubrimiento de nuevos hechos y teortas por medio de la observacién
y la experimentacién [Carbonell ef al., 1983]
«= Aprender es hacer cambios titiles en nuestra mente (Minsky, 1985]
Analizando las definiciones anteriores, llama la atencién Jo alejada que
se encuentra la de Minsky, demasiado general para ser util, de la més apli-
cada de McCarthy [McCarthy, 1968], donde el aspecto central es construir
una representacién. Existen otras tantas definiciones que podrian haberse
presentado, pero todas elias coinciden en hacer hincapié en algunos aspectos
fundamentales que conviene precisar.
Una cuestién comin esencial del aprendizaje es la capacidad de me-
jorar. Dicha mejora puede suponer incrementar el conocimiento adquirido,
realizar una tarea mas eficientemente o realizar nuevas tareas. La primera
de las facetas sefialadas, la adquisicién de conocimiento, se entiende como
una actividad de didlogo (restringida a un protocolo concreto) en la que un
“agente” es informado de algin hecho o situacidn, o realiza preguntas que
originan una reestructuracién del conocimiento disponible. La segunda y la
tercera caracteristicas, la realizacién eficiente de tareas y la ampliacién del
conjunto de tareas resueltas, tienen que ver con la interaccién con el medio y
estén intimamente relacionadas con ja naturaleza funcional del conocimiento
humano [Anderson, 1989].1,2 CONCEPTO DE APRENDIZAJE 11
Por otro lado, frente a la ya citada adquisicién del conocimiento, esté la
adguisicién de habilidades, entendida como la mejora gradual del comporta-
miento mediante la repeticién inconsciente, o practicamente inconsciente, de
alguna actividad.
Retomando el enfoque de McCarthy, el aspecto central del aprendizaje
es el proceso de construccién de la representacién de alguna realidad.
Como se veré més adelante, el formalismo de representacién empleado es un
elemento definitivo en las capacidades de inferencia (operativas) de la estrate-
gia de aprendizaje empleada. De hecho, los sistemas de aprendizaje requieren
una eleccién adecuada del lenguaje en el que se describen los ejemplos pre-
sentados y del lenguaje que sirve pera expresar el conocimiento aprendido
(las hipétesis). El problema de la caracterizacién de la representacién més
adecuada para cada tipo de problemas sigue siendo una cuestién de interés
con muchas preguntas sin responder.
Otro elemento implicito en las definiciones anteriores es la capacidad
de memorizar. Este mecanismo es necesario para poder realizar mejor una.
determinada tarea en ocasiones sucesivas. Asi, por ejemplo, el primer pro-
grama real que se podia considerar como una herramienta para que un or-
denador simulara el pensamiento se llamé Légico Teérico (LT) [Newell and
Simon, 1956]. Este programa podfa demostrar los teoremas del Principia Ma-
temdtica, la obra central sobre los fundamentos de la matematicas, escrita
por Bertrand Russell y Alfred North Whitehead (1910, 12 y 13; volimenes
1, 2 y 3 respectivamente). LT realizaba lo que despectivamente se conoce
como “aprendizaje memoristico”, conservando los teoremas demostrados, de
forma que éstos, junto con los axiomas iniciales, se utilizaban ante nuevos
problemas.
Un aspecto relacionado muy interesante es el estudio de los procesos por
los cuales ante nueva. informacién disponible, la memoria se descompone
para almacenar los nuevos elementos disponibles en el contexto en el que
éstos son relevantes (aquél en el que originalmente se reconocieron y explica-
ton) [Schank, 1980] . También ha sido de gran ayuda estudiar Jos mecanismos
alternativos que guian el proceso de recordar. En este sentido, los estudios de
Schank indicaron que durante el proceso de comprensién del lenguaje se busca
constantemente el nivel de anélisis aplicable més alto. Curiosamente, también
es bastante frecuente el traer de le memoria situaciones parecidas a las que se
plantean, no ya por la similitud en aspectos esenciales entre ambas, sino tam-
bién por la correlacién de valores en caracteristicas muy poco significativas
con respecto al objetivo implicado [Ross and Spalding, 1991]. Por ejemplo,12 InTRODUCCION
pensar que el tipo de comida de un restaurante concreto sera de elaboracién
répida, ya que los colores chillones de su decoracién suelen aparecer en dicho
tipo de restaurantes. Hoy en dfa, la actualizacién y recuperacién eficiente del
conocimiento adquirido sigue siendo un aspecto critico en la mayorfa de las
aplicaciones, especialmente aquellas cuya capacidad de razonamiento se basa
en la organizacién y acceso al conocimiento relevante disponible, como es el
caso de! Razonamiento Basado en Casos (Hammond, 1989].
