Resumen: Durante los años 60 y 70, los investigadores de IA exploraron las intuiciones sobre la inteligencia escribiendo programas que mostraban un comportamiento inteligente. De este trabajo surgieron muchas buenas ideas, pero los programas escritos a mano no eran robustos ni generales. A partir de los años 80, la investigación se orientó cada vez más hacia el desarrollo de aprendices capaces de inferir comportamientos y funciones a partir de la experiencia y los datos, y de solucionadores capaces de abordar modelos bien definidos pero intratables como SAT, planificación clásica, redes bayesianas y POMDP. El enfoque de aprendizaje ha logrado un éxito considerable, pero da lugar a cajas negras que no tienen la flexibilidad, transparencia y generalidad de sus homólogos basados en modelos. Los enfoques basados en modelos, por su parte, requieren modelos y algoritmos escalables. Ambos tienen estrechos paralelismos con los Sistemas 1 y 2 de Daniel Kahneman: el primero, una mente intuitiva rápida, opaca e inflexible; el segundo, una mente analítica lenta, transparente y flexible. En esta charla, repasaré los aprendices y los solucionadores, y el reto de integrar sus capacidades de Sistema 1 y Sistema 2, centrándome después en nuestro trabajo reciente dirigido a salvar esta brecha en el contexto de la acción y la planificación, donde se utilizan enfoques de aprendizaje combinatorio y profundo para aprender modelos de acción generales, políticas generales y estructuras de submetas generales.
Ponente: Héctor Geffner es Profesor Alexander Humbolt en la Universidad RWTH de Aquisgrán (Alemania) y Profesor Invitado Wallenberg en la Universidad de Linköping (Suecia). Héctor creció en Buenos Aires y se doctoró en Informática en la UCLA en 1989. Posteriormente trabajó en el IBM T.J. Watson Research Center de Nueva York, en la Universidad Simón Bolívar de Caracas y en el Instituto Catalán de Investigación Avanzada (ICREA) y la Universidad Pompeu Fabra de Barcelona. Héctor imparte cursos sobre lógica, IA y cambio social y tecnológico, y actualmente investiga sobre el aprendizaje de representaciones para la actuación y la planificación como parte del proyecto del ERC RLeap 2020-2025.