Aprendizaje Basado en Reglas

El aprendizaje basado en reglas agrupa los métodos de aprendizaje automático que inducen, a partir de ejemplos, reglas del tipo «si se cumplen estas condiciones, entonces esta conclusión». El resultado es un modelo que una persona puede leer regla a regla, algo que lo distingue de las redes neuronales y otros modelos opacos.

Conviene no confundirlo con los sistemas basados en reglas: en ellos las reglas no se aprenden, se escriben a mano. La diferencia está en el origen de las reglas, no en su forma.

Reglas escritas frente a reglas aprendidas

Los sistemas expertos clásicos funcionaban con reglas redactadas por especialistas humanos y un motor de inferencia que las encadenaba. MYCIN se desarrolló en Stanford durante los años setenta para trabajar con el diagnóstico y el tratamiento de enfermedades infecciosas. En «Rule-Based Expert Systems» (1984), editado por Buchanan y Shortliffe, se documenta que su base de conocimiento crecía mediante un ciclo: el experto proponía o corregía reglas, el ingeniero del conocimiento las incorporaba y ambos comprobaban los cambios con casos. MYCIN no aprendía: es el ejemplo canónico de sistema basado en reglas.

El aprendizaje basado en reglas invierte el proceso: un algoritmo examina datos etiquetados y genera las reglas por sí mismo, lo que la disciplina llama inducción de reglas. «Foundations of Rule Learning», de Fürnkranz, Gamberger y Lavrač (2012), se presenta como manual docente y referencia exhaustiva sobre la investigación en aprendizaje inductivo de reglas.

Los algoritmos clásicos

Rivest formalizó en 1987 las listas de decisión —secuencias ordenadas de reglas— y demostró que pueden aprenderse eficientemente a partir de ejemplos. CN2 (Clark y Niblett, 1989) inducía reglas comprensibles tolerando ruido en los datos. Holte mostró en 1993 con 1R que, en la mayoría de los conjuntos de datos estudiados, la mejor regla basada en un solo atributo alcanzaba una precisión comparable a la de las reglas inducidas por la mayoría de los sistemas evaluados. Cohen presentó RIPPERk en 1995 como una modificación de IREP: informó de una escala casi lineal con el número de ejemplos y de procesamiento eficiente de conjuntos ruidosos con cientos de miles de casos.

El sistema C4.5 de Quinlan (1993) parte de casos clasificados, busca patrones y puede expresarlos como árboles de decisión o como conjuntos de reglas «si-entonces». El propio índice del libro dedica capítulos separados a construir y podar árboles, convertir árboles en reglas y simplificar conjuntos de reglas: reducirlo a «árboles, no reglas» borra una parte explícita del sistema.

Para qué sirve hoy

La inducción de reglas sobrevive allí donde entender el modelo es obligatorio. Rudin defendió en Nature Machine Intelligence (2019) diseñar modelos intrínsecamente interpretables para decisiones de alto riesgo, en vez de explicar cajas negras a posteriori. Como ejemplo distinto de esa familia, RiskSLIM, de Ustun y Rudin, aprende sistemas de puntuación de riesgo con coeficientes enteros pequeños y restricciones de interpretabilidad. Agrawal y Srikant presentaron Apriori en 1994 para descubrir reglas de asociación entre artículos de grandes bases de transacciones de venta; el paper sitúa el problema en los datos de cesta y cita aplicaciones como venta cruzada, diseño de tienda y segmentación por patrones de compra. Y el repaso de Marra, Dumančić, Manhaeve y De Raedt en Artificial Intelligence (2024) define la IA neuro-simbólica como la integración del razonamiento simbólico y las redes neuronales, y compara sus sistemas por siete dimensiones, entre ellas si aprenden parámetros o estructuras. No existen censos fiables de cuánto se usa la inducción de reglas en la industria; lo documentado es su papel en estos nichos.

Límites

Las reglas trabajan mal con datos sin estructura —imágenes, audio, texto libre—, terreno donde domina el aprendizaje profundo. Los conjuntos de reglas pueden sobreajustarse al ruido, de ahí las estrategias de poda de RIPPER, y las listas muy largas pierden la legibilidad que las justifica. Los sistemas de reglas escritas a mano sufren un cuello de botella distinto: extraer y mantener el conocimiento de los expertos.