Comprender lo complejo

La inteligencia artificial funciona con datos. Cuando un usuario formula una pregunta, el sistema revisa toda la información disponible, selecciona lo que considera relevante, calcula tendencias y, con una especie de promedio inteligente, devuelve una respuesta. Todo ocurre en segundos y, la mayoría de las veces, en completa oscuridad para el usuario.

El proyecto ARCHETYPE quiere iluminar ese proceso. En lugar de que los algoritmos se centren en los promedios, propone que aprendan de los extremos, de los casos más representativos y singulares.

Esa idea se traduce en una técnica llamada análisis de arquetipos (AA). Si imaginamos una nube de puntos que representa la población de la antigua Grecia, el AA no busca el centro, es decir, los ciudadanos comunes, sino las esquinas: los genios, filósofos, artistas y gobernantes destacados. Las figuras puras que definen los límites del grupo. A partir de esos extremos, el resto se explica como una combinación de ellos.

Dicho de otro modo, si el promedio nos habla de la mayoría, los arquetipos nos muestran los ejemplos que dan sentido a esa mayoría.

La innovación de los biarquetipos

Pero el equipo de la UJI ha ido un paso más allá, desarrollando una nueva herramienta: el análisis de biarquetipos (biAA).

Mientras el AA tradicional busca los casos extremos entre las observaciones, el biAA, a su vez, identifica las características extremas que definen estos casos. Es como centrarnos en la habitación del fondo de un retrato y, al mismo tiempo, reconocer los detalles del mobiliario.

Esta doble mirada ofrece una comprensión más profunda y visual de los datos. En un hospital, por ejemplo, puede ayudar a distinguir qué combinación de síntomas diferencia a un grupo de pacientes; en educación, qué rasgos caracterizan a los estudiantes con mejores resultados; y en redes sociales, cómo se forman las comunidades. Las aplicaciones son infinitas y tienen el potencial de cambiar completamente nuestra interacción con la inteligencia artificial.

El equipo trabaja ahora en ampliar estas técnicas a datos incompletos, no lineales y de múltiples dimensiones, incorporando elementos de aprendizaje profundo y kernelización. En la práctica, eso significa que el método podrá aplicarse a los datos complejos y cambiantes del mundo real.