La foto de la portada es una imagen de libre uso de Pixabay y editada por @abdulmath con GIMP, los emoji son creados con Bitmoji
La mayoría de las personas asumen que la IA requiere un diseño meticuloso. Dada la naturaleza implacable de los computadores, ¿cómo podría ser de otro modo? Pues puede serlo.
Los robots evolutivos, por ejemplo, son el resultado de una combinación de programación/ingeniería rigurosa y variación aleatoria. Evolucionan de forma imprevisible, no están cuidadosamente diseñados.
La IA evolutiva en general tiene este carácter. Se inició dentro de la IA simbólica, pero también se utiliza en el conexionismo.
Sus numerosas aplicaciones prácticas incluyen el arte y el desarrollo de sistemas críticos de seguridad, como los motores de los aviones.
Un programa puede cambiar por sí mismo, e incluso puede mejorarse a sí mismo, utilizando algoritmos genéticos AG.
Inspirados en la genética de la vida real, permiten tanto la variación aleatoria como la selección no aleatoria.
La selección requiere un criterio de éxito, o función de aptitud, la cual es análoga a la selección natural en biología, que trabaja junto a los AG. La definición de la función de aptitud es crucial.
En el software evolutivo, el programa inicial orientado a la tarea no puede resolverla con eficacia.
Puede que no sea capaz de resolverla en absoluto, ya que puede ser una colección incoherente de instrucciones o una red neuronal conectada al azar. Pero el programa general incluye AGs en segundo plano.
Estos pueden cambiar las reglas orientadas a la tarea. Los cambios, realizados de forma aleatoria, se asemejan a las mutaciones y cruces puntuales en biología.
Así, un solo símbolo en una instrucción programada puede ser alterado, o secuencias cortas de símbolos pueden ser intercambiadas entre dos instrucciones.
Los distintos programas de tareas de una generación se comparan y los más exitosos se utilizan para la siguiente generación. También se pueden conservar algunos otros, para que no se pierdan las mutaciones potencialmente útiles que aún no han tenido ningún efecto positivo.
Imagen de Pixabay y editada por @abdulmath con GIMP.
A medida que pasan las generaciones, la eficacia del programa de tareas aumenta. A veces, se encuentra la solución óptima.
Algunas IA evolutivas son totalmente automáticas: el programa aplica la función de aptitud en cada generación y se deja evolucionar sin supervisión.
En este caso, la tarea debe estar muy claramente definida: la física de los motores de avión, por ejemplo.
El arte evolutivo, por el contrario, suele ser muy interactivo, porque la función de aptitud -criterios estéticos- no puede establecerse con claridad.
La mayor parte de la robótica evolutiva es intermitentemente interactiva. La anatomía del robot y/o su controlador, evolucionan automáticamente, pero en simulación.
Durante la mayoría de las generaciones, no existe ningún robot físico. Pero cada 500ª generaciones, quizás, el diseño evolucionado se pone a prueba en un dispositivo físico.
Las mutaciones inútiles tienden a no sobrevivir.
El equipo de Inman Harvey, de la Universidad de Sussex, descubrió en 1993, que uno de los dos ojos de un robot, y todos sus bigotes, pueden perder sus conexiones iniciales con la red neuronal de control si la tarea no necesita ni visión de profundidad ni tacto.
La IA evolutiva puede deparar profundas sorpresas.
La novedad radical en la IA requiere influencias externas, porque es cierto que un programa no puede superar su espacio de posibilidades.
Pero estas influencias no tienen por qué ser físicas. Un sistema de AG conectado a Internet podría desarrollar novedades fundamentales al interactuar con un mundo virtual.
Imagen de Pixabay y editada por @abdulmath con GIMP, e Inkscape.
Espero que les haya gustado este interesante tema acerca de la Inteligencia Artificial Evolutiva, no te pierdas las próximas publicaciones donde abordaré otros temas interesantes.
