Rozdział 8
Rzut oka wstecz i przed siebie

Po lekturze siedmiu rozdziałów tej książki nasza podróż w krainę idei i osiągnięć splecionych wspólnym hasłem wywoławczym - algorytmy genetyczne - zaledwie się rozpoczęła. W retrospektywie wypada bez żenady przyznać, że był to kierunek bottom up. Wychodząc od konkretów i dorzucając trochę uogólnień, mieliśmy zawsze na uwadze tylko rzeczy praktyczne. Nie przykładaliśmy natomiast większej wagi do zawiłości epi-stemologicznych, tak często spotykanych w literaturze z zakresu sztucznej inteligencji. Ale nawet ten "niedostatek" konstrukcyjny książki - jak większość omawianych tu spraw - został zainspirowany przykładem samej przyrody. Przyrodę obchodzi to, co skuteczne. Przyroda mnoży to, co zdoła przetrwać. Nie ma ona czasu na uczone kontemplacje, a my przyłączamy się do niej w tym oportunistycznym dążeniu do ulepszania.
Nie oznacza to, że droga, którą przebyliśmy, nie miała podbudowy filozoficznej. Jeśli nie w słowach, to w czynach byliśmy wierni trzem zasadom: abstrahowaniu operacji i struktur z przykładów dostarczanych przez przyrodę, analizowaniu tych struktur i mechanizmów za pomocą aparatu matematycznego oraz zastosowaniu abstrakcyjnych modeli do celów praktycznych. Wprawdzie przedstawiono bardziej elegancką argumentację (patrz Holland, Holyoak, Nisbett i Thagard, 1986), ale nawet bez wdawania się w subtelności, przy całej prostocie tego podejścia, udało się nam dojść do pewnych koncepcji, które noszą znamiona prawdziwości.
Rozpoczynając dociekania dotyczące procesów poszukiwania genetycznego, postawiliśmy zasadnicze pytanie: jeśli znamy populację złożoną z ciągów kodowych oraz ich wskaźniki przystosowania, to jakie jej cechy możemy wykorzystać w celu ukierunkowania poszukiwań ku lepszym rozwiązaniom? Przez siedem długich rozdziałów padała wciąż ta sama odpowiedź: wzorce strukturalne o dużej wartości przystosowawczej. Nie dysponując wiedzą specyficzną dla zadania, możemy z pewną dozą zaufania korzystać tylko z informacji zawartej we wzorcach strukturalnych o dużej wartości przystosowawczej, występujących w ciągach należących do populacji. Jeśli nie dopuścimy do

8. Rzut oka wstecz i przed siebie .
325
eksperymentowania z kombinacjami tychże wzorców, to utkniemy przy najlepszym wyniku, który już znamy.
Ta prosta konkluzja, która stała się naszym punktem wyjścia, jest niemożliwa do obalenia z zasadniczych względów. Można kwestionować naszą niechęć do korzystania z wiedzy specyficznej dla zadania, ale gdybyśmy musieli na niej polegać, znaleźlibyśmy się szybko w logicznej pułapce: jak mianowicie taka wiedza trafia na początku do systemu? Nie znaczy to, że powinniśmy odrzucać możliwość korzystania z wiedzy specyficznej dla zadania wtedy, kiedy jest ona dostępna; powinniśmy natomiast zachować ostrożność, aby nie ograniczyć w ten sposób zakresu stosowalności danej techniki czy systemu. Na przykład można użyć wiedzy szczegółowej w celu wygenerowania korzystnej populacji początkowej dla algorytmu genetycznego lub systemu GBML, przyspieszając w ten sposób proces poszukiwania lub uczenia się. Taki sposób użycia informacji specyficznej nie ogranicza możliwości późniejszego zastosowania samego algorytmu uczenia się lub poszukiwania do innych zadań. W przeciwieństwie do tego, wykorzystanie wiedzy szczegółowej w celu przykrojenia mechanizrru decyzyjnego lub operacji do konkretnego zadania rodzi ryzyko utraty ogólności, co może przekreślić możliwość zastosowania systemu poza pierwotnym obszarem. Jeśli więc myślimy serio o stworzeniu kanonicznych procedur poszukiwania i uczenia się, to musimy jako minimalny wymóg przyjąć postawę większej rezerwy wobec wiedzy szczegółowej.
