Agata Kukwa: Obliczenia ewolucyjne - technologia czy biologia?

Wszystko zaczęło się w 1964 roku, kiedy Lawrence Fogel napisał pierwszą w historii rozprawę doktorską z zakresu obliczeń ewolucyjnych. Właśnie wtedy utopijna wizja o sztucznej inteligencji zaczęła nabierać realnego kształtu. Powstała hipoteza, że ewolucja może przyczyniać się nie tylko do rozwoju organizmów żywych, ale również technologii. Jednak w tym drugim przypadku proces ewolucji byłby inicjowany przez człowieka.

Obliczenia ewolucyjne są tak naprawdę wynikiem połączenia zaawansowanych technik obliczeniowych, genetyki oraz matematyki. Mimo że u podłoża leży dążenie do stworzenia sztucznej inteligencji, nieustanne prace nad rozwojem metod ewolucyjnych doprowadziły do znalezienia zastosowań dla stworzonych algorytmów w różnych dziedzinach.

Symulacja procesu ewolucji w programowaniu polega na stworzeniu algorytmu, który pozwalałby na rozwiązanie danego problemu poprzez generowanie i modyfikowanie rozwiązań pośrednich. W przypadku ewolucji naturalnej cechy populacji zmieniane są dzięki procesowi doboru naturalnego. W programowaniu natomiast mamy do czynienia tylko z doborem sztucznym, którego parametry ustanawia programista. Automatyczne odrzucanie poszczególnych, niewystarczająco dobrych, czyli nie spełniających wszystkich kryteriów rozwiązań powoduje ewolucję grupy tych najlepszych.

Jedną z ciekawszych technik w ramach obliczeń ewolucyjnych jest programowanie genetyczne. Odzwierciedla ono, na poziomie inżynieryjnym, mechanizm dziedziczenia cech. W genetyce cechy te decydują o wyglądzie, rozmnażaniu czy zachowaniu organizmów żywych. Programiści natomiast tworzą w ten sposób programy, które właściwie piszą się same.

Jak to działa? Wyobraźmy sobie, że robimy projekt strony internetowej dla bardzo wymagającego klienta, któremu zależy, aby była maksymalnie dostosowana do potrzeb i wymagań przyszłych użytkowników. Przeprowadzenie wstępnych badań w tym zakresie zajęłoby kilka dobrych miesięcy, a i tak byłby to dopiero początek drogi. Algorytmy genetyczne pozwalają rozwiązywać tego typu problemy w tempie nieosiągalnym nigdy wcześniej.

Wyobraźmy sobie, że główna strona serwisu naszego klienta składa się z paska menu, paska bocznego oraz pola tekstowego. Każdy z elementów może zostać umiejscowiony w 10 różnych miejscach, co w sumie daje 1000 wersji wyglądu strony głównej tylko pod kątem rozmieszczenia trzech elementów. W pierwszym etapie respondenci otrzymują internetowe kwestionariusze, w których zostają im przedstawione poszczególne wersje, które następnie odrzucane są z całej puli lub oznaczane jako najlepsze, w zależności od zdania badanych. Kolejne kwestionariusze pozbawione są już odrzuconych wersji, a respondenci odpowiadają na pytania związane tylko z tymi, których jeszcze nikomu nie pokazano lub tymi, które dotychczas zostały uznane za najlepsze. W ten sposób, zupełnie jak na zasadzie doboru naturalnego w naturze, projekt ewoluuje na podstawie opinii i preferencji konsumentów. Efektem końcowym jest wygenerowanie, która najbardziej odpowiada wymaganiom respondentów. Przy wcześniej przygotowanej bazie uczestników, nasz klient może otrzymać wynik optymalizacji już po kilku dniach.

