¿Es el machine learning un paradigma o una ciencia evolucionaria de la IA simbólica?

La IA simbólica comprende modelos computacionales basados en un conjunto de reglas establecidas por profesionales especializados en el área donde se implementará el sistema. Estos sistemas basados en conocimiento experto se desarrollaron desde los años 50 y utilizan reglas formales y explícitas, estructuradas como proposiciones "si-entonces" que resultan relativamente sencillas de comprender, lo que genera confianza entre los usuarios al permitirles entender su funcionamiento. Estos modelos fueron desarrollados en varios ámbitos llegando a apoyarse de protocolos establecidos pero debido a problemas, principalmente de costo se reemplazaron por el machine learning aunque empiezan a aparecer crisis relacionadas con la confianza en estos sistemas.

En el ámbito médico se desarrollaron sistemas de IA simbólica como MYCIN, diseñado para diagnosticar infecciones sanguíneas y recomendar tratamientos antibióticos apropiados. La confianza en estos sistemas deriva tanto del respaldo de profesionales sanitarios involucrados en su desarrollo como de su alineación con protocolos médicos establecidos, facilitando así su adopción en entornos clínicos.

Entre las crisis que ha enfrentado la IA simbólica están: actualizaciones costosas por lo que pueden quedar obsoletos cuando surge nueva información, pues cada actualización requiere una considerable inversión económica y de recursos humanos especializados. Por otro lado, enfrentan serios problemas de escalabilidad debido al número limitado de reglas que pueden ser efectivamente codificadas y mantenidas. Adicionalmente, su manejo de la incertidumbre es deficiente; al operar con lógica binaria, tienen dificultades para procesar información ambigua o casos específicos con excepciones, lo que limita su aplicabilidad en escenarios complejos del mundo real.

Estas crisis enfrentadas por el paradigma de la IA simbólica propiciaron el surgimiento y posterior predominio del machine learning. La principal diferencia entre estos modelos es que, el machine learning no incorpora reglas explícitas, sino que aprende patrones a partir de datos para generar respuestas.

No obstante, aunque el machine learning está establecido, surgen preocupaciones respecto a su implementación, particularmente en lo referente a la falta de explicabilidad y transparencia de sus decisiones. En este contexto, la incorporación de elementos propios de la IA simbólica, como la representación explícita del conocimiento, podría constituir parte de la solución para incrementar la confianza en estos sistemas, dando lugar a enfoques híbridos que combinen las fortalezas de ambos haciendo que el machine learning se complemente con partes del paradigma de la IA simbólica,