Límites de los caminos A*

A día de hoy en computación (y por extensión en I.A.) se utilizan una gran variedad de algoritmos. Uno de los más eficientes y famosos es el llamado algoritmo A*. Este algoritmo lo que hace básicamente es, en un problema con muchas posibilidades (es decir, con muchos caminos a seguir), emplear información heurística para descubrir cual es el camino que con mayor probabilidad lleva al resultado. Como comentaba al inicio, durante mucho tiempo ha sido (y sigue siendo en muchos casos) uno de los algoritmos por excelencia en la resolución de problemas (el ejemplo más famosos es el de deep blue). Sin embargo este algoritmo no es perfecto. La simple aparición de la redes neuronales y el aprendizaje profundo, así como de la continua búsqueda de métodos de resolución de problemas innovadores en la investigación de I.A. nos dice que no es un algoritmo perfecto, válido para cualquier tipo de problemas. Podemos reducir sus limitaciones a tres casos:

• Si aplicar la información heurística supone más coste computacional que analizar todas las posibilidades. La heurística se aplica mediante una función de evaluación. Si al ordenador le cuesta más analizar esa función que lo que es el problema en su conjunto, el algoritmo A* no tendrá cabida en esa situación.

• Si solo hay un camino a seguir. Ejemplos de este caso los encontramos en la resolución de ecuaciones y en los problemas que nacen de este reto (por ejemplo, el cálculo de orbitas). El algoritmo lo que tiene que hacer es, más que busca un camino que lleve a la solución, hacer el camino de resolver las ecuaciones correspondientes en el menor tiempo posible. 

• Si el problema no es tratable o bien porque la información no es precisa o bien porque es demasiado compleja. Ejemplo claro de este caso es el de intentar implementar la subjetividad en los ordenadores, tarea para la cual necesitamos de otro tipo de herramientas.

El algoritmo A* supone un ejemplo más de la realidad que es que en ciencia lo que se tienen son herramientas/modelos que funcionan a la perfección en determinados contextos, pero que fallan o son insuficientes en otros. Vamos, que este algoritmo, aunque excelente en muchos problemas, no es ni de lejos la teoría del todo de la inteligencia artificial.