Normalmente, cuando se habla de aprendizaje automatico, inconsciente-
mente se tiende a suponer una situacion ideal en que un agente auténomo
interacciona con su entorno y aprende basdndose en dicha interaccién. Sin
embargo, salvando los primeros intentos fallidos de encontrar un mecanismo
computacional genérico andlogo al de la mente humana con capacidad de
aprender [Minsky and Papert, 1969], los problemas que hasta ahora se han
resuelto tienen més que ver con solucionar problemas muy concretos en entor-
nos reducidos y con unas condiciones de relacién entorno-sistema espectfficas.
En este contexto, y dado que la capacidad de aprender esté supeditada a la
capacidad de relacionarse con el entorno, incluso aquellos sistemas que
se actualizan por mera introspeccién tienen que ser juzgados finalmente por
algtin agente externo. Por tanto, dicho entorno y sus condiciones se destacan
como otros elementos esenciales al aprendizaje. Tradicionalmente se han dis-
tinguido dos situaciones a este respecto. Los algoritmos que mayor éxito y
difusién han tenido desde un principio [Dietterich and Michalski, 1983] son
aquéllos en los que se suponia que las entradas al sistema eran un conjunto de
observaciones previamente clasificadas por alguna fuente externa, denomina-
do aprendizaje supervisado. Posteriormente, técnicas de clasificacion anélogas
a las utilizadas en el aprendizaje supervisado han sido aplicadas para resolver
problemas mds genéricos en los que ya no se disponia de un conjunto de en-
tradas etiquetado, conocido como aprendizaje no supervisado, (p.ej., [Fisher,
1987]). Por otro Jado, también debe distinguirse si dichas observaciones se
han considerado como disponibles simulténeamente o bien secuencialmente,
dado que el segundo caso, aunque es mds comin en situaciones reales, conlle-
va, un mayor riesgo a la hora de establecer hipétesis validas y genéricas sobre
tos datos observados.
Otro aspecto més relacionado con el entorno es la velocidad con que
ocurren los cambios en el entorno. El problema consiste en determinar
si el sistema de aprendizaje es capaz de capturar, en el tiempo disponible, las
regularidades observables en el entorno. En otras palabras, si se es capaz de
aprender mas deprisa de lo que el entorno tarda en cambiar las condiciones1.3 OBJETIVos 13
de partida de dicho aprendizaje. Referido al entorno, otra cuestién de interés
es caracterizar las dreas diferentes en las que se han aplicado estos sistemas
de aprendizaje [Langley, 1992].
Finalmente, en esta introduccién parece conveniente abrir una nueva pers-
pectiva de andlisis de los sistemas de aprendizaje que tiene que ver con su
capacidad de “autoreflexién”; es decir, de valorar lo aprendido, generalmente
a través del cambio en la realizacién de la tarea que se quiere mejorar. Pa-
rece que ninguna de las definiciones anteriormente enunciadas dice nada al
respecto. Sin embargo, es un aspecto esencial para la correcta valoracién de
las capacidades del sistema y para su posterior ampliacién. Parece eviden-
te que “nada mejor que saber los limites de lo aprendido para poder seguir
aprendiendo”.
Considerando todos los aspectos anteriormente mencionados, una defini-
cién que resume las modificaciones que caracterizan los sistemas de aprendi-
zaje es la que en su dia enuncié Carbonell [Carbonell, 1986]:
Un sistema se dice que aprende si puede modificar su compor-
tamiento después de un conjunto de experiencias, de forma que
pueda realizar la tarea con mayor precisién o mds eficientemente,
o realizar tareas mds alld de sus capacidades previas
El elemento clave de esta definicién genérica vuelve a ser la modifica-
cién observable en el comportamiento del sistema. En ciertos casos,
la modificacién del comportamiento estA muy lejos de asemejarse a lo que
comtinmente se entiende por capacidad de aprender (p.ej. en un extremo es-
tarian las grandes bases de datos). Surge pues una distincién entre lo que el
sistema realmente realiza (p.ej. guardar nuevos datos en la base de datos) y
el nivel de andlisis con el que se evaliia el sistema (capacidad de aprender).
1.3. Objetivos
En esta seccién se describirdn los objetivos que se pueden perseguir a la
hora de utilizar una técnica de aprendizaje automatico. Tradicionalmente, se
han definido dos objetivos posibles de una tarea de aprendizaje:
= Adquirir nuevos conceptos: a partir de ejemplos de un concepto se per-
sigue generar una descripcién computacional de ese concepto que pueda
ser utilizada. posteriormente por la computadora o por el humano para14 InTRODUCCION
la realizacién de otras tareas. Por ejemplo, se podria definir la siguien-
te. tarea: partiendo de ejemplos de paginas Web que un usuario ha
visitado, determinar un procedimiento que clasifique en interesantes 0
no-interesantes para ese usuario futuras paginas. Evidentemente, esta
capacided de aprender se puede traducir en una tarea secuencial de
correccién sucesiva de los conceptos aprendidos. De esta forma, nuevas
paginas hardn que el propio concepto vaya evolucionando. En todos
estos casos se entiende que la “correccién” se puede expresar mediante
una escala de aproximaciones sucesivas a la mejor opcién disponible.
