Usualmente, los comandos bajo los que opera un software tienen que ser lo más precisos posibles, para reducir su margen de error a un umbral mínimo.
De la mano de la inteligencia artificial, se podría ampliar el abanico de posibilidades de interacción con una amplia gama de herramientas digitales de uso cotidiano.
Hoy en día, si a un asistente de voz (como el de Google, Siri o Alexa) le solicitamos reproducir música, tiene que ser con una orden específica y puntual. Por ejemplo, una orden en el estilo “quiero escuchar X canción de X artista”, debería funcionar a la perfección; pero si se opta por un enunciado planteado como “quiero escuchar música de rock al azar, pero omitiendo a The Beatles”, probablemente la respuesta que se obtenga no sea la realmente esperada.
Mismo caso ocurre con los buscadores. En plataformas con una base de datos limitada a su propio contenido, como en Wikipedia o en portales de noticias, si se busca “bandas de rock que no sean The Beatles”, probablemente no aparezcan resultados, pues aquella frase difícilmente podría estar dentro de sus registros.
Siguiendo con la misma consulta de ejemplo, al realizar una búsqueda con las mismas palabras clave, los resultados podrían de una u otra manera conducir a la respuesta esperada si se utiliza una plataforma como Google u otro buscador homólogo. En estos casos, el resultado se obtiene en base al contenido de las webs indexadas por cada buscador y no por la capacidad de la plataforma en sí de reconocer la pregunta y filtrar la información.
Soporte para búsquedas imprecisas o con afirmaciones negativas, gracias a la IA
Este escenario despertó una inquietud en el científico informático Simon Razniewski y sus colaboradores en el Saarbrücken Max-Planck-Institute for Informatics. El equipo de investigación es pionero en el desarrollo un método que permite gestionar mejor las bases de conocimientos con las que operan las plataformas de inteligencia artificial y así, dotar a estos mecanismos con la capacidad para adaptarse a estos contextos.
En el reporte que detalla el desarrollo y las conclusiones del trabajo ejecutado por este equipo, presentaron el modelo que proponen.
En el documento utilizan a Stephen Hawking como ejemplo dentro de una muestra de datos. En primer lugar, para realizar este trabajo se rastrean los elementos comunes entre los integrantes de esta muestra, para generar un primer criterio de agrupación. En este caso, la categorización que aplica es la de «físicos». Estos casos de comparación, bajo la jerga de los investigadores, fueron denominados como «pares».
En función de los «pares», se identifican elementos característicos bajo afirmaciones positivas. Retomando el ejemplo, desde que los físicos Albert Einstein y Richard Feynman ganaron el Premio Nobel, se podría hacer la suposición de que Stephen Hawking ganó el Premio Nobel.
A continuación, las suposiciones son puestas a prueba en base a los datos identificados en el rastreo previo. Si una declaración se aplica a un «par» pero no al objeto de búsqueda, los investigadores determinaron que la declaración en cuestión es negativa para el objeto de búsqueda. En otras palabras, “Stephen Hawking nunca ganó el Premio Nobel”. Para determinar la relevancia de las instrucciones negativas generadas, estas son ordenadas utilizando varios parámetros, por ejemplo, la frecuencia con la que se presentaron dentro de un grupo de pares.
Sólo retocando la forma bajo la que se gestiona la información, se puede abrir una nueva oportunidad para mejorar la experiencia de uso de ciertas plataformas, como las mencionadas al inicio de esta nota e incluso, otras aplicaciones concedidas por la versatilidad característica de esta prominente tecnología.
Como suele suceder con estos anuncios, el reporte compartido responde a una demostración científica de avances obtenidos recientemente, que en caso de “madurar” adecuadamente, podrían verse aplicados de una manera más visible.