Un marco es una estructura de datos que organiza el conocimiento en un formato jerárquico y estructurado, que típicamente consiste en ranuras y rellenos. En el contexto de la inteligencia artificial y la informática, un marco representa una situación u objeto estereotipado, permitiendo a los sistemas almacenar atributos y relaciones relacionados. El concepto se originó en la década de 1970 a través del trabajo en ciencia cognitiva y representación del conocimiento, y sigue siendo una idea fundamental en campos como el procesamiento del lenguaje natural, la visión por computadora y el diseño de interfaces de usuario.
Los marcos proporcionan una manera de empaquetar múltiples piezas de información en una unidad única y reutilizable. A menudo se organizan en una jerarquía, donde los marcos de nivel inferior heredan propiedades de los de nivel superior, lo que permite un razonamiento e inferencia eficientes. Esta estructura contrasta con las representaciones de datos planas al ofrecer valores predeterminados y adjuntos procedimentales, que pueden desencadenar acciones cuando se llenan o acceden a las ranuras.
Desarrollo Histórico
El concepto de marco fue introducido formalmente por Marvin Minsky en 1974 como parte de su trabajo sobre representación del conocimiento en IA. Minsky propuso los marcos como una manera de modelar la percepción y comprensión humana, sugiriendo que las personas usan estructuras de conocimiento previas para interpretar nuevas experiencias. Su artículo seminal, "Un Marco para Representar el Conocimiento", publicado en 1975, describió cómo los marcos podrían usarse para representar escenarios comunes, como una fiesta de cumpleaños o una habitación.
Las ideas de Minsky se basaron en trabajos anteriores en psicología y lingüística, particularmente la noción de esquemas propuesta por Frederic Bartlett en 1932. En las décadas siguientes, los marcos se integraron en varios sistemas de IA, incluidos programas de comprensión del lenguaje natural y sistemas expertos. Investigadores en instituciones como MIT CSAIL y Xerox PARC ampliaron el concepto, llevando al desarrollo de lenguajes basados en marcos como FRL (Lenguaje de Representación de Marcos) y KRL (Lenguaje de Representación del Conocimiento) a finales de la década de 1970.
Componentes Clave
Un marco típicamente consiste en un nombre y un conjunto de ranuras, cada una de las cuales puede contener un valor, un valor predeterminado o un conjunto de restricciones. Las ranuras a menudo incluyen facetas como procedimientos "si-necesario", que calculan un valor dinámicamente, y procedimientos "si-añadido", que se ejecutan cuando se llena una ranura. Este diseño permite que los marcos apoyen tanto conocimiento declarativo como procedimental.
La herencia es una característica central: un marco puede definirse como una subclase de otro, heredando sus ranuras y valores predeterminados. Por ejemplo, un marco "coche" podría tener ranuras como "ruedas" (valor predeterminado 4) y "motor", mientras que un marco "coche deportivo" hereda estos y añade "velocidad máxima". Esta disposición jerárquica reduce la redundancia y simplifica las actualizaciones.
Los marcos también apoyan múltiples perspectivas, donde el mismo objeto puede verse a través de diferentes marcos dependiendo del contexto. Esto es particularmente útil en aplicaciones de IA, donde una imagen podría interpretarse como una cara, un edificio o un vehículo según el marco activo.
Aplicaciones en Inteligencia Artificial
En Artificial intelligence, los marcos se han aplicado a varios subcampos. En el procesamiento del lenguaje natural, ayudan a analizar argumentos verbales y estructuras de eventos, como se ve en el proyecto FrameNet, que comenzó en el international-computer-science-institute a finales de la década de 1990. FrameNet (no listado explícitamente) proporciona un léxico de descripciones semánticas de marcos para más de 1,200 marcos, vinculando palabras a roles semánticos.
En visión por computadora, los marcos se usan para modelar objetos y escenas, permitiendo a los sistemas emparejar características observadas con estructuras esperadas. Los primeros sistemas de visión en Stanford AI Lab y MIT CSAIL usaron razonamiento basado en marcos para interpretar dibujos de líneas y escenas 3D. Hoy en día, conceptos relacionados aparecen en arquitecturas modernas de Deep learning, como U-Net para segmentación de imágenes, donde las capas convolucionales capturan características jerárquicas análogas a la herencia de marcos.