Reducir los recursos requeridos: generalmente se traduce en necesitar
menos tiempo, espacio, 0, de forma genérica, coste en la realizacién de
una tarea. Por ejemplo, si se dispone de un sistema de planificacién
de proyectos que permitiera generar automaticamente la secuencia de
actividades a realizar en el proyecto, dependiendo de la tipologfa del
mismo, as{ como la asignacién de recursos al proyecto, y esta operacién
llevara mucho tiempo, se podrian aprender estrategias de planificacién
que llevaran a soluciones més eficientes (uso mds racional de los recur-
sos) en menos tiempo de cémputo.
Como podré comprobarse en distintos algoritmos a lo largo de este texto,
ambos objetivos son intercambiables. Es decir, en algunos casos, aunque se
pretenda conseguir que un sistema sea capaz de mejorar su comportamiento
con el tiempo (segundo tipo de objetivo), esto se puede conseguir adquiriendo
nuevas formas de tomar decisiones (primer tipo de objetivo). También se
observa que el tipo de objetivos tiene poco que ver con la complejidad de la
estrategia aplicada, de forma que puede haber desde técnicas simples hasta
muy complejas que cumplan cualquiera de los dos objetivos sefialados.
1.4. Perspectivas del Aprendizaje automati-
co
En esta seccién se van a tratar diferentes perspectivas del aprendizaje
automéatico, o formas de analizar o entender este tema. La primera, la pers-
pectiva biolégica, se centra en los mecanismos de adaptacién de los seres
vivos. La segunda, la perspectiva computacional, percibe al AA como una.
nueva forma de programacién, La tercera se centra en obtener, a partir del1.4 PBRSPECTIVAS DEL APRENDIZAJE AUTOMATICO. 15
AA, técnicas que buscan descripciones de conceptos en enormes espacios de
biisqueda. La tiltima se centra en el aspecto inferencial; qué tipo de inferencia
se realiza para poder aprender.
Perspectiva biolégica
La evolucién es una caracterfstica intrinseca a todos los seres vivos, de tal
manera que es una de las constantes en las multiples definiciones de lo que
se entiende por un ser vivo. El término evolucién se asocia, en este contexto,
con la capacidad de adaptacidn de un sistema (bioldégico) a los cambios pro-
ducidos en su entorno. Esta capacidad de adaptacién en los seres vivos tiene
dos escalas temporales que dan jugar a dos modelos diferentes de adaptacién.
Por un lado, estan los procesos que ocurren a escala generacional; es decir,
cuando la adaptacién se produce en generaciones sucesivas de individuos. A
esta adaptacién se le da el nombre de evolucién. Los procesos evolutivos son
los que han dado lugar a la enorme complejidad del mundo biolégico. Sin
embargo, la escala temporal de estos procesos les hace ser demasiado lentos
cuando los cambios en el entorno se producen bruscamente. Asf, en el caso
de los seres vivos con capacidades motrices, el resultado de su autonomia
les hace enfrentarse ante situaciones nuevas a. cada instante. El entorno en
el que se encuentran varia a medida que el individuo se desplaza. Por ello,
necesitan mecanismos que les permitan adaptarse a lo largo de su periodo
de vida. Esto es lo que se conoce como aprendizaje. La Tabla 1.1 muestra la
relacién entre evolucién y aprendizaje.
Adaptacién biolégica
Evolucién Aprendizaje
Escala temporal Generaciones sucesivas Vida de un individuo
Fundamentacién. Genética + Seleccién natural Sistema nervioso
Sistema computacional Computacién evolutiva Redes de neuronas
Tabla 1.1: Aprendizaje desde el punto de vista bioldgico.
Ambos, evolucién y aprendizaje, constituyen los mecanismos biolégicos
que permiten a los seres vivos adaptarse y evolucionar. Fl aprendizaje es una
caracteristica de los seres vivos con sistema nervioso, y es el propio sistema
nervioso el que les dota de esta caracteristica. La evolucién no ¢6:16 INTRODUCCION
aprendizaje, a més larga escala, y que es fijado en el material genético. Las
leyes que lo gobiernan son las de la genética y Ia seleccién natural.
