Construir sistemas computacionales para reproducir cómo los humanos razonan y aprenden

Trabajando en la intersección de la ciencia de datos, la informática y la ciencia cognitiva, Zenna Tavares trata de entender y mecanizar el razonamiento humano, explora cómo los humanos razonan y aprenden, y construye sistemas computacionales para reproducir estos procesos.

Estoy tratando de comprender mejor la inteligencia natural, el razonamiento y la inferencia, al mismo tiempo que construyo herramientas que emulan y modelan la cognición humana”, dijo Tavares. “Veo estas áreas de mi trabajo como sinérgicas y que se refuerzan mutuamente”.

Como científico investigador asociado del Data Science Institute de la Universidad de Columbia y académico de innovación del Zuckerman Mind Brain Behavior Institute, Tavares desarrolla marcos que permiten a los expertos del dominio codificar su conocimiento y datos observables y hacer prácticamente cualquier pregunta sobre el modelo, incluidas predicciones y proyecciones hacia el futuro y el pasado.

Tavares aprovecha dos tipos de razonamiento probabilístico y causal. El primero involucra la forma en que calculamos las probabilidades en situaciones inciertas; el segundo implica cómo evaluamos la causa y el efecto, incluida nuestra capacidad para pensar a través de contrafactuales. Por ejemplo, puede usar las tasas de infección para inferir la transmisibilidad de una enfermedad y luego preguntar si las tasas habrían sido más bajas con diferentes políticas públicas.

La mayoría de los modelos de aprendizaje automático (Machine Learning, ML) son “ascendentes” y están capacitados para el reconocimiento de patrones con conjuntos de datos masivos. Tavares describe su enfoque como más “de arriba hacia abajo”: comienza con un modelo mecanicista causal de cómo se relacionan e interactúan los elementos del entorno. “No es una idea nueva”, señaló. “Lo nuevo es que ahora podemos construir sistemas informáticos que pueden realizar esta idea. Podemos usar estos lenguajes y representaciones muy generales, como los lenguajes de programación probabilísticos causales, para codificar conocimientos y datos, y derivar inferencias de forma semiautomática”.

Si bien Tavares considera que la construcción de modelos que reflejan relaciones causales en los datos es uno de los aspectos más desafiantes de su trabajo, considera necesaria la capacidad de hacer preguntas del tipo: “¿qué pasaría si?” Su objetivo: “construir sistemas que puedan evaluar y sintetizar modelos ML causalmente justos, incluidos los contrafactualmente justos, para escenarios específicos, como solicitudes de empleo, asistencia financiera, etc.”.

Tavares recibió su Ph.D. en ciencia cognitiva y estadística de Massachusetts Institute of Technology y fue becario postdoctoral con Armando Solar Lezama en el Computer Science Artificial Intelligence Lab. Realizó investigaciones en síntesis de programas para llevar un razonamiento y aprendizaje más automatizados a la programación mientras usaba código, programación y modelado para mejorar los sistemas de aprendizaje. También colaboró con el grupo de ciencia cognitiva computacional de Joshua Tenenbaum para usar modelos matemáticos, simulación por ordenador y experimentos de comportamiento para comprender mejor el aprendizaje, el razonamiento y la inferencia humanos desde una perspectiva computacional.

En Columbia, Tavares trabaja en interpretaciones causales de equidad, confiabilidad y explicabilidad para abordar problemas centrales en la toma de decisiones de inteligencia artificial (IA). Ampliará su equipo este año y planea organizar una serie de debates sobre ciencia cognitiva, IA y ciencia de datos.

Fundamentalmente, lo que me interesa es el conocimiento y el razonamiento”, dijo Tavares. “Creo que recién comenzamos a rascar la superficie para comprender qué es eso y cómo funciona”.

Fuente:Understanding and Mechanizing Human Reasoning