Download Algoritmos Genéticos: Herramientas de Inteligencia Artificial con su

Entrevista al Dr. Ángel Kuri Morales del CIC-IPN
Algoritmos Genéticos: Herramientas de Inteligencia Artificial
con su Propia Evolución
Verónica Hernández López
Los algoritmos genéticos son un resultado de los avances de la computación y de
la genética. Son herramientas de la inteligencia artificial porque aprenden
simulando parcialmente los mecanismos de la evolución. Su característica
principal es su eficacia para optimizar casi cualquier problema.
En el Laboratorio de Inteligencia Artificial del Centro de Investigación en
Computación (CIC) del Instituto Politécnico Nacional (IPN) se desarrolla el
proyecto Reconocimiento de patrones utilizando un algoritmo genético universal, a
cargo del doctor Ángel Kuri Morales, quien presentó recientemente su libro “A
Comprehensive Approach to Genetic Algorithms in Optimization and Learning”
(“Enfoque Integral de Algoritmos Genéticos en la Optimización y Aprendizaje”),
que es parte de la colección Ciencia de la Computación que editan conjuntamente
el CIC y la Dirección de Publicaciones y Materiales Educativos del IPN.
El investigador también se desempeña como subdirector de Investigación Aplicada
del CIC y desde su tesis doctoral (“Genetic Automata and Information System
Losslessness”, 1985-1987) se dedica a este campo, aunque admite que en aquel
entonces era tan nuevo que ni siquiera había una amplia difusión de los libros
acerca del tema. No obstante, trabajó sobre algunas cuestiones ya existentes pero que desconocía- e inventó otras, ahora incluidas en su publicación.
Computación Evolutiva
Los algoritmos genéticos son parte de la Computación Evolutiva, que según
explicó el doctor Kuri “simula el proceso de selección natural desde un punto de
vista neodarwiniano. Esto es, cuando Darwin elaboró su teoría de la evolución, se
dio cuenta que las especies evolucionaban poco a poco. Eso lo hizo concebir que
la diferenciación de las especies se daba por pequeños cambios accidentales que,
vistos después de mucho tiempo, parecían tener un propósito específico.
“En su época fue muy revolucionario porque iba contra las enseñanzas bíblicas,
que señalaban que la creación se hizo por obra de Dios en siete días. Darwin
analizó las características de los antecesores de las especies e infirió que se
trataba de un proceso evolutivo. En esa época no se conocía el mecanismo de la
herencia desde el punto de vista molecular. Este se descubrió mucho después, en
los años 50 de este siglo, cuando Watson y Crick encontraron la forma helicoidal
del DNA. Después de esto, se entendió mejor que los cambios ocurrían porque en
el proceso de copia de la información -contenida en los núcleos de las células- a
veces hay errores. Unos se deben a que el mecanismo de copia no es perfecto y
otros a que hay agentes exógenos que producen cambios en los genes.
“Finalmente, la probabilidad de falla en el proceso de copia de la información
genética es bajísima. Lo que llama la atención no es que haya errores sino que
sean tan pocos. Si nosotros tomamos la perspectiva de que un ser vivo es la
respuesta a los problemas que plantea el medio ambiente, aquel es un diseño de
la naturaleza que pretende resolver los problemas de su entorno. Un ejemplo es el
del cuerpo de los pingüinos: el volumen de estos animales les permite nadar con
muy baja resistencia y a la vez almacenar la grasa en su cuerpo. Este parece ser
el mejor diseño. Pareciera como si un ingeniero lo hubiera creado. Pero tal vez el
más interesante de todos los diseños lo constituyan los seres humanos, quienes
tienen en su cerebro una caja de simulación que les permite representar eventos
que todavía no suceden. Eso es lo que le otorga su principal ventaja evolutiva al
ser pensante. A diferencia de cualquier otro animal, puede tomar acciones ante
eventos del futuro.
