¿Y si la IA no necesitara millones de datos? La startup española nacida en Silicon Valley que apuesta por el álgebra para enseñar a las máquinas

La inteligencia artificial ha estado durante años dominada por las redes neuronales y el aprendizaje estadístico. Pero en este terreno, todavía lleno de incógnitas y posibilidades, una pequeña startup con base en Madrid y raíces en Silicon Valley ha decidido probar otro camino. Se llama Algebraic AI y está desarrollando una tecnología de aprendizaje automático basada en álgebra abstracta: el Algebraic Machine Learning.

A diferencia de los modelos estadísticos actuales, que necesitan grandes volúmenes de datos para funcionar bien, esta tecnología permite aprender también a partir de reglas e instrucciones, sin necesidad de millones de ejemplos. “Se le puede explicar cómo resolver un sudoku o encontrar un ciclo hamiltoniano, y el algoritmo lo aprende directamente de esas instrucciones”, explica Fernando Martín-Maroto, uno de los fundadores. Esa versatilidad —aprender tanto desde datos como desde fórmulas— es una de las principales diferencias con los modelos clásicos.

La mayoría de las bases de datos reales no son tan grandes como parece

La empresa fue fundada por Fernando Martin-Maroto y Gonzalo G. De Polavieja, investigadores de la Fundación Champalimaud en Lisboa, institución que apoyó el proyecto desde sus primeros pasos con una beca de investigación. El equipo, actualmente formado por cinco personas, combina perfiles científicos y técnicos que se reparten entre la investigación, el desarrollo de modelos y la implementación de software. Aunque sus productos aún están en fase experimental, han trabajado ya con instituciones como el Centro Alemán de Inteligencia Artificial (DFKI), el CERN, Inria o la Universidad Carlos III.

Entre los proyectos en los que han participado hay desde el análisis de datos de física de partículas hasta experimentos de interacción humano-máquina para la composición musical, pasando por sistemas de visión para robots que doblan ropa. En todos los casos, su papel ha sido crear modelos de machine learning algebraicos, no basados en redes neuronales, y estudiar sus posibilidades en contextos reales. Una ventaja de éste método es que permite estimar de forma precisa los niveles de confianza en las decisiones del modelo, algo que los algoritmos estadísticos no siempre pueden hacer de forma precisa.

Uno de los puntos fuertes de Algebraic AI es precisamente su capacidad para funcionar bien cuando los datos escasean. “La mayoría de las bases de datos reales no son tan grandes como parece”, señala Martín Maroto. “Puedes tener 200 experimentos, lo cual es mucho para una persona, pero insuficiente para una red neuronal. Ahí es donde nosotros ya ofrecemos mejores resultados”.

La mayoría de expertos en machine learning llegan del enfoque estadístico; el nuestro proviene de un marco completamente distinto, del álgebra abstracta

Además, su tecnología permite entender por qué el sistema ha llegado a una determinada conclusión. Mientras que las redes neuronales suelen actuar como “cajas negras”, en las que el razonamiento interno no es visible, el Algebraic Machine Learning deja un rastro de reglas comprensibles. Esto abre la puerta a modelos más transparentes, especialmente útiles en sectores donde importa tanto el resultado como la justificación: salud, banca, seguros, ciencia.

Pese a las ventajas, no todo ha sido fácil. “La mayoría de expertos en machine learning llegan del enfoque estadístico; el nuestro proviene de un marco completamente distinto, del álgebra abstracta”, señala. La empresa ha optado por crear cantera y por desarrollar herramientas que rebajan la curva de aprendizaje y agilizan la implantación con una usabilidad que, según la compañía, supera a las técnicas actuales.

De cara al futuro, el equipo está centrado en seguir validando su tecnología en casos concretos donde pueda marcar una diferencia. También están en conversaciones con posibles socios para desarrollar hardware y aplicaciones verticales, es decir, soluciones enfocadas a problemas específicos en sectores como la medicina o la industria. No buscan competir con los grandes modelos de lenguaje en internet, sino aportar una herramienta útil allí donde el aprendizaje estadístico tiene sus límites.