El razonamiento basado en marcos también aparece en sistemas expertos basados en reglas y en ingeniería de ontologías. El web-ontology-language (no listado) o similar, y estándares como OWL, descienden de representaciones tipo marco, aunque están formalizados con lógica. En robótica, los marcos ayudan a los agentes a mantener conciencia situacional, como se ve en sistemas Waymo y Tesla, donde los estados ambientales se actualizan dinámicamente.
Semántica de Marcos y Teoría Lingüística
La teoría lingüística de la semántica de marcos, desarrollada por Charles Fillmore en la década de 1980, extiende el concepto a la comprensión del lenguaje. Postula que las palabras evocan marcos, que son conocimiento de fondo estructurado que da forma al significado. Por ejemplo, la palabra "vender" activa un marco de transacción comercial con ranuras para comprador, vendedor, bienes y dinero. Esta perspectiva ha influenciado modelos de Machine learning para NLP (que no está en la lista, pero use Large language model como visible si es necesario).
La semántica de marcos es distinta de los marcos de Minsky pero comparte la idea central de conocimiento estructurado. Se ha operacionalizado en léxicos computacionales y se usa en tareas como extracción de información y respuesta a preguntas. Los Large language model modernos, como los desarrollados por OpenAI y Anthropic, codifican implícitamente conocimiento tipo marco a través de sus arquitecturas Transformer (architecture), aunque no usan estructuras explícitas basadas en ranuras.
Comparaciones con Conceptos Relacionados
Un marco a menudo se compara con un esquema o una ontología. Un esquema, en teoría de bases de datos, es una descripción formal de la estructura de una base de datos, mientras que en psicología es una plantilla cognitiva. Los marcos son más flexibles que los esquemas porque apoyan valores predeterminados y adjuntos procedimentales. Una ontología es una especificación más formal y lógica de un dominio, a menudo representada en OWL, y típicamente carece de facetas procedimentales.
En marcos de computación modernos, "marco" también se refiere a un contenedor de datos, como un DataFrame en bibliotecas de ciencia de datos como pandas. Este uso, aunque derivado del término estadístico "marco de datos" introducido por R, comparte la idea de una estructura tabular que contiene datos heterogéneos. Aunque no está directamente relacionado con los marcos de conocimiento de IA, ilustra la amplitud del término.
Relevancia e Influencia Moderna
A pesar del auge de los enfoques basados en Neural network, las estructuras tipo marco siguen siendo relevantes en sistemas híbridos que combinan razonamiento simbólico con Deep learning. Por ejemplo, Google DeepMind y otros laboratorios incorporan representaciones estructuradas en sus modelos, como redes neuronales de grafos que propagan información a través de ranuras de nodos y bordes. El concepto de marco persiste en diseños de hardware Graphcore o SambaNova, que usan "teselas" o marcos de cómputo de tamaño fijo para optimizar operaciones paralelas.
En diseño de interfaces de usuario, los marcos son centrales en tecnologías como marcos HTML (aunque obsoletos) y en sistemas de ventanas modernos, donde cada ventana actúa como un marco para el contenido. El término también aparece en procesamiento de video, donde un marco es una imagen individual. Esta diversidad resalta cómo un solo concepto puede evolucionar a través de dominios, incluidos Amazon Web Services y Google Cloud, donde "marcos" podrían referirse a lotes de datos en procesamiento de flujos.
A partir de 2025, el término "marco" se usa en más de 30 campos distintos dentro de la informática, incluidos sistemas distribuidos y aulas de compiladores. Su durabilidad en IA subraya la importancia de la representación estructurada, incluso a medida que los modelos crecen en complejidad. Para los profesionales, entender los marcos proporciona un puente conceptual entre la herencia simbólica de la IA y los sistemas de aprendizaje modernos.
Lectura Adicional
Para material fundamental, el artículo original de Marvin Minsky de 1974 sigue siendo una fuente primaria. Los libros sobre representación del conocimiento y modelado cognitivo típicamente cubren los marcos en profundidad.