“Más tarde, a alguien se le ocurrió que si simulaba eso en la computadora podía
diseñar aplicaciones en, por ejemplo, la ingeniería, la economía, la toma de
decisiones financieras, etcétera. Un algoritmo genético trabaja de esa forma, con
conjuntos de individuos y propone soluciones distintas. Simulamos que la
representación, frecuentemente binaria, corresponde a los genes del individuo, su
ADN, y su interpretación –como números, por ejemplo- a las características
observables –el color de sus ojos, su estatura, etcétera. A los individuos, los
describimos como cadenas de números y un conjunto de éstas forman una
población. Así se generan infinidad de individuos y representamos lo que hace la
naturaleza. Luego, observamos las características que constituyen a las mejores
soluciones y calificamos a los individuos –de manera análoga a la forma en que a
naturaleza “califica” a los individuos más aptos permitiéndoles sobrevivir con
mayor probabilidad. De la población escogemos a los individuos más
sobresalientes y seleccionamos un subconjunto de ellos. De esta forma imitamos
el procedimiento de selección natural.
“Después la naturaleza creó el sexo. El sexo es un invento maravilloso de la
evolución, a través del cual los genes de ambos padres se combinan para
rápidamente privilegiar las características que son más adecuadas para que el
individuo sobreviva en su entorno. Si analizamos la evolución de los seres vivos,
durante la mayor parte de su historia los organismos fueron asexuales y
evolucionaban lentamente. Cuando apareció el sexo la evolución se hizo mucho
más rápida. En computación hacemos lo mismo. De los individuos tomamos una
cantidad determinada de características que van a ser del padre y otras tantas de
la madre y se intercambian, de tal suerte que estamos haciendo lo mismo que los
seres vivos. Nosotros tenemos 50% de la madre y el otro 50 del padre, pero
somos distintos de los dos. Eso también se hace con algoritmos genéticos.
“Finalmente, igual que en la naturaleza, se consideran las mutaciones. Contamos
con individuos nuevos con las características de los mejores, pero mezclados y
además con ciertas mutaciones para explorar nuevas características. En la
computadora tenemos la ventaja de que podemos hacer eso varias miles o
millones de veces por segundo. Lo que a la naturaleza le toma millones de años,
nosotros lo hacemos en unos segundos. El resultado es que tengo una población
de individuos y entre ellos, uno va a ser el mejor. Como por arte de magia
resolvemos el problema de la manera más económica posible porque en cada
generación hacemos un proceso de selección, cruzamiento y mutación, para
finalmente encontrar al mejor individuo.
“Por ejemplo, en el CIC, un estudiante de maestría hizo su tesis sobre el tema de
las estructuras para construcción utilizando algoritmos genéticos y encontró que
son casi 40% más baratas de las que se diseñan sin tomar en cuenta a éstos
últimos”.
Todo Empezó en los 60…
¿Desde cuándo se usan los algoritmos genéticos? ¿Desde cuándo existen?
Al respecto, el doctor Kuri refirió: “En los 60, dos investigadores alemanes
-Shwefel y Rechenberg- inventaron las estrategias evolutivas, con las que
diseñaron elementos de avión. Ellos trabajaron la evolución, pero sin tomar en
consideración la parte genética, sin hacer mezclas de ese tipo. Simple y
sencillamente tomaron en cuenta la herencia y la mutación. Tuvieron mucho éxito
pero como su trabajo tenía implicaciones militares, se clasificó la tecnología y no
se alentó la publicación del tema. Una década después, el estadounidense John
Holland se aplicó a la misma idea, pero sí consideró la parte genética. Fue
precisamente él quien los bautizó como algoritmos genéticos.
“El auge de esta técnica empezó a principios de los 80 y realmente se reconoció
como una cuestión muy útil a principios de los 90. A partir de entonces ha tenido
una explosión fantástica; según el investigador mexicano Carlos Coello se
publican alrededor de 100 artículos diarios sobre el tema. Parece exagerado, pero
quiere decir que muchísima gente se dedica a esto”.
Sí Funcionan, pero ¿Siempre?
