Judea Pearl, premio Fronteras del Conocimiento en TIC

En este sentido, sostiene que en la actualidad los métodos de Pearl se enseñan en todas las facultades de Informática y sus libros «han inspirado avances trascendentales en la comprensión del razonamiento y el pensamiento». Su «amplio y profundo impacto» se percibe en multitud de áreas y aplicaciones, como «en el desarrollo de ensayos clínicos médicos no sesgados y eficaces, en la psicología, la robótica y la biología», añade.

Según ha informado la Fundación BBVA, la candidatura de Pearl ha estado avalada por once destacados investigadores en Europa y Estados Unidos, expertos en ciencias de la computación, Inteligencia Artificial, psicología, economía, y filosofía. Los nominadores destacan que frente a otras líneas de la IA y la estadística, como el deep learning o las redes neuronales, la contribución de Pearl aporta una transparencia que es imprescindible en algunas áreas de aplicación, como la toma de decisiones en medicina o en cuestiones legales y económicas.

Por su parte, en una entrevista realizada tras conocerse el fallo, Pearl ha resumido en una frase la que considera su aportación fundamental a la Inteligencia Artificial moderna: «Es la primera vez que podemos entender lo que significa entender, la primera vez que tenemos un modelo computacional de la comprensión profunda».

Para Pearl, comprender significa «ser capaz de responder preguntas en tres niveles importantes: la predicción --qué ocurrirá en tal o cual circunstancia--; el efecto de las acciones; y su explicación, por qué las cosas ocurrieron como lo hicieron y qué habría pasado si hubieran ocurrido de otra manera. Estos tres niveles de sofisticación son los que el lenguaje computacional capta ahora y eso es lo que entendemos por comprensión».

El propio Pearl ha explicado así su contribución a la comprensión del razonamiento probabilístico del cerebro humano, para poder replicarlo en un sistema informático: «La incertidumbre es la materia prima que prevalece en la toma de decisiones cotidianas, incluso al cruzar la calle, tomar una aspirina o hablar con amigos; nos cuesta bastante hacer que un ordenador pueda lidiar con el aluvión de ruido e información incierta que tiene sobre el mundo. Mi trabajo ha desarrollado un cálculo para el razonamiento probabilístico que permite al ordenador manejar toda la información que le llega, integrarla y asignar probabilidades a tal o cual conclusión».

La Fundación BBVA ha indicado que, en los años ochenta, Pearl desarrolló el lenguaje matemático necesario para integrar la IA clásica con la teoría de la probabilidad. Su libro 'Probabilistic Reasoning in Intelligent Systems', publicado en 1988, «sigue siendo la referencia en el área», según ha agregado. En esta obra presentó sus modelos gráficos, las llamadas redes bayesianas, desde entonces convertidas en un elemento básico del aprendizaje automático y la estadística moderna.

«Una red bayesiana es una representación de sucesos y la probabilidad de que ocurran --explica el acta del jurado--. Estos grafos permitieron articular visualmente y con sencillez redes de sucesos muy complejas y sus relaciones probabilísticas, lo que permitió a los ordenadores resolver situaciones hipotéticas del mundo real, descubrir dependencias latentes y predecir resultados mediante la propagación de probabilidades. Las redes bayesianas son ahora herramientas precisas y muy utilizadas para la toma de decisiones en condiciones de incertidumbre».

La importancia de saber inferir relaciones de causalidad entre dos fenómenos no es menor. De hecho, es un reto también para los humanos, explica Pearl: «Las relaciones causales han sido un obstáculo muy difícil de manejar tanto para las personas como para las máquinas; no tenemos el lenguaje formal para captar la idea de que el canto del gallo no causa la salida del sol aunque se produzca siempre antes de la salida del sol, y permita predecirla».

En su libro 'Causality', publicado en 2002, Pearl se centró en el cálculo causal, que proporciona un marco formal para inferir relaciones causales a partir de datos. «Esto nos permite entender cómo se predice el efecto de las intervenciones en los resultados», explica el acta, que añade que «Pearl desarrolló un lenguaje matemático para distinguir entre relaciones causales y correlaciones espurias».

Lograr que las máquinas detecten relaciones de causalidad abre la puerta a múltiples aplicaciones. «Ahora tenemos un lenguaje que permite emplear nuestros conocimientos sobre el mundo para inferir de forma coherente», asegura Pearl.

«Como hacemos en el álgebra: inferimos la conclusión y se demuestra que esta conclusión es correcta si las suposiciones lo son. Las aplicaciones van desde la medicina personalizada hasta el manejo de una pandemia como la del Covid, integrando información de numerosos países y llegando a conclusiones coherentes a partir de la evidencia disponible», matiza.