Tipos de Aprendizaje Genético

Los algoritmos genéticos representan una de las técnicas inteligentes más utilizadas en la actualidad, principalmente por su versatilidad y notables resultados prácticos. Uno de los temas que más atención ha recibido por parte de la comunidad científica, que experimenta con tales técnicas, es el aprendizaje artificial, disciplina que estudia el proceso de aprendizaje en general, haciendo énfasis en la traslación a las computadoras de lo conocido sobre dicho proceso en los seres vivos. El problema fundamental es que los agentes artificiales, con frecuencia, deben operar en ambientes no deterministas, dinámicos y bastante complejos, por lo que no resulta factible incorporar a priori todo el conocimiento requerido para un rendimiento aceptable; en ocasiones, tal conocimiento ni siquiera se encuentra disponible con antelación. Por ende, resulta imperativo que el agente aprenda sobre el ambiente, utilizando las nuevas percepciones y el conocimiento que posee. Dependiendo de los mecanismos de inferencia a los que recurra el agente, el proceso puede catalogarse como deductivo, inductivo, o abductivo. En este contexto, el algoritmo genético aporta su gran potencial en el manejo de poblaciones de deducciones, observaciones e hipótesis, con las ventajas del paralelismo implícito, y del refinamiento y descubrimiento de información.

Para la descripción de las aplicaciones del aprendizaje deductivo, se utiliza un algoritmo genético en el proceso de generación evolutiva de rostros, con aplicaciones inmediatas en la criminalística, específicamente en la reconstrucción de rasgos faciales. La población inicial es un conjunto de imágenes faciales con los rasgos deseados, y a través de la evolución, se crean nuevos rostros que combinan los rasgos transmitidos por los progenitores. En este mismo contexto, resulta posible agilizar la búsqueda si se dispone de información que pueda indicar al algoritmo genético cuáles imágenes deberían combinarse con preferencia. El proceder es deductivo por cuanto se trata de obtener nuevas imágenes a partir de la combinación de la información más general representada por las imágenes de la población inicial. Esto es precisamente lo que se hace en algunos trabajos, donde se incorporan restricciones geológicas y geométricas a los operadores genéticos, para la interpretación de datos sísmicos. En ambos casos, las imágenes construidas de manera deductiva han resultado ser bastante útiles en la práctica.

En el ámbito de la lingüística computacional, se emplea el aprendizaje deductivo para resolver la cuestión de la ambigüedad de palabras en textos en lenguaje italiano, y para la conversión de un texto en una secuencia de categorías gramaticales. En este caso, las poblaciones representan árboles de categorías gramaticales, y a través de modificaciones a los mismos, también se trata de inducir nuevas reglas de clasificación gramatical. Una muy reciente aplicación de los algoritmos genéticos ha sido dirigida hacia el aprendizaje deductivo y abductivo de las relaciones en las organizaciones humanas, mucho más complejas que las artificiales. Dicha propuesta recibe el nombre de “algoritmo genético basado en humanos”, que trata de un enfoque evolutivo del modelado organizacional. A diferencia del enfoque netamente abductivo, el algoritmo genético basado en humanos confiere al ser humano los roles tanto de crítico como de creador, y todos los operadores genéticos se desarrollan con la intervención de las personas. Se parte con un modelo, y a través de la evolución, el propio algoritmo genético y los miembros de la organización aprenden sobre la misma, considerando las definiciones a priori del modelo, relacionadas con la deducción, y las nuevas hipótesis de funcionamiento organizacional, relacionadas con la abducción.

Enmarcado en la disciplina de lingüística computacional, Echizenya y sus colegas, el año 2001, presentaron un estudio para la traducción al inglés de textos en japonés. Lo relevante es que el algoritmo genético crea las instancias para la inducción de las reglas de traducción. Los algoritmos genéticos también han sido combinados profusamente con otras técnicas de computación inteligente con el propósito de extender el alcance del proceso de aprendizaje. Una de tales combinaciones recibe el nombre de “aprendizaje genético difuso”, y se encarga de reunir reglas difusas con la inferencia evolutiva. Los algoritmos genéticos también se emplean en el contexto de sistemas de bases de datos, para extender un sistema clasificador con reglas difusas y múltiples funciones objetivo. No obstante, el aprendizaje inductivo de este tipo de sistemas se dificulta por la aparición de un elevado número de características que incrementan la dimensión del problema. La dificultad surge del crecimiento exponencial del espacio de búsqueda de reglas difusas. Para abordar esta cuestión, se presenta un proceso de selección genética de características que puede integrarse en un sistema genético de aprendizaje por varias etapas. El estudio se destaca por el uso de las características, que permiten reducir el espacio de búsqueda, y por los resultados en cuanto a la descripción de sistemas con reglas difusas.

