Algorismes per a ensenyar a les màquines

Robots del GRSIEducar a les màquines. No és l’argument d’una novel•la de ciència ficció, sinó la tasca diària del Grup de Recerca en Sistemes Intel•ligents (GRSI). El professorat d’uns estudiants creats amb xips, cables i software, que tracten d’ensenyar als ordinadors a aprendre de l’experiència per a poder aplicar la seva enorme capacitat computacional a tasques com detectar el càncer, controlar el consum elèctric o protegir els ordinadors dels atacs dels hackers.

 

 

Com s’aconsegueix que un màquina aprengui de l’experiència? La paraula clau és algorismes, o més concretament algorismes d’aprenentatge artificial: tècniques computacionals  que, acomplint un seguit ordenat i finit d’operacions, permeten als ordinadors adquirir el coneixement sobre un determinat àmbit per millorar les seves capacitats d’actuació en aquell àmbit.

 

“Un dels projectes del grup tracta de crear una metodologia que ajudi als experts de l’àmbit  del càncer de melanoma a diagnosticar quan hi ha una lesió maligna”

 

Podríem dir que la disciplina de la informàtica s’encarrega de dissenyar algorismes (software) tancats, que resolen determinades tasques. L’aprenentatge artificial (també dit aprenentatge automàtic) és més ambiciós: dóna les eines perquè sigui la pròpia màquina qui aprengui aquests algorismes o processos. “L’aprenentatge automàtic són els algorismes per aprendre algorismes.” Un exemple: un robot pot estar codificat per sortir d’una habitació realitzant una ruta concreta. Aquest seria un algorisme tancat, poc flexible. Si canviem el robot d’habitació, o canviem la disposició dels objectes, pot trobar-se sense solució. Una altra aproximació seria programar-lo perquè aprengui el millor camí en funció de l’entorn i la disposició dels objectes de la sala. En aquest cas, el robot té incorporat un algorisme que el permet aprendre i adaptar-se a l’entorn canviant.

 

Personal investigador del GRSI treballant amb robots

 

Un altre camp d’aplicació de l’aprenentatge artificial és el descobriment de patrons de grans bases de dades. “El que fem és estudiar i dissenyar algorismes que permetin als ordinadors extraure conclusions generals de les dades que tenen emmagatzemades i aprendre a partir d’aquesta experiència”, explica la Dra. Ester Bernadó, directora del GRSI. “Posem l’exemple d’un metge: Disposem de tots els historials d’oncologia d’un hospital, tant de les persones que han patit la malaltia com les que no. Així podem treballar amb l’experiència del dia a dia que es recull als historials. Llavors, tractem d’extraure informació de forma automàtica a través d’algorismes que troben patrons de conducta, regles generals, que ens permetrien detectar, per exemple, quins són els factors que influeixen a l’hora de patir un càncer. Aquest coneixement pot complementar, i ajudar a entendre el coneixement ja existent del domini, que vindria a ser el coneixement que es té a nivell mèdic sobre el càncer”, afegeix la Dra. Elisabet Golobardes, investigadora del grup.

 

Aquest exemple prové d’un dels projectes més importants dels GRSI. És una col•laboració amb la Unitat de Melanoma de l’Hospital Clínic Provincial de Barcelona que tracta d’ajudar els facultatius en la detecció del càncer de pell. Un treball que es va iniciar ja fa tres anys i que aspira a proposar “una metodologia que ajudi als experts de l’àmbit del càncer de melanoma a diagnosticar quan hi ha una lesió maligna, minimitzant l’error de la diagnosi”.



Recerca bàsica i aplicada
En el disseny d’aquests algorismes les persones expertes en sistemes intel•ligents disposen de diferents tècniques per a extraure la informació adient. Tècniques que es basen en la forma de pensar dels humans o en disciplines com la psicologia o la biologia evolutiva. Així, en el projecte de detecció de melanomes, s’aplica la tècnica del Raonament Basat en Casos (CBR), inspirada en una manera molt habitual d’afrontar els problemes: “Partir de l’experiència i tractar d’establir analogies amb casos anteriors per arribar a una solució”. El GRSI té una gran expertesa en la utilització d’aquesta tècnica i forma part del projecte MID-CBR. “Es tracta d’un projecte de recerca bàsica finançat pel Ministeri de Ciència i Innovació (MICIN) que investiga com millorar els algorismes basats en la tècnica del CBR”, explica l’Elisabet Golobardes, investigadora principal del projecte.

