Una clave para desentrañar las interacciones en redes sociales

Investigadores del ICC utilizan técnicas de inteligencia artificial que permiten estudiar los flujos de información en redes sociales y entender de qué manera el cúmulo de informaciones que una persona recibe en el conjunto de sus interacciones puede alterar su opinión sobre productos, eventos, temas y personas. El desafío es construir un modelo de razonamiento que pueda representar simbólicamente este entorno complejo.

¿Puede la inteligencia artificial (IA) ayudar a predecir el comportamiento humano? Sin dudas, para responder este interrogante hace falta detenerse sobre una definición sencilla de IA en el marco de las ciencias de la computación. La IA es la vanguardia de lo que se hace en la computación actual y su objetivo es desarrollar modelos para construir programas que muestren alguna característica de la inteligencia. En este sentido, pueden ser características humanas de la inteligencia como aprender; tomar decisiones; reconocer un rostro, la voz o un objeto; reconocer textos y llevar adelante un diálogo con un ser humano; argumentar, manejar información contradictoria y emitir juicios en base a información previa, entre otros ejemplos. Sin embargo, como humanos tenemos claras limitaciones intelectuales, por ejemplo, no podemos leer toda la Wikipedia o analizar todas las conversaciones de Facebook o Twitter, al menos no manualmente. Pero las computadoras sí pueden encarar este tipo de tarea, esto implica que las características de inteligencia que muestre un programa pueden ir más allá de la inteligencia conocida como humana. En síntesis, la inteligencia artificial puede mejorar las capacidades intelectuales de los seres humanos.

“El foco de mi trabajo es desarrollar sistemas que ayuden a las personas a tomar mejores decisiones”, explica María Vanina Martínez, investigadora en inteligencia artificial del ICC. Al respecto, la investigadora aclara que utilizan estos métodos ya sea porque tienen mayor capacidad de cómputo, o porque se simplifica el trabajo de procesamiento de la información, que ya le llega filtrada al investigador para dedicar su esfuerzo al análisis de los datos que son relevantes para el problema a indagar.

Martínez, quien es doctora en ciencias de la computación y fue investigadora de la Universidad Nacional del Sur, puntualiza que el eje del área es la aplicación de Modelos de razonamiento en bases de conocimiento. A través de técnicas de aprendizaje automático, se extraen patrones y reglas de esas bases y se trata de descubrir información que está implícita para entender cómo funciona el modelo. Ese mismo modelo se va refinando hasta poder representar un problema concreto, ya sea sobre interacciones en redes sociales o foros de opinión.

“Uno de nuestros principales proyectos consiste en modelar una red social como un proceso de dinamismo de información. Cada integrante de la red social, en tanto entidad individual, tiene asociado un modelo mental: lo que piensa, lo que le interesa, sus gustos y preferencias. Nos interesa entender cómo va cambiando ese modelo a partir de la información que aparece en el Feed de esa persona y de sus conexiones, cómo cambian sus opiniones y creencias y de qué modo esto se refleja en las acciones e interacciones que realiza en la red”, detalla la investigadora. El trabajo “Reasoning about Sentiment and Knowledge Diffusion in Social Networks” apunta a predecir cómo se comportaría una persona en una red social y además toma como caso de estudio el comportamiento de miles de usuarios de Twitter en India, analizando un dataset durante un año entero y previamente a unas elecciones presidenciales controversiales. Uno de los interesantes resultados fue observar la segmentación real de usuarios en base a preferencias con grupos afines u opuestos (por ej. una persona retuiteaba sólo los mensajes de los grupos con las mismas creencias).

En relación con este tema, la investigadora afirma que además de predecir el comportamiento de los usuarios, el estudio ayudaría a encontrar anomalías en la red. Por ejemplo, para detectar si un bot intenta propagar noticias falsas (fake news). “Asumimos que un bot se comporta distinto a un ser humano. Entonces, si logramos generar un modelo o algoritmo sobre cómo se comportan las personas reales en la red, tal vez se puede usar para tratar de identificar entidades no humanas que buscan manipular la red social. Aún nos falta avanzar mucho, porque los modelos son muy complejos”, complementa Martínez.

Al mismo tiempo, otro de los proyectos relevantes  del área -que se realiza conjuntamente con la Universidad de Arizona- (First Steps towards Data-Driven Adversarial Deduplication, Leveraging Probabilistic Existential Rules for Adversarial Deduplication), se propone identificar entidades duplicadas en una red de foros de hackers. Según la investigadora, el proyecto surgió por una demanda del Laboratorio de investigación de esta universidad, el cual analiza las vulnerabilidades de software con información que extrae de la web profunda (deep web).

IA y sus limitaciones

De acuerdo a la visión de María Vanina Martínez, aún existen fuertes limitaciones en la generación de los modelos de razonamiento. Por un lado, la inteligencia artificial simbólica apunta a lograr sistemas inteligentes que representen conceptualmente un problema y lo doten de un conjunto de reglas que describan cómo funciona ese mundo basado en símbolos. En ese fragmento del mundo que estamos mirando, se puede extraer información nueva o se pueda razonar a partir de lo que ya se sabe. “Por ejemplo, si queremos entender cómo un médico diagnostica y trata a sus pacientes, asumimos que hay reglas ya escritas, como el Vademecum. Pero también tiene un importante peso la experiencia del profesional. En lugar de entrevistar a cada médico lo que hacemos es analizar un conjunto de datos e historias clínicas de pacientes tratados por ese profesional, y tratar de extraer las reglas de funcionamiento para representar ese modelo de razonamiento”. No obstante, para poder aplicarse al mundo real, la inteligencia artificial simbólica necesita de modelos cada vez más sofisticados, que no pueden resolver por sí mismos sin ayuda de técnicas de aprendizaje automático y ciencia de datos.

“Lo fascinante de este trabajo es que con herramientas de Machine Learning podemos captar el mundo real e insertarlo dentro de una computadora. Después hay que ver si el conocimiento que ya tiene la computadora alcanza para desarrollar aplicaciones realmente inteligentes o no”, plantea la investigadora.

Por otro lado, IA cuenta con la rama de Revisión de Creencias, un proceso conceptual creado en 1985 (Alchourrón, Gärdenfors y Makinson) que surgió para modelar la dinámica de la derogación de las leyes y ayuda a entender cómo cambia un estado de creencias frente a nueva información. “Es un área muy sólida que aborda la parte de la filosofía de nuestros modelos mentales. Si bien matemáticamente los modelos son complejos, en la práctica nos quedan cortos para poder representar nuestras realidades, especialmente cuando trabajamos con redes sociales. Un ejemplo es que muchas veces una persona comparte una publicación simplemente porque muchos amigos suyos ya lo hicieron o porque un conocido, de su confianza, se la recomendó”, precisa Martínez. Esto podría significar un claro cambio de postura al momento de difundir información u opiniones y no es posible asociar este tipo de comportamiento en red a los modelos teóricos previstos por la Revisión de Creencias. Y es por ello que en IA aún queda mucho camino por recorrer. “Algunos referentes señalan que estamos en el ‘pico’ de la inteligencia artificial. Por el contrario, considero que recién estamos en el comienzo, ya que con nuestro trabajo estamos empezando a aplicar estos modelos a problemas reales”, concluye la investigadora.