Por su parte, la combinación de redes neuronales y algoritmos genéticos recibe el nombre de “neuroevolución”, cuyo problema típico es la determinación del número de capas y nodos, tarea en la que el algoritmo genético puede desenvolverse como una buena heurística. Se emplea la neuroevolución para el refinamiento de redes neuronales expertas, que son redes que no sólo calculan la respuesta, sino también un estimado de lo correcta que es dicha respuesta. Se utiliza un enfoque evolutivo con las redes neuronales para ayudar a mejorar la tolerancia a fallos de las redes en cascada. Los resultados también muestran un incremento en la capacidad de generalización de la red. Por último, se propone una extensión a la neuroevolución basada en la cultura. El proceso de cultura es la transmisión de comportamiento de una población a otra, a través de algún mecanismo no genético. La cultura proporciona enormes ventajas para la supervivencia en el mundo biológico, y al trasladar el concepto a la neuroevolución, se demuestra que es posible obtener mejoras en la velocidad de aprendizaje y en la calidad de la solución, con el agregado adicional de una operación sin cambios en la función de adaptabilidad.

Se revisa el aprendizaje abductivo en el ámbito musical, en el que las composiciones se abordan bajo la figura de hipótesis asociadas a preferencias musicales. En este ámbito se presenta un ambiente virtual complejo, habitado por agentes sónicos, con capacidad para oír y generar sonidos. El sistema mantiene retroalimentación con una audiencia humana, y los agentes evolucionan para conservar lo más que puedan el interés de dicha audiencia. El resultado inmediato de la evolución es la hipótesis que cada agente ofrece sobre las preferencias musicales de la audiencia, codificadas bajo la forma de reglas muy complejas. Además, la investigación cambia el proceder de la teoría evolutiva de Darwin por la teoría de Lamarck, para acelerar la obtención de hipótesis musicales satisfactorias.

Por otra parte, Hamel en los años 1990, combina la programación lógica inductiva, el aprendizaje de conceptos, la programación genética y la lógica de ecuaciones, para definir una nueva área, la programación lógica ecuacional inductiva. Estos sistemas proceden a partir de una población de teorías candidatas, cuya adaptación se encuentra supeditada a lo bien que puedan explicar los ejemplos. Es decir, con el enfoque evolutivo se promueve la subsistencia de las mejores hipótesis. Se presenta también un nuevo enfoque para el reconocimiento de regiones promotoras de genes eucarióticos. Se considera un enfoque abductivo por cuanto el algoritmo genético efectúa la búsqueda de una partición óptima de la región de promotores de los genes, con el propósito de obtener fragmentos que no se sobrepongan para seleccionar las frecuencias significativas de dinucleótidos que aparecen en los mismos. El algoritmo genético demostró ser muy eficiente comparado con los modelos de cadenas de Markov, con las redes neuronales y otras técnicas de análisis discriminante.

Para finalizar este apretado análisis, el año 2004 se presentó un sistema de detección de intrusos de nueva generación, basado en aprendizaje abductivo con algoritmos genéticos. El sistema incorpora una matriz causal que indica, para diversos tipos de ataques, los síntomas que presenta la red. La idea es considerar la red como un ser biológico, que comienza a funcionar mal, y a partir de los síntomas se intenta proponer una explicación de la anomalía. El algoritmo genético opera sobre poblaciones de hipótesis, con una función de evaluación difusa, que considera como mejores individuos a aquellos que proporcionen una buena explicación sobre el ataque que experimenta la red.

Guillermo Choque Aspiazu
http://www.eldiario.net/
Marzo 3 de 2008