Jeśli chodzi o poszukiwanie, to akceptując powyższe jako właściwy punkt wyjścia, musimy następnie szybko rozejrzeć się za metodami, które przetwarzają w sposób efektywny dobrze przystosowane wzorce strukturalne przy minimum strat. Ten sposób myślenia doprowadził nas do algorytmów genetycznych, do podstawowego twierdzenia i do przetwarzania schematów. Uważny Czytelnik mógłby znów postawić pytanie, czy zrobiliśmy to w sposób właściwy, i rzeczywiście, spora część historii implementacji algorytmów genetycznych kręci się wokół problemu, jak robić to lepiej. Z pewnością mnóstwo decyzji implementacyjnych, które trzeba było podjąć przy najprostszej wersji algorytmu genetycznego, stwarza dogodne pole do ataków. Mniej podatna na krytykę jest sprawność przetwarzania, którą odkryliśmy w algorytmach genetycznych, zwana ukrytą równoległością, polegająca na tym, że w jednym pokoleniu złożonym z n ciągów kodowych efektywny udział w przetwarzaniu bierze jakieś n3 wzorców strukturalnych. Efekt potęgujący związany z ukrytą równoległością ma tak zasadnicze znaczenie, że jej obecność lub brak stały się dla nas kamieniem probierczym odróżniającym co jest, a co nie jest algorytmem genetycznym.
W przypadku systemów uczących się stąpamy po jeszcze mniej pewnym gruncie. Dają one, oczywiście, niezliczone okazje do popełniania błędów i nie ma w istocie dowodu na to, że jakikolwiek sztuczny system uczący się jest choćby w przybliżeniu poprawny pod względem biologicznym. Ale znowu chwila namysłu pozwala nam żywić nadzieję, jeśli nie całkowitą pewność co do obranej drogi. Wyobraźmy sobie, że proces poszukiwania sztucznej inteligencji rozgrywa się w dwuwymiarowym układzie współrzędnych "zdolność uczenia się" - "stopień trudności", jak pokazano na rys. 8.1. Przy tradycyjnym podejściu wymaga się stworzenia złożonego systemu bez zdolności adaptacyjnych, o sprawności porównywalnej z umysłem ludzkim (punkt A). Zdolność uczenia się jest traktowana jako dodatkowe wyposażenie - coś w rodzaju chromowanego
326
. 8. Rzut oka wstecz i przed siebie
dekielka poznawczego - które można łatwo dołączyć, gdy tylko komuś uda się otworzyć magiczną furtkę, broniącą dostępu do tej umiejętności. Chociaż to podejście zaowocowa-łoimponującymi przedsięwzięciami programistycznymi, to nie można tego samego powiedzieć o sukcesach w zakresie opanowania zdolności uczenia się i jest mało prawdopodobne, aby coś miało się tu zmienić. Sama złożoność takich systemów, z ich labiryntową strukturą wewnętrzną i podobnymi algorytmami, stanowi skuteczną przeszkodę dla możliwości uczenia się. W przeciwieństwie do tego, przy podejściu genetycznym wystarcza łatwiejszy punkt wyjścia (punkt B) oraz ewolucyjny (miejmy nadzieję, że w czasie historycznym, nie biologicznym) rozwój złożoności zdolnej do adaptacji. Kluczem do harmonijnego rozwoju coraz bardziej złożonych systemów uczących się jest wprowadzona przez Hollanda koncepcja hierarchii domniemań. Podejście to umożliwia narastanie nakładających się struktur zdolnych do konkurencji i kooperacji oraz reprezentujących różne poziomy szczegółowości, które to siły prowadzą do wyklarowania "poglądów większości" wśród sprzecznych opinii. Stoi ono w jaskrawej sprzeczności z tradycyjnymi metodami, które wymagają nienaturalnej zgodności struktur wiedzy zawartych w pewnej bazie wiedzy. >' '' :
c
0) N O
Analogia Odkrycie Wzmacnianie
Bez uczenia siÄ™
Proste
Trudne
'"•'" StopieÅ„trudnoÅ›ci
Rys. 8.1. Konstruując złożone systemy bez zdolności adaptacyjnych utrudniamy możliwość uczenia się. Przy podejściu ewolucyjnym, stosowanym w systemach GBML, otrzymujemy systemy rozszerzalne, o rosnącej zdolności do uczenia się i powiększania złożoności
Niestety, podejście ewolucyjne reprezentowane przez zwolenników algorytmów genetycznych nie zadowala tych, którzy oczekują błyskotliwych dowodów jako rękojmi wartości intelektualnej; być może jest to wyjaśnienie, dlaczego przez ostatnie 25 lat rozwój algorytmów genetycznych przebiegał bez większego rozgłosu. Jednak ostatnie prace z zakresu poszukiwania (Davis i Coombs, 1987; Grefenstette i Fitzpatrick, 1985) oraz systemów uczących się (Wilson, 1987a) wyprowadzają nas po raz pierwszy na nieznane i porywające wody. Co więcej, mocna i otwarta podbudowa tych prac daje nadzieje na późniejsze ulepszenia i rozszerzenia techniczne.
