La semana pasada se hizo énfasis sobre cómo el factor humano es crucial para validar los resultados que proporciona la inteligencia artificial (IA). En este sentido, es importante desarrollar tanto el pensamiento crítico como el pensamiento creativo para cuestionar a las IAs y, al mismo tiempo, generar nuevas preguntas. Así, para un buen uso de herramientas como la IA, como lo comentaba el Dr. Meintrup, es necesario comprender los problemas que estudiamos. ¿Cómo comprender mejor las preguntas que no hacemos y las respuestas que obtenemos?
Entender el lenguaje con el que describimos un problema es un primer paso. La complejidad del problema representa el principal reto para su descripción. Sin embargo, solemos olvidar que la capacidad de abstracción de las matemáticas nos permite simplificar; así, la notación matemática expresa las variables más importantes del problema. Posteriormente, una vez que se tienen las variables, el contexto del problema ayuda a establecer las relaciones entre las variables. En este punto se identifican quienes son las variables dependientes e independientes, así como el objetivo del problema. Dicho objetivo se resume en una función con la cual ya estamos aprendiendo algo del problema; es decir, ¿qué queremos lograr? ¿optimizar, medir, evaluar, ordenar?
Aprender por medio de las matemáticas, aunque pareciera contradictorio, es algo que ya estaba en civilizaciones antiguas. Etimológicamente, las matemáticas provienen del griego máthema, que significa estudio o aprendizaje; aunque también se relaciona con ciencia.
Por lo anterior, el término “matemáticas” se relaciona con las cosas que se aprenden. Así, podemos decir que las matemáticas tienen un fin práctico pues su capacidad para abstraer les permite comunicar resultados con los cuales aprendemos algo de un problema de interés. Curiosamente, la percepción que existe sobre ellas es contraria a la de fin práctica; en general, suele decirse que son abstracción sin sentido y que están desvinculadas de la realidad. Dicho problema no está en las matemáticas en sí mismas sino en la forma en la que nos aproximamos a ellas, en cómo las comprendemos. Por ello es importante enseñarlas desde su capacidad para explicar los problemas que nos rodean y no desde la mecanización de procesos que, efectivamente, dicen poco y no representan el total del pensamiento matemático.
Regresando a la inteligencia artificial, las matemáticas nos pueden ayudar a comprender sus resultados. Particularmente, la inteligencia artificial generativa proporciona respuestas mediante procesos de selección estocásticos; es decir, eligen las mejores opciones de respuesta considerando que tengan la mayor probabilidad de serlo. Por ello, no es raro que no entiendan contextos: al elegir respuestas por probabilidad, se apegan demasiado a instrucciones puntuales y dejan de lado el todo de la instrucción. De igual forma, tienen alucinaciones porque tratan de minimizar su error. Para lo anterior, recurren a aquello que entienden, que suele ser información que ya proporcionaron. Es decir, en lugar de explorar diferentes opciones, las IAs se quedan estancadas en lo que consideran “más cercano”.
Así como las matemáticas nos ayudan a entender cómo funcionan las IAs, también nos pueden ayudar a mejorarlas. Pero no sólo eso, también son la base para explorar problemáticas más complejas por medio de la IA entendiendo sus capacidades y limitaciones.
