Fundamentosia simbolica
IA simbólica: reglas y ejemplos para entenderla
Descubre qué es la IA simbólica con un ejemplo de reglas, cómo se diferencia del aprendizaje automático y cuándo conviene combinar ambos enfoques.
- Autor: humAIns
- 9 min de lectura
índice · 7 apartados
La inteligencia artificial simbólica representa conocimiento con conceptos, hechos y reglas explícitas, y aplica esas reglas para obtener conclusiones. Por ejemplo, un circuito de soporte puede pedir los datos que faltan y, cuando la incidencia está completa, dirigirla al equipo correspondiente. Este enfoque resulta útil cuando las condiciones están claras y se necesita inspeccionar la lógica; se vuelve difícil de mantener si abundan las excepciones o el lenguaje es ambiguo.
Qué es la IA simbólica: hechos, símbolos y reglas explícitas
En la IA simbólica, el sistema trabaja con representaciones que tienen un significado establecido: «incidencia», «prioridad», «pedido» o «equipo». Un hecho asigna un valor o afirma una relación; una regla indica qué conclusión o acción se deriva cuando se cumplen ciertas condiciones.
Piensa en una guía de decisiones escrita para un equipo. Si se conoce qué significa cada término y qué condiciones se aplican, otra persona puede seguir los pasos y explicar por qué se llegó a una conclusión. Un sistema simbólico hace algo parecido de forma automatizada: conserva representaciones y aplica reglas de razonamiento.
El adjetivo «simbólica» no quiere decir que el sistema entienda como una persona. Quiere decir que manipula símbolos según una representación explícita. Tampoco basta con encontrar una regla en un programa para afirmar que todo ese programa es IA: el límite depende de la definición y clasificación empleadas. Para situar este enfoque junto a otros, consulta la guía de tipos de IA.
Ejemplo ilustrativo: circuito de soporte
Imagina una bandeja de incidencias que recibe solicitudes internas. El siguiente esquema es solo un ejemplo didáctico, no un sistema probado ni una recomendación para automatizar un servicio real.
Hechos disponibles:
- La solicitud incluye un número de pedido.
- La persona describe qué ha ocurrido.
- El área afectada es pagos, acceso o logística.
Reglas posibles:
- Si falta el número de pedido o la descripción, marcar la incidencia como incompleta y pedir los datos ausentes.
- Si la solicitud está completa y el área es pagos, dirigirla al equipo de pagos.
- Si la solicitud está completa y el área es acceso, dirigirla al equipo de soporte de acceso.
Supón que llega una solicitud con número de pedido y descripción, y que indica un problema de acceso. Esos datos son los hechos iniciales. La segunda parte de la regla de acceso coincide: la conclusión es «dirigir al equipo de soporte de acceso». Si faltara la descripción, la primera regla daría como conclusión pedirla antes de asignar el caso.
La ventaja es poder revisar la ruta: qué dato se recibió, qué condición se cumplió y qué decisión se produjo. Para usar algo semejante en producción aún habría que definir qué pasa con categorías desconocidas, solicitudes contradictorias, urgencias y errores de entrada; además, medir fallos y prever una vía de revisión humana apropiada para el proceso.
Base de conocimiento, motor de inferencia y explicación
Un sistema experto clásico suele separar el conocimiento del mecanismo que lo aplica. La base de conocimiento contiene hechos generales y reglas del dominio. La memoria de trabajo guarda los datos del caso actual y los hechos derivados durante la consulta. El motor de inferencia busca reglas aplicables, las ejecuta según una estrategia y actualiza esa memoria.
En el ejemplo, la regla «si está completa y el área es acceso, asignar a soporte de acceso» forma parte del conocimiento. El número de pedido y el área declarada pertenecen al caso concreto. El motor comprueba si las condiciones se cumplen y produce una conclusión. Esta separación permite inspeccionar reglas, aunque no resuelve automáticamente si el conocimiento está completo o actualizado.
Hay dos maneras habituales de organizar la búsqueda:
- Encadenamiento hacia delante: parte de los hechos conocidos y aplica las reglas que se activan, añadiendo conclusiones hasta alcanzar un resultado o no encontrar más reglas aplicables. En soporte, puede recorrer los datos que ya llegaron y determinar la siguiente acción.
- Encadenamiento hacia atrás: parte de una conclusión que se quiere comprobar y busca reglas que podrían demostrarla. Si la pregunta es si corresponde asignar a acceso, examina las condiciones necesarias y pide o verifica los datos que faltan.
Ambos son estrategias de inferencia; no implican necesariamente que el sistema converse con una persona ni que sea autónomo en todos los sentidos. El material didáctico de Microsoft sobre representación del conocimiento y sistemas expertos describe la base de conocimiento, el motor de inferencia y la diferencia entre inferencia hacia delante y hacia atrás. La guía de la OCDE sobre IA en el sector público trata el uso de IA y sus implicaciones en ese contexto amplio; no la tomes como una taxonomía exhaustiva de sistemas simbólicos.
