Un niño tiene la fantástica habilidad de hacer conexiones entre eventos y actos que no tienen un hilo explícito y obvio. Por ejemplo, después de mostrar dibujos de perros a una niña de dos años, ella será capaz de reconocer en la calle otros perros que pueden ser muy distintos a los de esos dibujos.
Deep learning, la locomotora del área de inteligencia artificial, está basado en redes neuronales artificiales. Una arquitectura deep learning puede hacer conexiones en el mismo ámbito que esta niña, pero de forma muy distinta. Un modelo basado en deep learning tiene que ser entrenado con una gran cantidad de imágenes, de perros en este caso. En realidad, no solo de perros, sino también otros animales, porque ese modelo tiene que ser capaz de distinguir, por ejemplo, un perro de lo que no es un perro. Virtualmente, Google tiene una gran cantidad de fotos y textos históricamente producidos por la humanidad para entrenar sus modelos de reconocimiento de imágenes y procesamiento de textos. Una niña necesita solamente algunas fotos para saber a qué se parece un perro, pero deep learning requiere miles de fotos. Esto, porque los computadores aprenden de forma muy distinta a los humanos. Por lo tanto, ¿habrá algo que la naturaleza nos pueda enseñar para entrenar nuestro modelo de forma más eficiente?
Según la teoría de Darwin, el cerebro de los mamíferos es el resultado de una larga evolución. Los cerebros más pequeños y primitivos pesan menos de 100 mg. Frente a cualquier otra especie, los humanos tienen el cerebro más grande respecto de la proporción de su peso. Hace decenas de milenios nuestro cerebro no tenía la sofisticación de hoy. El cerebro evolucionó, en parte, para solucionar problemas complejos como la necesidad de los humanos de comunicarse en forma eficiente. Siguiendo un proceso de evolución similar al de nuestro cerebro, la neuroevolución es una técnica de la inteligencia artificial que combina un algoritmo genético con una red neuronal. Su idea central, es producir un modelo que sea lo suficientemente desarrollado como para solucionar un problema que no se puede expresar con ejemplos. Es una idea casi opuesta a la forma en que se entrena un modelo con grandes cantidades de imágenes como se hace con deep learning.
La neuroevolución no tiene las limitaciones que impone el uso de cantidades masivas de datos. Un modelo basado en neuroevolución puede superar un modelo basado en ejemplos producidos por humanos. Las situaciones más prominentes son la robótica y los videojuegos. Si un jugador virtual tuviese que aprender de los humanos como jugar, no lograría superarlos. Pero un algoritmo evolutivo -al que la neuroevolución pertenece- puede superar, y por mucho, a los mejores jugadores del mundo. AlphaGo y Dota2 demuestran la amplia capacidad de los algoritmos evolutivos para superar a los humanos.
El artículo “Designing neural networks through neuroevolution”, publicado este año en la revista Nature Machine Intelligence, describe los últimos progresos en el área de la neuroevolución, además de presentar una restrospectiva de cómo la naturaleza y la evolución del cerebro han tenido un enorme impacto en el área de la inteligencia artificial. Este artículo describe una tremenda forma de acercarse a una inteligencia artificial genérica. Ahora es reconocido que la neuroevolución es competidora de las técnicas modernas usadas en aprendizaje supervisado, al que pertenecen las técnicas de aprendizaje de redes neuronales.
