En el artículo anterior, se describió primero cómo ha evolucionado AI durante su corta vida, así como explicar brevemente el contexto de fondo con lo que se ha logrado hasta el comienzo del milenio, y se continúa en esta segunda parte.
Todo lo que se mencionó anteriormente allanó el camino para una tercera fase de investigación AI centrándose en IKBS que, a diferencia del enfoque de conocimiento universal de GPS, se basó en conocimientos específicos basados en el dominio para resolver problemas de IA. Con IKBS, un problema, como el diagnóstico médico de una enfermedad infecciosa, podría resolverse mediante la incorporación en el IKBS el conocimiento del dominio para ese problema. Tal conocimiento podría adquirirse de expertos humanos en este dominio o por otros medios. Este conocimiento a menudo se escribía en forma de reglas. La Fig. 2 muestra una regla típica tomada del sistema médico experto llamado MYCIN. La colección de reglas y hechos que componen este conocimiento se llamó una base de conocimiento. Un motor de inferencia de software utilizaría ese conocimiento para sacar conclusiones. IKBS hizo un gran impacto en el momento y muchos de estos sistemas como R1, MYCIN, Prospector, y muchos más, fueron, y todavía están en algunos casos, siendo utilizados comercialmente (Darlington 2000).
Sin embargo, había algunas deficiencias con IKBS: éstas eran su incapacidad de aprender y, en algunos casos, la estrechez percibida de su foco. La capacidad de aprender es importante porque IKBS necesita una actualización regular. Hacer esto manualmente requiere mucho tiempo. Las técnicas de aprendizaje de la máquina AI han madurado ahora para permitir que los sistemas aprendan sin ayuda con poca o ninguna intervención humana. Los sistemas de IKBS tenían un enfoque estrecho porque, no tenían el conocimiento del «sentido común» poseído por un experto humano a extraer sobre. Esto significaba que muchos de estos sistemas eran muy competentes para resolver problemas dentro de los estrechos confines de su conocimiento de dominio, pero se estrellaron cuando se enfrentaban a un problema inusual que les requería usar el conocimiento de sentido común. Los expertos de AI se dieron cuenta de que los sistemas expertos carecían de sentido común que los humanos adquirimos desde el día en que nacimos. Este fue un severo impedimento para el éxito de la IA porque eran vistos como frágiles.
Por esta razón, se han desarrollado varios proyectos con miras a resolver este problema. La primera fue CYC (Lenat & Guha 1991). Este fue un proyecto de AI muy ambicioso que intentó representar explícitamente el conocimiento de sentido común mediante el montaje de una ontología de conceptos familiares de sentido común. El propósito de CYC era permitir que las aplicaciones de IA realizaran razonamientos humanos de sentido común. Sin embargo, hubo deficiencias identificadas con el proyecto de CYC – no menos en el tratamiento de las ambigüedades del lenguaje humano. Otros enfoques más recientes se han basado en el enfoque de «grandes datos», a veces utilizando un modelo de código abierto para la captura de datos en la Web. Por ejemplo, ConceptNet captura conocimiento de sentido común que contiene muchas cosas que las computadoras deben saber sobre el mundo al permitir a los usuarios aportar conocimientos de una forma adecuada.
SRI Shakey, el primer robot móvil que puede tomar decisiones sobre cómo moverse en su entorno / Fuente:SRI International
Durante las últimas décadas, el aprendizaje automático se ha convertido en un tema de investigación muy importante en AI. Se implementa principalmente utilizando técnicas como redes neuronales y algoritmos genéticos. Esto representa la cuarta fase de la investigación de AI. En próximos artículos se describirá su impacto