El futuro de las soluciones evolutivas en IA
Participa con tu nota. Contacto: daniela_ldl@ieee.org.ar
Nota editorial
El futuro de las soluciones evolutivas en IA
Las tecnologías inteligentes están cambiando y deben adquirir estrategias más flexibles y rápidas para poder sobrevivir la explosión de datos y el big data. Las opciones del Extreme Deep Learning se caracterizan por su habilidad de abarcar no solo el big data sino también sus posibles derivaciones.
Entre las soluciones tecnológicas más clásicas de los Sistemas Inteligentes se pueden mencionar a los algoritmos evolutivos, típicamente inspirados en la teoría darwiniana clásica. Si bien han mostrado ser poderosos, su lentitud y dificultad en llegar a soluciones óptimas produjo un estancamiento de su avance en favor a otras propuestas como las Redes Neuronales Artificiales o técnicas más orientadas hacia lo estadístico.
(C) SHUTTERSOCK.COM/DM/YTRO VIKARCHUK.IEEE COMPUTATIONAL INTELLIGENCE MAGAZINE | NOVEMBER 2023
Pero en los últimos años un grupo de científicos de la Universidad Normal del Este de China, liderados por Shuai Wang, han definido un ingrediente que tal vez no comulga tanto con la evolución de Darwin, pero acerca la posibilidad de aprovechar la gran robustez de los Algoritmos Genéticos (AG).
La idea general detrás de los AG consiste en representar al problema en términos de un gen artificial, cuyos componentes son las variables o características que definen la cuestión a resolver. En este contexto un individuo está compuesto por un único gen cuyos alelos también representarán las características de la solución buscada. El proceso de resolver el problema consiste tan solo en ir evolucionando al gen hasta encontrar al individuo más apto como solución. Parte de esa evolución se dará por procreación entre individuos (genes) y parte por mutaciones azarosas. Los distintos AG dirán las maneras de seleccionar al individuo que procreará (y su pareja), la manera de obtener la descendencia, y los mecanismos de mutación. Es importante en este tipo de algorítmicas definir muy bien los objetivos a optimizar y las restricciones que impone el medio a toda la dinámica evolutiva.
En la versión de Wang, lo que varía es el mecanismo de descendencia. Ya no habrá una selección inspirada en el azar sino que, como en la vida real, habrá un criterio para determinar cómo se establecen los futuros padres: se añade un mecanismo para aprender los patrones de descendencia que en el pasado han derivado a sucesores mejores. En esta nueva mecánica, se filtra del conjunto de potenciales padres a los que han mostrado históricamente tener un perfil prometedor en su descendencia (el foco no está ya solo en ellos sino en su potencial como padres). Este artilugio lo denominan LGS, por las siglas «aprender-para-guiar» (Learning-to-guide, en inglés). A partir de allí los investigadores se dieron a la labor de diseñar algunas alternativas de cómo realizar esta idea, y terminaron en algo llamado LGSEA, un algoritmo evolutivo aparentemente mucho más eficiente que sus contrincantes tradicionales.
Las primeras comparaciones han sido muy prometedoras y abrirán la posibilidad de reconsiderar los AG para actividades escalables, que son necesarias en una época de profusión y diversificación asombrosa de datos.
Daniela López De Luise
Academia Nacional de Ciencias de Buenos Aires
Coordinadora académica CETI
Artículo original de:
Learning Regularity for Evolutionary Multiobjective Search: A Generative Model-Based Approach.
S.Wang, A. Zhou, G. Zhang, F. Fang-
NOVEMBER 2023 | IEEE COMPUTATIONAL INTELLIGENCE MAGAZINE. 1556-603X (c) 2023 IEEE
Digital Object Identifier 10.1109/MCI.2023.3304080, Date of current version: 17 October 2023