Sistemas de Creencias Dinámicas

Sistemas de Creencias Dinámicas es un rótulo divulgativo, no un término técnico estándar en inteligencia artificial. Conviene anclarlo con honestidad: en IA, una «creencia» (belief) no es una opinión, sino un estado de conocimiento probabilístico —lo que un agente cree sobre el mundo, expresado como una distribución de probabilidad sobre los estados posibles—. Hablar de creencias «dinámicas» remite a cómo esa distribución se actualiza en el tiempo a medida que llega nueva evidencia.

La familia de métodos verificables tras esta etiqueta son las redes bayesianas dinámicas (Dynamic Bayesian Networks, DBN) y el filtrado bayesiano recursivo. No es casual: las redes bayesianas se conocen también como «redes de creencia» (belief networks, término de Judea Pearl), de modo que una «red de creencia dinámica» es, literalmente, una red bayesiana dinámica.

Qué es una creencia probabilística y cómo se actualiza

Un agente rara vez observa el mundo por completo. En lugar de afirmar un único estado, mantiene una distribución de probabilidad —su creencia— sobre todos los estados que podrían ser ciertos. En los procesos de decisión de Markov parcialmente observables (POMDP), esto se llama estado de creencia (belief state): un vector de probabilidades que resume toda la incertidumbre del agente. Fuente primaria.

Esa creencia se refina mediante el filtro de Bayes (estimación bayesiana recursiva), en dos pasos que se repiten en cada instante. Primero, la predicción: la creencia previa se propaga a través de un modelo de transición, que describe cómo evoluciona el mundo o cómo actúa el agente. Después, la actualización: la nueva observación corrige esa predicción según su verosimilitud, aplicando el teorema de Bayes y normalizando. Predecir y corregir, una y otra vez. Fuente primaria.

Redes bayesianas dinámicas y estado de creencia

Las redes bayesianas dinámicas representan variables y dependencias a través del tiempo. Generalizan modelos ocultos de Márkov al permitir un estado factorizado y abarcan el caso lineal-gaussiano de los filtros de Kalman.

Usos y límites

Los límites son reales. La inferencia exacta se vuelve intratable cuando hay muchas variables, y hay que recurrir a aproximaciones como los filtros de partículas. Todo depende de suposiciones —la propiedad de Márkov, modelos de transición y observación fiables— que no siempre se cumplen. Lo no resuelto: «Sistemas de Creencias Dinámicas» no designa un algoritmo concreto, sino esta familia de modelos; usarlo sin ese anclaje induce a confusión.