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.

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.

Redes bayesianas dinámicas y estado de creencia

Las redes bayesianas dinámicas representan variables y sus dependencias a lo largo de pasos temporales. Su referencia canónica es la tesis doctoral de Kevin Murphy (Berkeley, 2002), «Dynamic Bayesian Networks: Representation, Inference and Learning». Allí se muestra que las DBN generalizan a modelos más conocidos: extienden los modelos ocultos de Márkov (HMM) al permitir un espacio de estados factorizado, en vez de una sola variable discreta, y a los filtros de Kalman al admitir distribuciones arbitrarias, no solo el caso lineal-gaussiano. El concepto se remonta a Dean y Kanazawa (1989), que introdujeron estas redes por cortes temporales para razonar sobre persistencia y causalidad.

Usos y límites

El ejemplo clásico es la localización de un robot: no sabe con certeza dónde está, así que mantiene una creencia —una distribución sobre su posición— que parte de la incertidumbre total y se afina con cada movimiento y cada lectura de sus sensores (Thrun, Burgard y Fox, «Probabilistic Robotics», 2005). La misma maquinaria sirve para seguimiento de objetos, reconocimiento de voz o diagnóstico.

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.