Judea Pearl, Premio FBBVA por sentar las bases de la inteligencia artificial moderna

Esta semana se ha anunciado que el Premio Fundación BBVA Fronteras del Conocimiento 2022 en la categoría de Tecnologías de la Información y la Comunicación ha recaído en Judea Pearl, catedrático de Ciencias de la Computación y director del Laboratorio de Sistemas Cognitivos de la Universidad de California en Los Ángeles (UCLA, en EE UU), por "aportar una base moderna a la inteligencia artificial (IA)”.

El jurado ha destacado sus contribuciones matemáticas para que los programas de IA puedan interiorizar dos formas que utilizamos los humanos para entender el mundo y tomar decisiones: la probabilidad y la causalidad. Gracias al lenguaje formal que ha desarrollado el galardonado, estos procesos se pueden integrar en los programas informáticos.

“Al sentar una base matemática para el razonamiento probabilístico y la inferencia de relaciones causales, Pearl construyó un marco para una serie de campos que incluyen las ciencias de la computación, las matemáticas y la estadística, la epidemiología y la salud, y las ciencias sociales”, indica el acta del premio.

Los nominadores también destacan que frente a otras líneas de la IA y la estadística, como el deep learning o las redes neuronales, la contribución del catedrático de la UCLA aporta una transparencia que es imprescindible en áreas de aplicación, como la toma de decisiones en medicina o en cuestiones legales y económicas.

Es la primera vez que podemos entender lo que significa comprensión, la primera vez que tenemos un modelo computacional de la comprensión profunda

En una entrevista realizada tras conocerse el fallo, Pearl ha resumido en una frase la que considera su aportación fundamental a la inteligencia artificial moderna: “Es la primera vez que podemos entender lo que significa comprensión, la primera vez que tenemos un modelo computacional de la comprensión profunda”.

Y ‘comprender’, para Pearl, significa “ser capaz de responder preguntas en tres niveles importantes: la predicción [qué ocurrirá en tal o cual circunstancia], el efecto de las acciones y su explicación: por qué las cosas ocurrieron como lo hicieron y qué habría pasado si hubieran ocurrido de otra manera. Estos tres niveles son los que el lenguaje computacional capta ahora y eso es lo que entendemos por comprensión”.

Razonamiento humano en máquinas

El catedrático explica cómo ha replicado su comprensión del razonamiento probabilístico del cerebro humano en un sistema informático: “La incertidumbre es la materia prima que prevalece en la toma de decisiones cotidianas –explica–, incluso al cruzar la calle, tomar una aspirina o hablar con amigos; y nos cuesta bastante hacer que un ordenador pueda lidiar con el aluvión de ruido e información incierta que tiene sobre el mundo. Mi trabajo ha desarrollado un cálculo para el razonamiento probabilístico que permite al ordenador manejar toda la información que le llega, integrarla y asignar probabilidades a tal o cual conclusión”.

En los años ochenta, Pearl desarrolló el lenguaje matemático necesario para integrar la IA clásica con la teoría de la probabilidad. Su libro Probabilistic Reasoning in Intelligent Systems, publicado en 1988, sigue siendo la referencia en el área. En esta obra presentó sus modelos gráficos, las llamadas redes bayesianas, desde entonces convertidas en un elemento básico del aprendizaje automático y la estadística moderna.

“Una red bayesiana es una representación de sucesos y la probabilidad de que ocurran −explica el acta del jurado−. Estos grafos permitieron articular visualmente y con sencillez redes de sucesos muy complejas y sus relaciones probabilísticas. Hoy son herramientas precisas y muy utilizadas para la toma de decisiones en condiciones de incertidumbre”.

De hecho, en diversos centros sanitarios se han aplicado las redes bayesianas a decisiones como qué paciente debía ser intubado o predecir la evolución: si se iba a requerir ingreso en UCI, o el tiempo de ingreso.

Causalidad aplicada en medicina

Respecto a la importancia de saber inferir relaciones de causalidad entre dos fenómenos, es un reto también para los humanos, según Pearl: “Las relaciones causales han sido un obstáculo muy difícil de manejar tanto para las personas como para las máquinas; no tenemos el lenguaje formal para captar la idea de que el canto del gallo no causa la salida del sol aunque se produzca siempre antes de la salida del sol, y permita predecirla”.

En su libro Causality, publicado en 2002, se centró en el cálculo causal, que proporciona un marco formal para inferir este tipo de relaciones causales a partir de datos. Lograr que las máquinas detecten relaciones de causalidad abre la puerta a múltiples aplicaciones.

“Ahora tenemos un lenguaje que permite emplear nuestros conocimientos sobre el mundo para inferir de forma coherente”, asegura Pearl, “como hacemos en el álgebra: inferimos la conclusión y se demuestra que esta conclusión es correcta si las suposiciones lo son. Las aplicaciones van desde la medicina personalizada hasta el manejo de una pandemia como la del covid, integrando información de numerosos países y llegando a conclusiones coherentes a partir de la evidencia disponible”.