Sistema inteligente en evolución

En informática , un sistema inteligente evolutivo es un sistema de lógica difusa que mejora su propio rendimiento mediante la evolución de sus reglas. ^{[ 1 ]} Esta técnica se conoce en el aprendizaje automático , donde un algoritmo aprende patrones externos. El aprendizaje automático basado en lógica difusa funciona con sistemas neurodifusos . ^{[ 2 ]}

Los sistemas inteligentes deben ser capaces de evolucionar , autodesarrollarse y autoaprender continuamente para reflejar un entorno en constante evolución. El concepto de Sistemas Inteligentes Evolutivos (EIS) fue concebido alrededor del cambio de siglo ^{[ 3 ] [ 4 ] [ 5 ] [ 6 ] [ 7 ] [ 8 ] [ 9 ] con la frase} EIS acuñada por primera vez por Angelov y Kasabov en un boletín de IEEE de 2006 ^{[ 8 ]} y ampliada en un texto de 2010. ^{[ 9 ]} Los EIS desarrollan su estructura, funcionalidad y representación interna del conocimiento a través del aprendizaje autónomo a partir de flujos de datos generados por el entorno posiblemente desconocido y del automonitoreo del sistema . ^{[ 10 ]} Los EIS consideran un desarrollo gradual de la estructura subyacente del sistema (difuso o neurodifuso) y difieren de los algoritmos evolutivos y genéticos que consideran fenómenos tales como el cruce de cromosomas, mutación, selección y reproducción , padres e hijos. Los sistemas neuronales y difusos evolutivos a veces también se denominan "evolutivos" ^{[ 11 ] [ 12 ] [ 13 ]} , lo que genera cierta confusión. Esto era más común en los primeros trabajos sobre este tema a finales de la década de 1990.

Los EIS se pueden implementar, por ejemplo, utilizando redes neuronales o modelos basados ​​en reglas difusas. Las primeras redes neuronales que consideran una estructura evolutiva se publicaron en. ^{[ 14 ] [ 15 ] [ 16 ] [ 17 ] [ 18 ]} Estas fueron posteriormente ampliadas por N. Kasabov ^{[ 5 ]} y P. Angelov ^{[ 3 ] [ 4 ] [ 6 ] [ 19 ]} para los modelos neurodifusos. P. Angelov ^{[ 3 ] [ 4 ] [ 6 ] [ 7 ]} introdujo los sistemas basados ​​en reglas difusas evolutivas (EFS) como el primer modelo matemático de autoaprendizaje que puede evolucionar dinámicamente su estructura interna y es interpretable por humanos y acuñó la frase EFS. Simultáneamente, el enfoque incremental fuera de línea para aprender un EIS, a saber, EFuNN, fue propuesto por N. Kasabov. ^{[ 20 ] [ 21 ]} P. Angelov, D. Filev, N. Kasabov y O. Cordon organizaron el primer Simposio IEEE sobre EFS en 2006 (las actas de la conferencia se pueden encontrar en ^{[ 22 ]} ). Los EFS incluyen un mecanismo de aprendizaje formal (y matemáticamente sólido) para extraerlo de datos en flujo. Una de las primeras y más citadas revisiones exhaustivas sobre EFS se realizó en 2008. ^{[ 23 ]} Posteriormente, E. Lughofer realizó revisiones exhaustivas sobre métodos EFS con aplicaciones reales en 2011 ^{[ 24 ]} y 2016 ^{[ 25 ]} .