El investigador politécnico, cuya especialidad es en electrónica digital, diseño
lógico, arquitectura de máquinas, microprocesadores, sistemas de telecomunicaciones digitales y, por supuesto, en algoritmos genéticos y su aplicación a la
inteligencia artificial, señaló que los científicos están convencidos de que los
algoritmos genéticos sí funcionan. Ejemplos existen en diversos países del mundo
y en México. Sin embargo, argumentó que es necesario saber en qué casos
trabajan y cómo hacer para que siempre sean funcionales.
“Necesitamos detectar qué problemas hay en este sistema evolutivo para luego
tratar de corregirlos. Como gente de computación, me interesa dar con un
programa que sea aplicable a la gran mayoría de los problemas. Así tiene que ser;
no puedo ofrecer un sistema que a veces realice bien su función y otras no.
“Los algoritmos genéticos se catalogan dentro de las herramientas de la
inteligencia artificial porque el algoritmo aprende. Pero, hay que quitarse de la
mente el significado antropocéntrico que se tiene de la palabra “aprender”: el de
abrir un libro y estudiar. La naturaleza aprende, eso es la evolución. Nosotros
somos un producto muy acabado de un aprendizaje de muchos millones de años.
Así lo hace un algoritmo genético: aprende simulando la evolución. Claro que es
una simulación parcial, ya que hay muchos elementos no considerados porque no
son necesarios ni útiles en el presente contexto.
“Tal es el caso de las cadenas genéticas que son diploides. Esto es, cadenas
dobles que permiten que los caracteres llamados recesivos se manifiesten en el
individuo solo si ambos progenitores los presentan. ¿Para qué le sirve eso a la
naturaleza? para que aquellas cosas que fueron buenas en algún momento para
la especie, no se olviden. No obstante, esto en algoritmos genéticos no se usa
normalmente porque no lo necesitamos. A nosotros no nos interesa recordar lo
que sucedió con las anteriores generaciones porque en la computadora puedo
trabajar con 100 millones de generaciones en tiempos cortos”.
Sus Aplicaciones son muy Vastas
Los algoritmos genéticos han sido aplicados con éxito en infinidad de problemas,
actuando como un proceso de cómputo que emula la forma de proceder de la
evolución genética y opera sobre una población de individuos que representan las
soluciones potenciales a un determinado problema. Al respecto, el doctor Kuri
puntualizó: “Los algoritmos genéticos son herramientas para optimizar casi
cualquier problema, ya que éstos pueden trabajar con base en la descripción del
medio ambiente, lo cual permite resolver muchos problemas de optimización.
“Una de las áreas donde se aplican es en el aprendizaje automático. En
inteligencia artificial se conocen como sistemas expertos o programas para la
resolución de problemas a los que se cuestiona sobre lo qué hay que hacer y da
respuestas. Hay ejemplos de sistemas expertos, por ejemplo, en medicina,
abogacía, etc. La mayor parte de los sistemas expertos no incorporan todas las
reglas ni todo el conocimiento. Queremos que nuevas reglas se vayan
descubriendo ¿y cómo las descubrimos? con algoritmos genéticos”.
El doctor Kuri ha publicado cerca de 18 trabajos respecto a los algoritmos
genéticos. Uno de los primeros fue para hacer modelación de sistemas
económicos y predicciones en la economía mexicana: “Aunque los sistemas
económicos son caóticos -no existen reglas claras para ellos- sólo exhiben esa
característica caótica temporalmente. Hay segmentos de tiempo donde sí se
comportan de manera más o menos razonable. Por ello, es posible hacer análisis
en períodos de estabilidad y lograr predicciones.
“Otro de los campos en los que opera esta herramienta es en el reconocimiento de
formas, algo difícil y complicado para la computadora. Un estudiante del CIC está
haciendo su doctorado sobre algoritmos genéticos, lo cual lo está conduciendo a
resolver un problema de reconocimiento de rostros.
