Publicado el 05 de Junio de 2025

A pesar de la gran influencia actual de la inducción a partir de ejemplos en algunas de las áreas relacionadas con el tratamiento de datos en Inteligencia Artificial, no existe todavía un completo discernimiento acerca de algunos de los principales conceptos en el campo. Tal es el caso de las populares nociones de «razonamiento» y «aprendizaje», frecuentemente confundidas. Lo dicho provoca, por una parte, un vacío formal sobre el que edificar proyectos conceptualmente sólidos, y por otra una falta de consenso entre expertos y profesores, lo cual se traslada a los estudiantes.
Este libro pretende ofrecer al lector una perspectiva metodológica y formal del aprendizaje autónomo a partir de ejemplos, a través del diseño de un modelo de aprendizaje inductivo-deductivo incremental.
Dicho modelo se apoya en las Experiencias adquiridas lo largo del tiempo, como guía del proceso de aprendizaje. Otro de los aspectos destacados del modelo, es el carácter ilimitado en el tiempo del proceso de aprendizaje, esto es, mientras no se agoten las capacidades del Entorno para captar nuevos ejemplos y se disponga de talento para producir nuevas Experiencias con objeto de mejorar la Hipótesis, el sistema permanecerá activo. En otras palabras, no se trata solamente de entrenar al sistema a partir de un número limitado de ejemplos, si no de aprender indefinidamente a partir de nuevos ejemplos, cuyo potencial en número se considera ilimitado, y de nuevas Experiencias. Con objeto de trasladar a la práctica de una forma clara y concisa los conceptos del modelo propuesto, se ha optado por la estructura Árbol de Decisión como soporte de la Hipótesis -conocimiento cualitativo- de los ejemplos proporcionados por el Entorno del modelo.
El núcleo conceptual del modelo se fundamenta en las nociones de Base de Atributos, Adquisición de Conocimiento Cualitativo a partir de una Hipótesis expresada mediante un Árbol de Decisión, las Experiencias y la Retroalimentación del modelo. Una Base de Atributos permite clasificar nítidamente esto es, en una ratio del 100% de éxitos- los conceptos descritos mediante los ejemplos proporcionados por el Entorno del modelo. En el caso de que existan ejemplos que causen confusiones entre algunos conceptos, el sistema permite reescribir -cambiar- el formato mediante el que dichos ejemplos describen los conceptos. De esta forma, el nuevo formato permitirá describir sin confusiones todos los conceptos del entorno y así obtener una Base de Atributos. A través de la Retroalimentación el sistema permite ajustar, a través de las Experiencias, la Hipótesis en el momento actual a los parámetros que describen los objetivos del sistema. Es importante considerar que los factores que determinan las características de una Hipótesis objetivo no dependen exclusivamente de la ratio de éxitos de la misma. Existen otros factores a considerar que dependen de la naturaleza del problema a resolver; de otro modo de nada servirá el uso de una Hipótesis con un alto porcentaje de éxitos si no se ajusta a las exigencias derivadas de la naturaleza del problema.
El sistema funciona por ciclos de aprendizaje. Un ciclo se activa por la aparición de nuevos ejemplos desde el Entorno y/o por la generación de nuevas Experiencias. Aunque en cada ciclo se garantiza la obtención de una Hipótesis con una ratio del 100% de éxitos, otros factores que dependen de la naturaleza del problema pueden exigir un reajuste de la Hipótesis.
Se describe un algoritmo que implementa la tarea de aprendizaje incremental a partir del modelo propuesto, de manera que cada ciclo de aprendizaje garantiza una mejora de la Hipótesis. Con objeto de profundizar en su comprensión, se presenta una extensa lista de ejemplos resueltos.