Si se entiende a los seres vivos, de manera muy simplificada, como siste-
mas que reaccionan de forma determinista ante determinados estimulos, se
podrfa hacer una relacién entre ellos y los sistemas computacionales. De ma-
nera, que, siguiendo mecanismos similares a los que rigen el campo bioldgico,
puedan ser programados sistemas computacionales capaces de adaptarse de
una forma parecida a como se entiende en el mundo de la biologia. Este es
el enfoque biolégico del AA. Bajo este enfoque, tanto a los mecanismos de
evolucién generacional, como a la adaptacién en el periodo de vida de un
individuo producido por los sisternas nerviosos, se les conoce con el nombre
de aprendizaje, y da lugar a dos grandes ramas, conocidas como aprendizaje
genético (o computacién evolutiva, CE) y aprendizaje neuronal (o Redes de
neuronas artificiales, RNA).
En cuanto al punto de vista de las RNA, tratan de emular los procesos
que tienen que ver con los sentidos, en la idea, ya apuntada, de que a par-
tir de este bajo nivel de procesamiento puedan surgir, espontdéneamente, los
comportamientos computacionales mds complejos, que conforman las carac-
teristicas de los sistemas inteligentes. Estos procesos de percepcidn a nivel
fisico se pueden simplificar definiéndolos como funciones que procesan la in-
formacién de los estimulos recibidos. Asi, los procesos de percepcién, tales
como reconocimiento de sonido, e im4genes, o el control de movimientos a
nivel motriz, se pueden ver como una funcién que recibe unas determinadas
entradas, que son los estimulos (imagenes, sonidos, olores, etc...), y producen
una respuesta consistente en el proceso concreto de percepcién a realizar,
clasificacién, reconocimiento, coordinacién y control. La caracteristica més
importante de este tipo de procesos es su gran plasticidad, es decir la capa-
cidad de modelar los procesos de percepcién en funcién de les necesidades
concretas en cada momento. Esta capacidad de adaptacién es lo que conforma
la tarea de aprendizaje.
A nivel bioldgico, los procesos de percepeién se realizan casi fundamen-
talmente en el sistema nervioso. El componente principal de los sistemas
nerviosos de los seres vivos es el cerebro. As{f pues, la mayor parte de los
procesos que se trata de modelizar se realizan en el cerebro. El estudio del
cerebro es la principal fuente de inspiracién de las RNA. Se puede decir,
pues, que el objetivo de las RNA es el de modelizar los procesos de percep-
cién de los seres vivos a partir del estudio del funcionamiento de los sistemas:
nerviosos centrales de los mismos.1.4 PERSPECTIVAS DEL APRENDIZAIE AUTOMATICO iw
En este punto hay que decir que las RNA son un campo del conocimiento
abordado desde multiples puntos de vista. Principalmente, caben destacar el
: puramente fisiolégico, y el puramente computacional, siendo lo més comin
formas intermedias de abordar las RNA. Desde un punto de vista puramente
sfisiolégico estan aquellos estudios de las RNA que tienen como objetivo la
ayuda a la comprensién del funcionamiento neuronal a nivel biolégico. Des-
de el punto de vista computacional, por el contrario, se trata de construir
‘artefactos que, a partir de caracteristicas similares a las de los seres con sis-
temas nerviosos, sean de utilidad en aplicaciones industriales. Esta ultima
perspectiva es la que se ha adoptado en este libro, siguiendo la linea general
‘del aprendizaje automatico.
Desde este tiltimo punto de vista nos interesa construir sistemas capaces
de, realizar tareas de reconocimiento, clasificacién, control, etc.. en su més
~~ amplio sentido, partiendo de conocimiento explicito que puede llegar a ser
muy pequeiio o nulo, y siendo capaces de adquirir el conocimiento necesario
de forma automética.
Un nuevo paradigma de programacién
Dada la creciente demanda de sistemas computacionales que resuelvan
problemas complejos, adaptandose a las necesidades de los usuarios, o predi-
ciendo el comportamiento del entorno, la Informatica requiere con urgencia
herramientas que permitan afrontar este reto. El AA es uno de los cam-
Pos mejor preparados para proporcionar una solucién eficiente al problema,
en términos de esfuerzo de programacién y mantenimiento. La Informética
tradicional entiende el proceso de construccidn de sistemas computaciona-
les mediante variaciones del cldsico ciclo de anilisis, disefio, codificacién y
mantenimiento, tal y como muestra Ja figura 1.1 de forma muy sucinta.
Existen tareas complejas en las que, pese a que seria posible tedricamente
Seguir ese ciclo, el esfuerzo necesario para poder tener en cuenta todas las
Pposibles variaciones del problema superarfa con creces los recursos presupues-
tados. Ejemplos de esas tareas son aquéllas en Jas que intervienen uno o més
factores, tales como grandes cantidades de datos a analizar para tomar deci-
siones, circunstancias del problema a resolver cambiantes, 0 incertidumbre.
En estos casos, el AA plantea una solucién viable desde el punto de vista
de jos recursos implicados, asf como de !a validez de la solucién. El ciclo
de construccién de los sistemas computacionales utilizando técnicas de AA
también tiene en cuenta la etapa de andlisis por parte del humano. Pero, en