“Por otra parte, tenemos en las telecomunicaciones un ámbito más sofisticado en
el que también son aplicables. Cuando enviamos información de un continente a
otro utilizamos satélites que funcionan como espejos. Esto es así porque las
señales de alta frecuencia atraviesan la ionosfera y hay que reflejarlas. Poner un
satélite en órbita es muy costoso, por lo que es importante optimizar el uso de los
canales de comunicación. Si quiero hacer un uso eficiente de éstos, envío
información y no solamente datos. Aunque en realidad mando los dos, busco que
los últimos vayan plenos de información. La compresión de datos se puede
realizar con los algoritmos genéticos, ya que éstos aprenden la estructura de los
mensajes y me permiten transmitir más información por el mismo canal.
“Otro problema es que en Internet, las imágenes tardan en llegar porque la
información no se comprime al máximo. Podríamos usar algoritmos genéticos para
comprimirla del lado del transmisor y descomprimirla de lado del receptor. Usted
vería que transferencia de imágenes es mucho más rápida. En eso se está
trabajando.
“Otra cuestión que se usa mucho en computación son las redes neuronales que
pretenden simular la estructura del cerebro. Es un mecanismo interesante que
aprende también, pero hay que entrenarlo. A las redes neuronales pueden
entrenarlas los algoritmos genéticos para que aprendan mejor. Así hacemos
inteligencia artificial, pero no directamente. Las redes neuronales se usan en el
sector financiero, en análisis de auditorías o en análisis de riesgo financiero, por
ejemplo. Pero su desempeño es mejor cuando las entrenan los algoritmos
genéticos.
También Tienen Limitaciones…
Sin embargo, el doctor Kuri admitió que: “Los algoritmos genéticos no son una
panacea. Aunque los casos en los que no funcionan bien son pocos es muy
importante identificar cuáles son sus limitaciones y para lograr esto hay que
entenderlos.
“Cuando los algoritmos genéticos encuentran las soluciones lo hacen muy
rápidamente y en problemas muy complicados, pero se parecen a los humanos en
que no necesariamente hallan cuál es la mejor. ¿Qué hacemos nosotros?
Probablemente tomamos la decisión más rápida o lo que más se aproxima a lo
mejor que pudimos haber hecho. Ese es el caso de los algoritmos genéticos; no
encuentran siempre la mejor solución ¿cómo sabemos cuál es la mejor solución
en un caso inesperado? Generalmente no lo sabemos, pero sí podemos encontrar
una suficientemente buena. Así sucede con el algoritmo genético, que rara vez no
encuentra una solución cercana a lo óptimo”.
Otro aspecto que interviene en el funcionamiento de los algoritmos genéticos,
indicó el investigador del CIC es el de los problemas “engañosos”. Hay
información en los genes que pueden llevar al algoritmo hacia una solución
errónea. El algoritmo puede engañarse, es decir, el algoritmo “cree” que va muy
bien porque que cierta información genética lo lleva hacia un destino equivocado.
De ahí la tarea de los especialistas para que esto no pase. En los ejemplos que he
mencionado no hay engaño. Son problemas muy específicos aquellos en donde
se presenta esta situación. No son problemas que ocurran frecuentemente en la
vida real”. Además, el doctor Kuri explicó que hay muchas variaciones de
algoritmos genéticos. “Por ejemplo, con el elitismo hacemos que el mejor
individuo de toda la progenie nunca muera. En algoritmos genéticos esto se puede
hacer; en la naturaleza no. O puedo conservar al mejor individuo y hacer
cruzamientos “pangenéticos”. Esto es, se toma un padre y se hace que tenga
miles de descendientes. De manera normal, eso no se lleva a cabo porque
típicamente se toman parejas. Pero yo puedo encontrar a un individuo que
esparza su herencia genética en toda la población. El que haya muchas variantes
es lo que hace interesante el estudio de los algoritmos genéticos. Podemos hacer
que las poblaciones sean grandes o chicas, que se reproduzcan mucho o poco,
que muten en gran o poca cantidad”.