IA simbólica y aprendizaje automático
La diferencia práctica está en cómo se representa el conocimiento y de dónde salen las decisiones. Una regla se redacta de forma explícita; un modelo de aprendizaje automático se ajusta a partir de ejemplos y produce una predicción o salida según patrones aprendidos. La comparación es orientativa: ambos enfoques incluyen variantes y pueden integrarse en sistemas más amplios.
| Aspecto | Enfoque simbólico basado en reglas | Modelo de aprendizaje automático |
|---|---|---|
| Representación | Conceptos, hechos y condiciones explícitas | Parámetros ajustados mediante datos de entrenamiento |
| Cómo se configura | Personas definen o mantienen las reglas | Se entrena con ejemplos y un método de aprendizaje |
| Cambio de comportamiento | Se revisan las reglas pertinentes | Se revisan datos, entrenamiento, configuración o umbrales |
| Explicación posible | Puede mostrar qué reglas se activaron, si el sistema registra el recorrido | La explicación depende del modelo y de las herramientas de análisis; una predicción no siempre ofrece una justificación simple |
| Dificultad típica | Cubrir excepciones y mantener reglas coherentes | Conseguir datos adecuados, evaluar errores y controlar cambios de rendimiento |
Una regla visible no garantiza por sí sola una decisión justa o correcta: puede codificar un supuesto equivocado. Del mismo modo, un modelo estadístico no es necesariamente una caja negra absoluta, pero su explicación puede requerir métodos adicionales y no equivale a leer una regla. Para profundizar en ese matiz, revisa inteligencia artificial y machine learning: diferencias y qué significa IA explicable.
Cuándo combinar reglas y modelos
En algunas tareas, un modelo puede extraer información de texto libre y una capa de reglas puede aplicar criterios operativos explícitos. Por ejemplo, un clasificador podría proponer que una solicitud trata de acceso; una regla posterior podría comprobar si contiene los campos obligatorios y decidir si se deriva o se solicita información. La extracción sería una estimación, mientras que la regla aplicaría una condición definida.
Esta arquitectura no elimina los errores. El modelo puede confundir categorías, omitir información o expresarse con una confianza engañosa. Las reglas pueden ser incompletas o reflejar políticas desactualizadas. Antes de desplegar una combinación, conviene probarla con casos representativos y casos límite, registrar falsos positivos y falsos negativos, fijar cuándo debe abstenerse o escalar y asignar responsables para revisar tanto el modelo como las reglas.
En una automatización de marketing, por ejemplo, un modelo podría sugerir una categoría para una consulta; una regla de negocio podría impedir una acción si faltan consentimiento o datos necesarios. La regla no demuestra que el sistema entienda la consulta ni sustituye la revisión de requisitos, privacidad y resultados. Si quieres conocer la formación aplicada a marketing, consulta la ficha para valorar si encaja con tu objetivo; este enlace no presupone un temario o precio concreto.
Cuándo no basta con reglas
Las reglas son menos convenientes cuando el conocimiento es difícil de expresar en condiciones precisas, hay muchas excepciones o las entradas son ambiguas. Las personas pueden describir el mismo problema con palabras diferentes, omitir datos o usar categorías que no estaban previstas. Una regla literal no resuelve por sí misma qué quiso decir alguien.
El mantenimiento también cuesta. Cuando cambian procesos, productos o criterios, hay que revisar las reglas relacionadas y detectar conflictos: dos reglas podrían activarse a la vez o no activarse ninguna. En un dominio con decisiones de impacto, la trazabilidad de la regla no sustituye la validación de la política, las pruebas, la supervisión ni los mecanismos para corregir una decisión.
Antes de elegir, pregunta: ¿podemos describir las condiciones de forma estable?, ¿quién mantendrá las reglas?, ¿qué ocurre cuando no hay coincidencia?, ¿cómo se medirá el error? Si no hay respuestas claras, conviene limitar el alcance o mantener la decisión bajo revisión, en vez de automatizarla por completo.
Preguntas frecuentes
¿Qué es un sistema experto?
Es un sistema diseñado para un dominio acotado que usa una base de conocimiento y un motor de inferencia para obtener conclusiones. Su utilidad depende de que el conocimiento y las reglas cubran adecuadamente los casos relevantes.
¿Qué diferencia hay entre una regla y un modelo entrenado?
Una regla especifica explícitamente una condición y una consecuencia. Un modelo entrenado aprende patrones a partir de ejemplos y estima una salida. Una regla puede ser fácil de inspeccionar, pero también puede estar mal diseñada; un modelo requiere evaluación de sus errores y límites.
¿La IA simbólica aprende sola?
No en el sentido habitual de un sistema clásico basado en reglas: las personas incorporan y mantienen el conocimiento explícito. Existen métodos para automatizar partes del proceso y combinaciones con aprendizaje, pero hay que precisar qué componente aprende y cómo se valida.
¿Qué es un enfoque neurosimbólico?
Es un enfoque que combina técnicas neuronales con representaciones o razonamiento simbólico. Hay distintas formas de hacerlo y no existe una única receta; combinar ambos componentes tampoco garantiza precisión o explicaciones completas.