 

Ester Bernado i Elisabet Golobardes

 

Tot i així, aquesta no és l’única línia de recerca d’aquest grup ni l’única de les tècniques aplicades pel grup. També estan desenvolupant el projecte KEEL, que treballa amb la computació evolutiva, una altra tècnica diferent dins l’aprenentatge artificial. “La tècnica s’inspira en el procés evolutiu de les espècies per a resoldre problemes. Les diferents espècies són diferents maneres de resoldre el problema de la supervivència, del viure”, explica Ester Bernadó. “Cada individu seria una solució al problema i la següent generació una nova solució millorada. Així, imitant aquest procés, codifiquem diferents respostes perquè vagin evolucionant i l’ordinador acabi trobant la millor solució per al problema que volem resoldre. Posem de nou l’exemple del robot que ha de sortir de l’habitació on es troba. El robot vindria codificat amb diferents solucions a aquest problema: anar cap a la dreta, a l’esquerra, seguir recte i d’altres rutes més o menys complexes. El sistema anirà evolucionat les diferents possibilitats fins que trobi la millor manera d’arribar a la seva destinació. L’evolució en si consistiria en recombinar les millors solucions (les millors rutes) tot permetent certs graus de variabilitat. De generació en generació, les millors solucions acabarien convergint cap a una solució òptima o que s’hi aproparia”, explica Ester Bernadó.

 

En el KEEL tenen dues línies de treball: d’una banda, una línea de recerca bàsica que investiga com millorar els algorismes basats en la computació evolutiva. I d’altra banda, estan desenvolupant una eina per integrar aquests algorismes sota un plataforma comú. Aquesta eina informàtica es posarà al servei de la comunitat investigadora que podrà aplicar els algorismes al seu propi àmbit de recerca.

Varietat i quantitat
La versatilitat és un dels grans avantatges de l’aprenentatge artificial, ja que els algorismes es poden aplicar a qualsevol àmbit temàtic. Només es requereix un conjunt de dades sobre les quals es pugui treballar. Així, a més de la recerca abans esmentada, el GRSI treballa en altres projectes sobre temàtiques molt variades: al camp de la telemàtica, desenvolupa un sistema per a detectar la vulnerabilitat dels ordinadors als atacs dels hackers. També ha participat a un projecte finançat pel Ministeri d’Industria on participen diferents empreses del sector elèctric adreçat a millorar la gestió de la demanda elèctrica. “L’objectiu del projecte consisteix en, a partir de les dades de consum elèctric, extraure perfils de clients segons el seu consum. La idea és amb aquesta informació poder preveure el seu comportament (segons diferents paràmetres com per exemple l’augment de la temperatura) i crear algorismes per reequilibrar la càrrega d’energia de cada client”, explica la responsable del GRSI.

 

Aquesta varietat de temàtiques, tècniques, dades i, també, de la manera de recopilar-les, ha fet que actualment s’hagin dissenyant un gran nombre d’algorismes diferents. Una situació que es converteix en un problema a l’hora de triar quin algorisme utilitzar en cada cas. “Normalment aquest problema se soluciona aplicant el mètode de prova i error. Per tractar aquesta problemàtica, i en col•laboració amb investigadors i investigadores del Bell Laboratories d’USA, estem treballant en el desenvolupament d’un mètode per a predir de forma automàtica quin algorisme d’aprenentatge artificial s’ajusta millor a cada situació”, explica la investigadora. Aquesta línia de recerca permetrà optimitzar el tractament de qualsevol base de dades d’on es vulgui extraure un profit. D’aquesta manera, s’ampliarà una mica més el ventall de possibilitats obert amb el desenvolupament de l’aprenentatge artificial. Un àmbit on els avanços del GRSI poden marcar la diferència.

 

Agustí López
Ester Bernadó és directora del Grup de Recerca en Sistemes Intel•ligents.
Elisabet Golobardes és  investigadora del GRSI i directora de la Escola Tècnica i Superior d´Enginyeria en Electrònica i Informàtica de La Salle-URL.