Enfoque Integral y el Trabajo del CIC
Respecto a su especialidad, el doctor Kuri publicó recientemente el libro “A
Comprehensive Approach to Genetic Algorithms in Optimization and Learning”
(“Enfoque Integral de Algoritmos Genéticos en la Optimización y Aprendizaje”),
dividido en dos volúmenes. El primero que se presentó es acerca de lo qué son
los algoritmos genéticos, cómo y por qué funcionan: “La teoría matemática de los
algoritmos genéticos es muy incipiente porque se trata de un fenómeno muy
complejo, al igual que los de la herencia y la selección natural; además de ser muy
complicada porque es probabilística. Para su manejo adecuado, es conveniente
conocer una serie de disciplinas como la estadística, la teoría de la información y
de la computabilidad, entre otras”.
Su autor dijo que con esta publicación da al lector la posibilidad de encontrar lo
que necesita para entender lo que son los algoritmos genéticos, aunque no sepa
estadística o teoría de la información; y está dirigida a los estudiantes de los
últimos semestres de la carrera de computación y de los primeros años de
posgrado.
Respecto al trabajo que se realiza en México en este campo, el doctor Kuri
expresó que en las diferentes instituciones de educación superior se llevan a cabo
investigaciones, algunas en la cuestión práctica, otras en la teórica. Por ejemplo,
en el ITAM, el Tecnológico de Monterrey, en Nuevo León; la Universidad de
Sonora, la UNAM y por supuesto el IPN.
Paralelamente, la ingeniería nacional está aplicando estas herramientas, pero en
general “los empresarios mexicanos son muy cautelosos y tienden a no
arriesgarse con tecnologías de vanguardia. Primero, porque en México se diseña
poco y después porque algunos empresarios prefieren a comprar cosas ya
probadas aunque hayan sido diseñadas con otro tipo de usuarios en mente: son
consumidores, más que generadores, de tecnología.
“El CIC tiene como meta producir nuestra propia ciencia y como consecuencia
nuestra propia tecnología. Solamente así podemos ser independientes. Mientras
no seamos dueños de nuestra tecnología, difícilmente podemos aspirar a una
verdadera independencia. Si usted ve la historia, en todos los casos, las culturas
hegemónicas son dueñas de la tecnología: en el siglo pasado, por ejemplo, los
ingleses y en éste, los americanos. Toma tiempo. Este es un esfuerzo a mediano
plazo. Por decreto no podemos cambiar la mentalidad de la sociedad mexicana,
ésta y el grupo científico tienen que convencerse de que pueden asumir su
compromiso social.
“Por eso mi libro no está escrito en español, sino en inglés. Simplemente me
gustaría que lo leyera más gente. Es una meta ambiciosa, ya que su distribución
deberá darse en el IPN y a nivel internacional. El segundo libro está en proceso y
trata sobre aplicaciones”.
Sin embargo, el doctor Kuri Morales está por finalizar, junto con José Galaviz,
Algoritmos Genéticos, un nuevo libro del IPN, en español.
Continuará la evolución…
¿Los algoritmos genéticos van a seguir su evolución?
El doctor Kuri asegura que así ocurrirá porque son muy nuevos en una ciencia
como la computación, muy joven de por sí: “Los algoritmos genéticos y las redes
neuronales, paradigmas inspirados ambos en analogías con la naturaleza, se han
hecho posibles porque se ha abaratado la computadora. Si hace 15 años yo
hubiera planteado el paradigma evolutivo, éste hubiera sido prácticamente
incosteable, porque cuando se simulan 10 mil generaciones ocupo minutos de
cómputo. En el tiempo en que estudié el doctorado, el minuto de CPU valía miles
de dólares y me lo hubieran negado.
“Los algoritmos genéticos son una mezcla del avance de la computación y de la
genética. Si las computadoras no fueran tan rápidas y tan baratas este tipo de
técnicas no tendrían sentido, serían muy caras. En la medida en que las
computadoras sigan evolucionando y se abaraten, este tipo de cuestiones se hará
más atractivas.
“Actualmente, a un algoritmo genético aprender le toma segundos o minutos. Con
las nuevas máquinas –más rápidas – aprenderá en milésimas de segundo. Y
entonces tendremos algoritmos genéticos hasta en el horno de microondas;
podrán, también, reconocer la voz de los dueños de la casa para abrirles la puerta.
Los algoritmos genéticos permitirán que las computadoras sepan cuáles son las
preferencias de su dueño...”