Tal vez hayas escuchado esto antes: “Todas las personas son mortales. Sócrates es una persona. Por lo tanto: Sócrates es mortal”.
por David Weinberger
Este es el ejemplo clásico de la forma de razonamiento preferida de Occidente: la lógica deductiva. Durante mucho tiempo hemos profesado preferirlo debido a la certeza de sus conclusiones: si estás seguro de las dos primeras premisas, conocidas como las premisas mayor y las premisas menores, entonces puedes estar seguro de que Sócrates va a estar suspirando por los fiordos eventualmente. (Si eres menor de Monty Python, la referencia a los fiordos es un sustituto de “muerto como un clavo”).
Por supuesto, puedes deducir válidamente de premisas de las que no estás seguro, pero la deducción será tan cierta como esas premisas. Es difícil encontrar premisas que sean completamente ciertas fuera de sistemas axiomáticos como la lógica o las matemáticas, o de juegos como el ajedrez, con reglas estipuladas que te permiten deducir con certeza que no está permitido saltar tu peón sobre otro peón. Puede cambiar las reglas cuando juegue con su hijo para que se permitan peones saltarines, que el niño rebautiza encantado como “ranas”. Sin embargo, en algún momento, es probable que el niño descubra que no ha estado jugando al ajedrez real.
Razonamiento inductivo
La inducción es la principal alternativa a la deducción, y la compañera de la misma. Nos permite inferir resultados basados no en reglas, sino en evidencia previa. El ejemplo clásico es nuestra inferencia inductiva de que el sol saldrá mañana, como lo ha hecho todos los días de nuestra existencia. Es una inferencia segura, pero también una que literalmente podría explotar en cualquier momento. Otros no son tan seguros: Su experiencia muestra que los automóviles se detienen en las señales de alto, pero si cree que es seguro seguir adelante sin verificar si hay automóviles en una intersección, es posible que lo arrepienta.
A menudo vale la pena confiar en las inferencias inductivas porque la vida en la Tierra generalmente sigue patrones, desde automóviles que se detienen en las señales de alto, hasta que a menudo llueve cuando está nublado. De hecho, muchos casos que se rigen estrictamente por reglas y principios conocidos se predicen mejor a través de la inducción que de la deducción. Ese suele ser el caso cuando hay muchos elementos interactuando. Por ejemplo, ¿por qué una pequeña capa de lluvia cayó de una hoja exactamente cuando usted pasaba por debajo de ella? Creemos que hay premisas principales universalmente verdaderas —leyes físicas— que lo explican, pero hay tantos detalles que interactúan que no podemos deducirlo. La lógica inductiva probablemente te daría una estimación más confiable pero probabilística de si caminar debajo de un árbol te protegerá de la lluvia.
Aprendizaje automático
Todo esto plantea la pregunta urgente: ¿Cuándo llegaré a mi punto real, que es sobre el aprendizaje automático? Respuesta: Ahora.
El aprendizaje automático se basa claramente en la inducción, es decir, en el análisis de grandes cantidades de datos para encontrar patrones y hacer predicciones. Evita la rigidez de la deducción, prosperando en escenarios con premisas incompletas o inciertas, como la predicción meteorológica o la predicción del tráfico. Nos ofrece información probabilística sin prometer una certeza absoluta. Esto libera el aprendizaje automático para hacer predicciones matizadas en escenarios complejos del mundo real donde el razonamiento deductivo tendría dificultades debido a que se aplican premisas incompletas a condiciones impredecibles. (Sería bueno que la IA siempre diera a los usuarios su evaluación de la fiabilidad de sus predicciones, no solo para ayudarnos a decidir qué hacer con una respuesta de aprendizaje automático, sino también para recordarnos la incertidumbre con la que todos debemos vivir).
Para el “Bueno, técnicamente…” Y gracias por su servicio, el aprendizaje automático también utiliza la abducción, a menudo llamada “inferencia” para la mejor explicación, que identifica la causa más plausible de un efecto observado. Al igual que la inducción, la abducción funciona fuera del rígido marco de la deducción. Al igual que la inducción, es probabilística y generalmente se basa en datos.
La contrapartida de la incertidumbre de las respuestas del aprendizaje automático es que sus respuestas pueden ser mucho más precisas cuando se trata de problemas del mundo real, con todo su desorden interrelacional. Es por eso que mejoramos enormemente nuestra capacidad para predecir el clima o la mejor ruta a tomar para evitar el tráfico. El hecho de que la IA favorezca la inducción sobre la deducción es la raíz de su poder, ya que le permite lidiar con los detalles que atormentan la aplicación de las premisas principales generales.
La vida real, a diferencia de los juegos, es compleja, por lo que no es casualidad que los ejemplos estándar de lógica deductiva utilicen premisas muy simples, como “Sócrates es mortal”. Pero intente usar la lógica deductiva para predecir las ideas de Sócrates sobre la naturaleza de la valentía o el valor de la poesía, como discute en sus famosos diálogos.
El éxito del aprendizaje automático pinta una imagen del mundo que estructuralmente se parece más a las humanidades, en las que la lógica deductiva lucha debido a la abundancia de variables interrelacionadas y no cuantificables. Gran parte de disciplinas como la literatura y la historia tienen que ver con las multitudinarias fuerzas contingentes que dan forma a resultados inesperados, desde grandes novelas hasta guerras salvajes. Aun así, los investigadores en física y otras ciencias “duras” también están aprovechando el aprendizaje automático para analizar fenómenos complejos como las señales débiles y ruidosas de las ondas gravitacionales, lo que ayuda a mejorar la detección y refinar los modelos de estas ondas en el espacio-tiempo.
El aprendizaje automático nos muestra el mundo compuesto por las interrelaciones de millones de particulares, cada uno gobernado por la aplicación deductiva de principios, pero cada uno interactuando de maneras demasiado complejas para ser deducidas. Juntos, dan lugar a verdades probabilísticas que pueden ser más útiles y valiosas que las deducciones de leyes eternas.