Imagina que estás escribiendo una estrategia de movimiento para un programa de gomoku. Las reglas ya están claras y el tablero se muestra correctamente; a partir de aquí, parece que solo queda hacer que elija la mejor jugada. Pero en cuanto empieza la simulación, cada respuesta del rival abre más variantes. La partida aún no ha comenzado y el tiempo de cálculo ya no alcanza.
Este pequeño dilema pone sobre la mesa un problema importante de la inteligencia artificial: cuando la información, el tiempo y los recursos de cómputo tienen límites, ¿cómo toma un sistema decisiones fundamentadas? Para quienes ya están acostumbrados a usar herramientas de IA, abordar un problema así es también una oportunidad de acercarse al interior de la tecnología.
El curso COMP5511 «Artificial Intelligence Concepts» (Conceptos de Inteligencia Artificial) de la Universidad Politécnica de Hong Kong gira en torno a la búsqueda, la representación del conocimiento, el razonamiento y el aprendizaje automático. En los materiales actuales del curso en EvoClass, la ruta de aprendizaje se extiende además hacia los Transformer, los grandes modelos de lenguaje y los agentes. Partiendo del tablero, en el camino aparecen distintas tareas y se revisa una y otra vez eso de «tomar una decisión».
Antes de la primera jugada, aprender a elegir
Si todas las posibilidades merecieran ser calculadas, el programa caería pronto en un espacio de búsqueda enorme. Para jugar dentro de un tiempo limitado, hay que decidir qué situaciones considerar con prioridad, con qué criterio evaluarlas y hasta qué punto se puede detener la búsqueda.
Un problema que parecía ser solo de «velocidad insuficiente» se convierte así en una elección de método.
En Estrategias de búsqueda: búsqueda no informada y búsqueda heurística, los estudiantes pueden comparar distintas formas de exploración; en Búsqueda adversarial y satisfacción de restricciones, además, deben incorporar las elecciones del rival en su propio juicio. Mirar más jugadas por delante, cómo evaluar una posición y cómo reducir cálculos innecesarios adquieren un significado concreto.
El experimento de gomoku del curso ofrece una ventana de observación. Se puede modificar una estrategia, ejecutar el programa y comparar las jugadas y el tiempo empleado. Una jugada que parece favorable a primera vista puede dejar fisuras para más adelante; buscar más a fondo también exige pagar un mayor costo de cálculo.
Cuando el código se ejecuta de verdad, los compromisos que se esconden tras el nombre de un algoritmo se vuelven visibles. El aprendizaje también gana un punto de apoyo claro: explicar esta elección y encontrar formas de poner a prueba la explicación.
Cambiamos a una imagen manuscrita y el problema se transforma
Las reglas de movimiento del gomoku pueden escribirse con claridad, pero la apariencia de un dígito manuscrito es difícil de especificar uno por uno. El mismo «3» lo escribe alguien redondeado, alguien achatado, y hay quien traza los trazos casi unidos.
Seguir añadiendo reglas puede resolver unos cuantos ejemplos presentes, pero aparecerán nuevas formas de escribir. La tarea toma entonces otra dirección: proporcionar datos al modelo para que aprenda patrones útiles para el reconocimiento.
Pero haber aprendido de un lote de ejemplos no equivale a poder enfrentar todas las situaciones nuevas.
Los materiales de laboratorio de COMP5511 en EvoClass incluyen la clasificación de dígitos manuscritos, mientras que las clases avanzan desde el aprendizaje automático tradicional hacia las redes neuronales y la visión por computador. Para quien aprende, un pequeño ejercicio que vale la pena es conservar varias clasificaciones erróneas, observar qué confundió el modelo con qué y volver a los datos y a los métodos para buscar la causa.
Siguiendo esta ruta se llega a Modelado de secuencias y Transformer, donde la atención se desplaza hacia las secuencias y el contexto. Después, al estudiar los grandes modelos de lenguaje, detrás de la conocida interfaz de chat aparecen pistas técnicas que invitan a seguir indagando.
A continuación, el curso lleva el problema más allá de la pantalla: si la respuesta requiere una operación real para completarse, ¿cómo debe continuar el sistema?
Después de la respuesta, aún queda una acción
Buscar una referencia, ejecutar un fragmento de código o seguir trabajando con la información devuelta exige que el sistema se relacione con herramientas externas. Tras generar un plan, todavía hay que enviar solicitudes, leer los resultados y juzgar si el siguiente paso sigue siendo razonable.
La práctica de agentes e invocación de herramientas del Lab 11 sitúa al estudiante en esta etapa: conectar un modelo de lenguaje con herramientas externas y observar cómo el pensamiento, la acción y la retroalimentación componen un proceso continuo.
En este punto conviene fijar la atención en un paso que suele pasarse por alto: cómo usa realmente el sistema el resultado una vez que la herramienta ya lo ha devuelto. El contenido devuelto puede estar incompleto y la operación puede fallar; reintentar, cambiar de método o detenerse requiere un fundamento correspondiente.
El problema del tablero del inicio reaparece de otra forma. Una elección cambia la situación presente, y el siguiente juicio debe tener en cuenta ese cambio.
Los programas de búsqueda y los modelos de lenguaje tienen mecanismos distintos. Colocarlos en una misma ruta de aprendizaje permite practicar una forma de observación que atraviesa todo el proceso: primero aclarar la tarea, después ver cómo actúa el sistema y, por último, comprobar con los resultados el juicio inicial.
Convertir un experimento en un juicio propio
Cuando un sistema empieza a influir en tareas reales, el éxito de la ejecución debe considerarse junto con la fiabilidad, los sesgos y los límites de uso. Ética, seguridad y alineación de la IA incorpora estas cuestiones al curso, de modo que la implementación técnica y la responsabilidad humana formen parte de la misma imagen.
Al estudiar este curso, uno puede asignarse una tarea muy pequeña: antes de ejecutar un experimento, escribir lo que espera; después de ver los resultados, anotar un punto en el que difieran de lo previsto; y luego volver a la unidad de clase correspondiente e intentar explicar la diferencia.
Esa diferencia puede ser una jugada inesperada, una imagen mal reconocida o un comentario de herramienta que el agente pasó por alto. Ofrece una dirección para el siguiente aprendizaje y pone en contacto los conceptos de los capítulos con la propia observación.
En la página del curso COMP5511 en EvoClass se puede construir un hilo de conocimiento a lo largo de las unidades de clase, pasar después a los laboratorios y traer de vuelta las preguntas; también se puede elegir primero un tema de interés y comprobar la comprensión con ejercicios simulados.
De vuelta a aquella partida, el programa sigue necesitando elegir la siguiente jugada en un tiempo limitado. Ahora ya tienes más maneras de examinarlo: ver cómo se despliega la búsqueda, ver cuál es el criterio de evaluación y ver si los resultados respaldan el diseño original.
Entender la IA puede empezar con una pieza como esta.
La información básica del curso se basa en la descripción oficial del curso de PolyU; la presentación de los capítulos y laboratorios concretos se apoya en el contenido actual del curso en EvoClass. Los enlaces a las clases del texto dirigen a materiales de estudio en inglés.