Sistemas de Razonamiento Basado en Modelos

El razonamiento basado en modelos (model-based reasoning) es un método de la IA simbólica que razona sobre un modelo explícito de la estructura y el comportamiento esperado de los componentes de un sistema, y no sobre reglas que asocian síntomas con averías. La idea es directa: si se sabe cómo debería comportarse cada pieza cuando funciona bien, cualquier discrepancia entre lo que el modelo predice y lo que de verdad se observa señala dónde puede estar el fallo.

Su formulación canónica es el diagnóstico basado en modelos, fijado en dos artículos de 1987 de la revista Artificial Intelligence: «A Theory of Diagnosis from First Principles», de Raymond Reiter, y «Diagnosing Multiple Faults», de Johan de Kleer y Brian C. Williams, que presentó el sistema GDE (General Diagnostic Engine).

La mecánica: del modelo al diagnóstico

El punto de partida es un modelo del sistema: qué componentes lo forman y cómo se comporta cada uno cuando está sano. Se supone que todos funcionan y se calcula qué debería observarse. Luego se comparan las observaciones reales con esa predicción; cuando se contradicen, aparece un conflicto: un conjunto de componentes que no pueden estar todos sanos a la vez. De la colección de conflictos se derivan los diagnósticos. Reiter lo formalizó: un diagnóstico es un hitting set mínimo de los conflictos, el menor conjunto de componentes que, supuestos averiados, restaura la coherencia entre modelo y observación. En el GDE, de Kleer y Williams propagan predicciones hacia delante y hacia atrás y anotan, con un sistema de mantenimiento de la verdad basado en suposiciones (ATMS), qué supuestos sostienen cada predicción; así aíslan fallos múltiples y proponen la siguiente medición más informativa.

Frente a los sistemas basados en reglas

La diferencia con los sistemas expertos clásicos está en qué se codifica. Una base de reglas reúne asociaciones síntoma→fallo; el enfoque de Reiter y el GDE derivan candidatos al comprobar qué supuestos de normalidad son incompatibles con las observaciones. Eso permite razonar sobre combinaciones que no se enumeraron como una regla de síntomas, pero no hace detectable cualquier avería: el modelo, los sensores y los modos de fallo representables delimitan lo que puede distinguirse, y varios diagnósticos pueden explicar la misma evidencia. A cambio de no depender de un catálogo cerrado, hay que construir y mantener un modelo fiel del dispositivo.

Dónde se usa de verdad

Su nicho natural son los sistemas físicos e industriales con estructura bien definida: circuitos electrónicos, automoción, plantas de proceso. El caso emblemático es aeroespacial. El motor de diagnóstico Livingstone, desarrollado en el NASA Ames con Brian Williams —coautor del GDE—, formó parte del Remote Agent que voló en la sonda Deep Space 1. Entre el 17 y el 21 de mayo de 1999, el Remote Agent fue el primer agente de inteligencia artificial que controló una nave de la NASA, y Livingstone se encargó de la protección ante fallos con un único modelo y un único motor deductivo.

Un término simbólico con nicho, no una moda

Conviene situarlo con honestidad: es un término de la IA simbólica con un papel real pero acotado hoy, no una tecnología de moda. Comparte una intuición con los llamados world models del aprendizaje profundo —Ha y Schmidhuber popularizaron el término en 2018—: razonar sobre un modelo del entorno y no sobre correlaciones directas. Pero la semejanza es de fondo, no de método: aquellos modelos son aprendidos y estadísticos, mientras que el razonamiento basado en modelos parte de un modelo explícito, simbólico y estructurado por componentes. Si hay un puente firme entre ambas tradiciones, aún está por trazar, y conviene no darlo por hecho.