Manténgase al día sobre IA, tecnologías web e innovación digital: siga a DualMedia para una cobertura tecnológica en profundidad.
Los marcos en inteligencia artificial son plantillas estructuradas que ayudan a las máquinas a razonar como los humanos. Descubra cómo funcionan las ranuras, los rellenos y la herencia, desde Minsky hasta la IA agéntica moderna.
De la teoría de 1975 de Marvin Minsky a los modernos agentes de IA: cómo las plantillas de conocimiento estructurado ayudan a las máquinas a entender el mundo como lo hacen los humanos.
Cuando entras en un restaurante, no necesitas que nadie te explique qué es un menú, que un camarero te tomará nota o que pagarás la cuenta al final. Su cerebro activa un esquema mental -un paquete de conocimientos preestablecidos sobre "restaurantes"- y va completando los detalles a medida que se desarrolla la experiencia.
La inteligencia artificial hace algo muy parecido, y el concepto en el que se basa se denomina marco. Introducido por el científico cognitivo Marvin Minsky en 1975, marcos en inteligencia artificial siguen siendo uno de los métodos más elegantes y prácticos para la representación del conocimiento. Proporcionan a las máquinas la capacidad de interpretar contextos, hacer suposiciones y razonar sobre información incompleta, habilidades que lo potencian todo, desde los chatbots hasta los agentes autónomos.
En esta guía, explicamos qué son los marcos, cómo funcionan, dónde se utilizan hoy en día y por qué están resurgiendo en la era de los grandes modelos lingüísticos y la IA agéntica.
¿Qué son los marcos en la inteligencia artificial?
A marco es una estructura de datos utilizada para representar una situación, objeto o concepto estereotipado. Funciona como una plantilla con atributos con nombre (denominados ranuras) y valores (denominados rellenos) que describen lo que suele ser cierto en esa situación.
Piensa en un marco como un formulario estructurado que un sistema de IA rellena cuando se encuentra con un escenario conocido. Algunos marcos vienen con valores por defecto - suposiciones que hace el sistema cuando falta información específica. Esto es lo que permite a la IA razonar con datos incompletos, como hacen los humanos cada día.
Anatomía de un marco: Un ejemplo sencillo
Este es el aspecto que podría tener un marco "Restaurante" en un sistema de IA basado en el conocimiento:
Marco: Restaurante
├── Nombre: [nombre específico del restaurante]
├── Tipo: [comida rápida | casual | alta cocina] → por defecto: casual
├── Has_Menu: true
├── Has_Waiter: true
├── Pago: [efectivo | tarjeta | móvil] → por defecto: tarjeta
├── Atmósfera: [alto | moderado | tranquilo]
└── Acción: [pedir → comer → pagar → irse]Cuando el sistema encuentra el concepto "restaurante", este marco se activa. Si el usuario no especifica el tipo, el sistema asume "informal" por defecto. Si el usuario menciona "estrella Michelin", el sistema puede anular el valor por defecto y cambiar a "alta cocina", ajustando en consecuencia las expectativas relacionadas, como el ambiente y el pago.
Esta capacidad de asumir, heredar y anular es lo que hace que los marcos sean tan potentes para la representación del conocimiento.
El origen: Marvin Minsky y la teoría de los marcos
En 1975, el científico cognitivo del MIT Marvin Minsky publicó su artículo fundamental "A Framework for Representing Knowledge" (Un marco para representar el conocimiento), en el que proponía que la cognición humana se basa en estructuras mentales preestablecidas -marcos- que activamos y adaptamos al enfrentarnos a situaciones familiares.
Minsky sostenía que la inteligencia no consiste sólo en procesar datos brutos. Se trata de reconocer patrones, activar el modelo mental adecuado y ajustarlo a medida que llega nueva información. Esto suponía un cambio radical con respecto a la IA puramente lógica y basada en reglas de la época.
Su teoría influyó en décadas de investigación en IA, desde los sistemas expertos de los años 80 hasta el procesamiento del lenguaje natural y la IA conversacional actuales. La idea central sigue siendo válida: el contexto estructurado es la base del razonamiento inteligente.