8. Rzut oka wstecz i przed siebie .
327
W zakresie poszukiwania najbliższa przyszłość niesie znaczne postępy. Umacnianie fundamentów poszukiwania genetycznego wciąż trwa i jest nadal możliwe. Odnosi się to m.in. do osiągnięć ną polu analizy statycznej i dynamicznej zadań przy użyciu funkcji Walsha, jak również analizy dynamicznej za pomocą łańcuchów Markowa oraz nieliniowych układów równań różnicowych i różniczkowych. Zastosowania mikroopera-cji i mechanizmów niskopoziomowych, takich jak dominowanie, inwersja, duplikacja i zróżnicowanie płciowe, staną się powszechniejsze, podobnie jak i zrozumienie ich działania. To samo dotyczy mechanizmów wysokiego poziomu, jak nisze, bariery reprodukcyjne i migracja. Wszystko tojest nietrudne do przewidzenia, gdyż początki sąjuż widoczne. Nieco trudniej przepowiedzieć osiągnięcia, które mogą być wynikiem jeszcze nie rozpoczętych badań. Jednym z obszarów, w których możemy spodziewać się postępu, jest problem zdefinowania molekularnych operacji genetycznych. Być może pewnego dnia będziemy dysponowali sztucznymi odpowiednikami DNA, RNA, "skaczących" genów, odwróconych odcinków i armią innych genetycznych narzędzi. Metody te mogą dopomóc nam w przezwyciężeniu ograniczeń wynikających ze stosowania kodów o stałej długości. Postęp w matematyce nieliniowej może również przyczynić się do przesunięcia obecnych granic analizy technik genetycznych. Wiele wyników osiągniętych w teorii chaosu i fraktali ma bezpośrednie zastosowanie w analizie procesów poszukiwania genetycznego, a prace z zakresu systemów i miar rozmytych mogą dostarczyć dogodnej perspektywy, aby ujrzeć działanie algorytmów genetycznych w nieco innym świetle.
W przypadku systemów uczących się nasza kryształowa kula jest nieco zamglona; możnajednak dokonać pewnych ekstrapolacji. Problemy klasyfikacyjne będącoraz częściej rozwiązywane przy użyciu systemów klasyfikujących typu bodziec-reakcja. Techniki te dojrzały do praktycznych zastosowań i w zadaniach od umiarkowanego do dużego stopnia trudności wydają się być co najmniej konkurencyjne w stosunku do istniejących metod maszynowego uczenia się i technik konekcyjnych. Można oczekiwać dalszego postępu, gdy idzie o tworzenie na drodze ewolucji dłuższych łańcuchów i sieci klasyfikatorów w systemach klasyfikujących oraz przejęcia pewnych narzędzi matematycznych stosowanych obecnie w analizie nieliniowych sieci neuronowych. Oczywiście cały postęp nie może ograniczyć się do kwestii przyznawania ocen; należy kontynuować studia mające na celu rozszerzenie i analizę koncepcji operacji "wyzwalanych" [triggered operators], odgrywających istotną rolę w tworzeniu się sieci. Na dłuższą metę nastąpi prawdopodobnie ujednolicenie architektury systemów GBML w kierunku pierwotnego projektujęzyka przekazu. Unifikacja danych i operacji (która była wielkim osiągnięciem w historii maszyn liczących) została słusznie opóźniona do chwili, w której zaczniemy lepiej rozumieć niektóre złożone współzależności w naszych systemach; taka unifikacja okaże się jednak logicznie nieunikniona, jeżeli systemy te mają kiedykolwiek osiągnąć zdolność do ulepszania swych własnych mechanizmów na drodze ewolucji w odpowiedzi na stawiane przed nimi nowe metazadania.
Chociaż wszystkie te drażliwe pytania zwalniają tempo marszu, a zawikłane problemy zmuszają nas do postojów, nasza wyprawa wcale nie znalazła się w impasie. Mając stałe bazy sprawdzonych idei, do których możemy się cofnąć i wysunięte przyczółki koncepcji przyrodniczych, z których możemy dokonywać wypadów, śmiało zapuszczamy
328
. 8. Rzut oka wstecz i przed siebie
się przed siebie, oczyszczając drogę toporem matematyki i kosą symulacji komputerowych. Stojąc tak na rubieży algorytmów genetycznych i spoglądając w bezmiar rysujących się przed nami możliwości i zadań, możemy czuć się pewnie, wiedząc, co stworzyła ewolucja, z zaufaniem do tego, co już odkryliśmy i pełni oczekiwania wobec tego, co jeszcze mamy przed sobą.