Otros trabajos que contribuyeron aún más a esta área en los años siguientes la expandieron a aprendizaje participativo evolutivo, ^{[ 26 ]} gramática evolutiva, ^{[ 27 ]} árboles de decisión evolutivos, ^{[ 28 ]} modelado de comportamiento humano evolutivo, ^{[ 29 ]} sensores autocalibrables (evolutivos) (eSensors), ^{[ 30 ]} clasificadores basados ​​en reglas difusas evolutivos, ^{[ 31 ] [ 32 ] [ 33 ] [ 34 ] [ 35 ]} controladores difusos evolutivos, ^{[ 36 ] [ 37 ]} detectores de fallas autónomos. ^{[ 38 ]} Más recientemente, Rong ha demostrado la estabilidad de los sistemas basados ​​en reglas difusas evolutivos que consisten en el aprendizaje de la estructura y el método de actualización de parámetros de mínimos cuadrados recursivos ponderados difusamente ^{[ 7 ] . [ 39 ] En [ 40 ]} se propuso un EFS generalizado, que permite rotar arbitrariamente las reglas en el espacio de características y, por lo tanto, mejorar su representabilidad de datos, con extensiones significativas en ^{[ 41 ]} hacia la "inteligencia" de las bases de reglas (denominado "EFS inteligente generalizado"), lo que permite una mayor interpretabilidad y reduce la maldición de la dimensionalidad . La estructura de reglas generalizada también se utilizó con éxito en el contexto de sistemas neurodifusos evolutivos. E. Lughofer ha analizado varias facetas y desafíos para lograr bases de reglas más transparentes y comprensibles en EFS en ^{[ 42 ] .}

Los EIS forman la base teórica y metodológica para las Máquinas de Aprendizaje Autónomo (ALMA) ^{[ 43 ]} y los sistemas multimodelo autónomos (ALMMo) ^{[ 44 ]} así como de los Sistemas de Aprendizaje Autónomo. ^{[ 10 ]} Los clasificadores basados ​​en reglas difusas evolutivas, ^{[ 31 ] [ 32 ] [ 33 ] [ 34 ] [ 35 ]} en particular, son un concepto nuevo muy potente que ofrece mucho más que simples clasificadores incrementales o en línea: puede manejar la adición de nuevas clases o la fusión de clases existentes. Esto es mucho más que simplemente adaptarse a la adición de nuevas muestras de datos o a la evolución de superficies de clasificación. Los clasificadores basados ​​en reglas difusas ^{[ 34 ]} son ​​la base metodológica de un nuevo enfoque para el aprendizaje profundo que hasta ahora se consideraba una forma de redes neuronales multicapa. ^{[ 45 ]} El aprendizaje profundo ofrece altos niveles de precisión que superan el nivel de la capacidad humana y captó la imaginación de los investigadores, la industria y el público en general. Sin embargo, presenta una serie de limitaciones y restricciones intrínsecas. Estas incluyen:

1. La "caja negra", una estructura interna opaca que posee millones de parámetros e implica decisiones ad hoc sobre el número de capas y los parámetros del algoritmo.
2. Se requiere una gran cantidad de muestras de datos de entrenamiento, recursos computacionales (que generalmente requieren GPU y/o HPC) y tiempo (que generalmente requiere muchas horas de entrenamiento).
3. Búsqueda iterativa.
4. Requiere recapacitación para nuevas situaciones (no está evolucionando).
5. No ha demostrado convergencia ni estabilidad.

La mayoría, si no todas, las limitaciones anteriores pueden evitarse con el uso de clasificadores basados ​​en reglas difusas profundas, ^{[ 46 ] [ 47 ]} que se introdujeron recientemente basados ​​en ALMMo, logrando un rendimiento similar o incluso mejor. Los modelos IF...THEN... basados ​​en prototipos resultantes son totalmente interpretables y evolucionan dinámicamente (pueden adaptarse rápida y automáticamente a nuevos patrones de datos o incluso a nuevas clases). Son no paramétricos y, por lo tanto, su entrenamiento no es iterativo y es rápido (puede tomar unos pocos milisegundos por muestra de datos/imagen en una computadora portátil normal, lo que contrasta con las múltiples horas que requieren los métodos actuales de aprendizaje profundo para el entrenamiento, incluso cuando usan GPU y HPC). Además, pueden entrenarse de forma incremental, en línea o en tiempo real. Otro aspecto de los clasificadores basados ​​en reglas difusas evolutivas se ha propuesto en, ^{[ 48 ]} que, en el caso de problemas de clasificación multiclase, logra la reducción del desequilibrio de clases mediante la capacidad de cascada en subespacios de clases y una mayor flexibilidad y rendimiento para agregar nuevas clases sobre la marcha a partir de muestras en flujo. ^{[ 49 ]}