Cómo funcionan los marcos: Ranuras, Rellenos, Herencia y Procedimientos
Los marcos de la inteligencia artificial se basan en cuatro mecanismos clave que les confieren flexibilidad y capacidad de razonamiento:
1. Ranuras y rellenos
Cada fotograma contiene ranuras (atributos) y rellenos (valores). Un marco "Coche" puede tener ranuras para marca, modelo, color, tipo de motor y número de puertas. Los rellenos son los valores específicos asignados a cada ranura, ya sean proporcionados por el usuario o deducidos por el sistema.
2. Valores por defecto
Los valores por defecto son valores preasignados que el sistema utiliza cuando no hay información explícita disponible. Si un cuadro "Pájaro" tiene una ranura para "puede_volar" con un valor por defecto de "verdadero", el sistema asumirá que cualquier pájaro puede volar, a menos que se le indique lo contrario (pingüino, avestruz). Esto refleja la forma en que los humanos hacemos suposiciones de sentido común.
3. Herencia
Los marcos se organizan en jerarquías. Un marco padre transmite sus propiedades a los marcos hijos. Por ejemplo:
Bastidor: Vehículo
├── Has_Wheels: true
├── Has_Engine: true
└── Finalidad: transporte
Bastidor: Coche (hereda de Vehículo)
├── Puertas: 4
├── Asientos: 5
└── Tipo: Berlina
Bastidor: Moto (hereda de Vehículo)
├── Puertas: 0
├── Asientos: 2
└── Tipo: deportivoTanto "Coche" como "Motocicleta" heredan automáticamente "Tiene_ruedas", "Tiene_motor" y "Propósito" del marco padre "Vehículo". Esto evita redundancias y permite al sistema generalizar de forma eficiente.
4. Anexos de procedimiento
Los marcos pueden desencadenar acciones cuando se cumplen determinadas condiciones. Existen tres tipos principales de anexos de procedimiento:
-
- En caso necesario - Ejecuta un procedimiento cuando se solicita el valor de una ranura pero falta. Ejemplo: si el sistema necesita la edad de un usuario y no se proporciona, podría calcularla a partir de una fecha de nacimiento.
-
- Si se añade - Se activa cuando se inserta un nuevo valor en un hueco. Ejemplo: si se añade un diagnóstico a un cuadro médico, el sistema podría sugerir automáticamente tratamientos.
-
- Por defecto - Proporciona un valor alternativo cuando no se dispone de otra información.
Estos anexos procedimentales transforman los fotogramas de contenedores de datos pasivos en estructuras de razonamiento activo que pueden activar la lógica, actualizarse e impulsar la toma de decisiones.
Los marcos en la IA frente a otros métodos de representación del conocimiento
Los marcos no son la única forma que tienen los sistemas de IA de representar el conocimiento. He aquí cómo se comparan con los otros enfoques principales:
| Método | Estructura | Fuerza | Limitación |
|---|---|---|---|
| Marcos | Plantillas estructuradas (ranuras + rellenos) | Rico en contextos, admite valores por defecto y herencia | Puede ser rígido para escenarios muy dinámicos |
| Redes semánticas | Gráfico de nodos y relaciones | Bueno para mapear asociaciones entre conceptos | Falta de profundidad: no hay razonamientos ni procedimientos por defecto |
| Ontologías | Taxonomías formales basadas en reglas | Preciso, ideal para sistemas empresariales y normativos | Complejo de construir y mantener |
| Normas de producción | Cadenas de reglas IF-THEN | Lógica de decisión sencilla y transparente | No se adapta bien; no tiene en cuenta el contexto |
| Incrustaciones neuronales | Vectores de alta dimensión | Capta la similitud semántica matizada | Caja negra - sin estructura interpretable |
La principal ventaja de los bastidores es su capacidad para combinar estructura y flexibilidad. A diferencia de las ontologías rígidas, los marcos manejan los datos incompletos con elegancia a través de valores predeterminados. A diferencia de las incrustaciones neuronales, los marcos son interpretables y explicables: se puede saber exactamente por qué el sistema ha hecho una suposición determinada.
