Mejoran las habilidades de comunicación de la inteligencia artificial

Los casos de malos entendidos o de fallos graves de comunicación de la inteligencia artificial son muy comunes, como el que hizo pensar a muchos que dos chatbots de Facebook estaban creando un lenguaje propio para hablar entre ellas, cuando en realidad se trataba de una conversación sin sentido. Esto suele suceder porque las aplicaciones y bots inteligentes entrenados de forma convencional muchas veces no son capaces de identificar las derivaciones en una conversación o las partes intrascendentes y, por decirlo de alguna forma, “pierden el hilo”. Esto supone un obstáculo importante para diseñar sistemas de inteligencia artificial capaces de relacionarse adecuadamente con los humanos, ya que las variaciones del lenguaje, los errores gramaticales en la escritura o el habla y muchos otros factores suelen confundir a los algoritmos de IA que tratan de seguir un diálogo.

Recientemente, un grupo de investigadores de la Universidad de Stanford han creado una forma de entrenar redes neuronales para que la inteligencia artificial sea capaz de desenvolverse en entornos conversacionales, evitando el caos que se genera cuando el dialogo deriva. Para demostrar su efectividad han activado un chatbot inteligente en un entorno simulado de negociación de compra de productos, similar al que se puede utilizar en servicios como Craiglist, en el que los usuarios tratan de vender artículos de segunda mano a otras personas. En este entorno, aparentemente sencillo, la inteligencia artificial debe enfrentarse a multitud de conceptos dentro de una misma conversación, como el estado del producto, su antigüedad y sus características. Pero también deben negociar el precio y la forma de entrega, que suele ser en persona en un sitio acordado por ambas partes.

En este contexto, el sistema creado por estos científicos ha demostrado ser, cuanto menos, funcional. A pesar de haberse producido algún error gramatical y de que la conversación en sí fue algo tosca, el resultado ha sido que la IA ha podido centrarse en el tema en cuestión, llevando a cabo una exitosa negociación del precio, a pesar de que no se pudo completar la compra por no llegar a un acuerdo satisfactorio. Pero esto en sí mismo es un éxito, y supone un paso adelante decisivo para crear interfaces humano máquina que verdaderamente puedan tratar con la complejidad de las personas, su lenguaje y la intención que subyace tras las diferentes formas de expresarse. Porque, aunque parezca que aplicaciones tan populares como Siri, por ejemplo, entienden bien a las personas, no se les puede confiar todavía algo como una negociación económica o permitirles que tomen decisiones con consecuencias para los humanos en base a lo que una persona les comunica.

Según indican sus creadores, la base de este sistema es entrenar a la IA para que se centre en los temas que debe tratar, evitando que se generen incoherencias. Para ello han empleado un sistema de aprendizaje supervisado y de aprendizaje por refuerzo, junto con una serie de reglas codificadas que sirven de guía. Este sistema se divide en tres partes: un analizador, un administrador y un generador. El primero identifica las palabras clave relacionadas con la actividad sobre la que trata el tema. A continuación, la parte de administración se encarga de gestionar la información recibida y de decidir cómo responder a ella. Las acciones, llamadas “Actos de diálogo en curso”, guían a la IA a través del proceso de negociación para que sepan sobre qué trata cada parte de la negociación y qué debe preguntar o responder en cada caso. Por último, el generador se encarga de elegir las palabras exactas para que se mantenga la fluidez del diálogo. Para el entrenamiento previo de las máquinas los investigadores han recopilado 6.682 diálogos entre humanos realizados en la plataforma Amazon Mechanical Turk, cotejando todas las interacciones para extrapolar patrones conversacionales y desarrollar diferentes escenarios de negociación. Y, para afinar más en el funcionamiento del sistema, los investigadores aplican posteriormente el método de aprendizaje por refuerzo, premiando a los bots que consiguen alcanzar un acuerdo, y penalizando a los que no lo logran.

En las pruebas no todas las negociaciones se han finalizado con éxito, y se han dado casos de conversaciones carentes de sentido, pero en general el resultado ha sido satisfactorio. Aún queda mucho trabajo por hacer para que este sistema se pueda aplicar a otros campos, pero sus creadores se muestran confiados, ya que las siguientes pruebas, realizadas con humanos de verdad, han dejado muy buena impresión a los participantes. Estos han afirmado que la interacción con este sistema es mucho más parecida a tratar con humanos que con otros bots conversacionales. Los investigadores de Stanford animan a otros a que desarrollen más aplicaciones para su sistema, y han publicado tanto los datos como el código a través de CodaLab.