Wykorzystanie algorytmów genetycznych w marketingu ma jedną, bardzo ważną zaletę – pozwala zapytać samych klientów. Danone wykorzystał tę metodę, jako jedna z pierwszych firm, już 9 lat temu, kiedy seria jogurtów Light & Fit nie radziła sobie z konkurencją. Danone postanowił zapytać konsumentów czego właściwie oczekują w tym zakresie, a z pomocą przyszły algorytmy ewolucyjne. W badaniu wzięło udział 705 osób, których ocenie poddano 11,268 kombinacji nazwy, opakowania, wielkości i oznaczenia wartości odżywczych jogurtu dietetycznego. Nie trudno sobie wyobrazić, ile trwałyby badania, gdyby każda z osób musiała ocenić każdą z ponad 11 tysięcy opcji. Zastosowanie algorytmu genetycznego, już w pierwszych turach pytań, pozwoliło na odrzucanie kombinacji, które kompletnie nie odpowiadały preferencjom konsumentów dzięki czemu nie były pokazywane kolejnym badanym. W miarę, jak program zdobywał coraz więcej informacji od respondentów, mógł modyfikować koncepcje przedstawiając kolejnym osobom nowe i lepsze rozwiązanie. Krótko mówiąc, koncept przechodził mutację, tak jak przechodzą je organizmy żywe w procesie ewolucji, aby dostosować się do warunków środowiska naturalnego. Projekt opakowania jogurtu Danon musiał się natomiast dostosować do warunków stworzonych przez konsumentów.

Po 6 dniach Danone otrzymał informację zwrotną: jogurt powinien być sprzedawany w czerwonych kubeczkach o pojemności 4 uncji (ok. 113g) połączonych w cztero-paki. Respondenci uznali też, że produkt powinien nazywać się „Carb Control” (ang. carb – skrót od carbohydrates, czyli węglowodany), a informacje na opakowaniu powinny brzmieć: „80% mniej cukru” oraz „3g węglowodanów”. Po 6 miesiącach nowy Light & Fit był już na sklepowych półkach, a 52 tygodnie później firma liczyła już zyski ze sprzedaży przekraczające 70 milionów dolarów. To chyba najlepszy dowód na skuteczność tej metody. Dannone korzystał z niej również w późniejszym czasie, na przykład przy projektowaniu kampanii Actimela. Potęga algorytmów genetycznych skusiła również Coca Colę podczas odświeżania wyglądu Sprite’a.

Największą zaletą algorytmów genetycznych jest ilość danych, które mogą być analizowane w tym samym czasie bez konieczności wykorzystania najszybszych i najdroższych superkomputerów na świecie. Świetnym przykładem do pokazania potencjału tego rozwiązania jest Problem Komiwojażera. To typowy problem optymalizacyjny, a właściwie jego ilustracja. Komiwojażer jest wędrownym sprzedawcą, który musi odwiedzić określoną liczbę miast, a następnie wrócić do domu. Znamy odległości między nimi, czas i koszt podróży, a naszym zadaniem jest wyznaczenie najkrótszej, najszybszej i najtańszej trasy łączącej wszystkie miejscowości uwzględniając powrót do punktu wyjścia. Jeśli jesteśmy w posiadaniu komputera, który jest w stanie przetworzyć milion instrukcji na sekundę, trasa złożona z 10 miast powinna zostać opracowana w mniej więcej 3,6 sekundy. Jednak zwiększenie liczby miejscowości do 100 sprawiłoby, że do zakończenia obliczeń upłynęłoby więcej czasu niż od wielkiego wybuchu stanowiącego narodziny Wszechświata.

Mimo że u podłoża obliczeń ewolucyjnych leżą dążenia do stworzenia sztucznego życia, do tej pory jeszcze oficjalnie nikomu nie udało się tego zrobić. Pierwsze próby symulacji procesów życiowych podejmowano już w latach 70.. Wtedy na przykład John Conoway, brytyjski matematyk, stworzył najbardziej znaną grę symulującą zachowania żywych komórek. W Grze w życie człowiek ustala jedynie stan wyjściowy „komórek”, liczbę żywych i uśpionych, podczas gdy w późniejszym czasie wszystko już dzieje się na podstawie algorytmów.

Do dzisiaj wiele się zmieniło, mamy już sieci neuronowe, robotykę, zaawansowane rozwiązania techniczne, czyli teoretycznie wszystko czego potrzeba do stworzenia prawdziwej sztucznej inteligencji. Podobnie jak w Grze w życie, w tym przypadku również człowiek musiałby wprowadzić określony pakiet danych wejściowych, na których podstawie system mógłby później nadbudowywać swoje struktury. Niestety, a może na szczęście, ciągle nie jesteśmy w stanie określić, co jest właściwie potrzebne, aby program komputerowy mógł funkcjonować na tyle samodzielnie, aby uczył się i podejmował autonomiczne decyzje.

źródło grafiki głównej: flickr.com by ynse