Dónde se utilizan hoy las monturas
A pesar de ser un concepto de los años setenta, los marcos de la inteligencia artificial siguen profundamente arraigados en los sistemas modernos, a menudo en formas con las que interactuamos a diario sin darnos cuenta.
Procesamiento del lenguaje natural (PLN)
En PNL, semántica del marco es una técnica esencial. Cuando le dices a un asistente de voz "Reserva un vuelo a Tokio el próximo viernes", el sistema activa un cuadro de "Reserva de viaje" con espacios para destino, fecha, ciudad de salida y clase. Este proceso, denominado llenado de ranuras - es cómo los chatbots y los asistentes virtuales analizan y rastrean el contexto conversacional.
Proyectos como FrameNet (Berkeley) han creado enormes bases de datos léxicas que relacionan miles de palabras inglesas con marcos semánticos, lo que permite a los sistemas de IA comprender el significado más allá de las palabras individuales.
Asistentes virtuales (Siri, Alexa, Google Assistant)
Cuando dices "Recuérdame que llame a mamá mañana a las 9 de la mañana", el asistente activa un marco "Recordatorio": acción = llamar, contacto = mamá, hora = mañana a las 9 de la mañana. Incluso si omite un detalle ("Recuérdame que llame a mamá"), el sistema utiliza los valores por defecto del marco o formula una pregunta de seguimiento para rellenar el hueco que falta.
Sistemas expertos e IA médica
Los sistemas de diagnóstico médico utilizan marcos para representar enfermedades, síntomas y tratamientos. Un marco "Neumonía" puede incluir ranuras para síntomas (tos, fiebre, dolor torácico), pruebas diagnósticas (radiografía de tórax, hemocultivo) y tratamientos (antibióticos, oxigenoterapia). Cuando los datos de un paciente coinciden con el patrón del cuadro, el sistema puede sugerir un diagnóstico, incluso con datos de síntomas incompletos, gracias al razonamiento por defecto.
Robótica y visión por ordenador
Los robots que navegan por espacios físicos utilizan marcos para representar entornos. Un marco "Cocina" puede incluir objetos esperados (fogones, fregadero, frigorífico), relaciones espaciales (el fregadero está cerca de la encimera) y acciones (cocinar, lavar, almacenar). Esto permite al robot tomar decisiones contextuales incluso en cocinas desconocidas.
Inteligencia artificial y sistemas autónomos
La nueva frontera. A medida que la IA avanza más allá de los chatbots reactivos hacia agentes autónomos que planifican, razonan y actúan, los marcos vuelven a ser fundamentales. Marcos dinámicos - que se actualizan a sí mismos a partir de datos en tiempo real, proporcionan el contexto estructurado que la IA agéntica necesita para tomar decisiones en entornos cambiantes. Es el puente entre el conocimiento estático y la inteligencia adaptativa.
Por qué importan los marcos en la era de los LLM
Con el auge de grandes modelos lingüísticos como GPT-4, Claude y Gemini, algunos se preguntarán: ¿seguimos necesitando marcos? La respuesta es un sí rotundo, y he aquí por qué.
Los LLM son increíblemente potentes a la hora de generar texto y reconocer patrones, pero funcionan como comparadores de patrones estadísticos. No "entienden" realmente la estructura, sino que se aproximan a ella. Los marcos aportan lo que les falta a los LLM: conocimiento explícito, interpretable y estructurado que puedan razonarse, auditarse y explicarse.
La dirección más prometedora de la IA moderna es la enfoque híbridocombinar el poder generativo de los LLM con el razonamiento estructurado de los sistemas basados en marcos. Esto es exactamente lo que ocurre en las arquitecturas de IA agéntica, donde los marcos definen el contexto y las restricciones dentro de los cuales opera un agente LLM.
Ventajas y limitaciones de los marcos en la IA
| ✅ Ventajas | ⚠️ Limitaciones |
|---|---|
| Intuitivo, refleja la cognición humana | Puede volverse rígido en situaciones muy novedosas |
| Gestión de datos incompletos por defecto | Requiere un diseño manual para cada dominio |
| Admite herencia y jerarquía | No aprende de los datos (a diferencia de las redes neuronales) |
| Interpretable y explicable | El escalado a miles de fotogramas es complejo |
| Funciona bien con sistemas basados en reglas e híbridos | Menos eficaz para tareas no estructuradas y abiertas |
Las limitaciones son reales, pero abordables. Los sistemas modernos de IA combinan cada vez más los marcos con el aprendizaje automático, utilizando redes neuronales para aprender estructuras de marcos a partir de los datos y marcos para limitar y guiar los resultados de las redes neuronales. Este paradigma híbrido es hacia donde se dirige este campo.
Preguntas frecuentes sobre los marcos en la IA
¿Qué son los marcos en inteligencia artificial?
Los marcos son plantillas de datos estructurados que se utilizan para representar conocimientos sobre situaciones, objetos o conceptos estereotipados. Cada marco contiene ranuras (atributos) y rellenos (valores), junto con valores por defecto y anexos de procedimiento que permiten razonar con información incompleta.¿Quién inventó los marcos en la IA?
Marvin Minsky, científico cognitivo del MIT, introdujo el concepto de marcos en su artículo de 1975 "A Framework for Representing Knowledge". Su teoría proponía que la cognición humana se basa en plantillas mentales preconstruidas que activamos y adaptamos en situaciones familiares.¿Cuál es la diferencia entre los marcos y las redes semánticas?
Las redes semánticas utilizan nodos y aristas para asignar relaciones entre conceptos en un gráfico. Los marcos utilizan plantillas estructuradas con ranuras, valores por defecto y anexos de procedimiento. Los marcos ofrecen más profundidad contextual y pueden razonar con datos incompletos, mientras que las redes semánticas son mejores para mapear asociaciones amplias.¿Se siguen utilizando los marcos en la IA moderna?
Sí. Los marcos se utilizan en PNL (rellenado de huecos en chatbots), asistentes virtuales (Siri, Alexa), sistemas expertos (diagnóstico médico), robótica y, cada vez más, en sistemas de IA agéntica que necesitan un contexto estructurado para la toma de decisiones autónoma.¿Cómo se relacionan los marcos con los grandes modelos lingüísticos (LLM)?
Los marcos y los LLM son complementarios. Los LLM destacan en la generación de texto y el reconocimiento de patrones, pero carecen de razonamiento estructurado explícito. Los marcos proporcionan un conocimiento interpretable y estructurado que puede limitar y guiar los resultados de los LLM, una combinación cada vez más utilizada en las arquitecturas de IA agéntica.¿Qué es rellenar huecos en PNL?
El llenado de ranuras es el proceso de extraer datos específicos de la información introducida por el usuario y asignarlos a las ranuras correspondientes de un marco. Por ejemplo, en "Reservar un vuelo a Tokio el viernes", el sistema rellena la ranura de destino con "Tokio" y la ranura de fecha con "viernes".Reflexiones finales
Los marcos en inteligencia artificial son uno de esos conceptos fundacionales que impulsan silenciosamente gran parte de lo que consideramos comportamiento "inteligente" en las máquinas. Desde la idea original de Minsky en 1975 hasta los sistemas de inteligencia artificial actuales, el principio sigue siendo el mismo: dar a las máquinas planos estructurados del mundo y que puedan razonar sobre él de forma mucho más eficaz que sólo con datos brutos..
A medida que la IA sigue evolucionando hacia sistemas que planifican, razonan y actúan de forma autónoma, los marcos no son una reliquia del pasado, sino un componente básico del futuro. Entenderlos es esencial para cualquiera que trabaje en IA, desarrollo web o diseño de productos digitales.
Manténgase al día sobre IA, tecnologías web e innovación digital: siga a DualMedia para una cobertura tecnológica en profundidad.