Yo diría que no.
Si bien no tengo datos que respalden mi opinión (así que tómalo con sal), la impresión general que obtengo de las conferencias de EA en estos días es que el campo es de alguna manera “maduro”: EA populares comenzaron a funcionar, implementaciones estables en la corriente principal lenguajes de programación (por ejemplo, CMA-ES está disponible para MatLab, Python, C, …); Eureqa, un EA que realiza regresión simbólica, se convirtió en una herramienta comercial exitosa; ¡Hace algunos años, la NASA incluso utilizó un EA para diseñar una antena!
Un campo “maduro” significa que, si bien las personas ajenas a él pueden usar soluciones listas para usar para sus problemas de optimización, los investigadores en el campo se centran actualmente en pequeñas mejoras (o mejoras que parecen pequeñas, en comparación con grandes avances “revolucionarios”, como la programación genética). Hay algunas de estas líneas de investigación que podrían convertirse en algo grande, pero probablemente requerirá mucho tiempo para que entren en la corriente principal: recuerde que la idea original de regresión simbólica surgió alrededor de 1992, mientras que Eureqa se publicó en 2009 (!)
- ¿Cuál es el mejor algoritmo para usar para la detección de valores atípicos en el flujo de datos?
- Cómo implementar el algoritmo de aprendizaje de refuerzo para tareas de robótica, que incluye control y planificación de rutas
- ¿Cuáles son las ventajas de un árbol de búsqueda binaria sobre un árbol rojo-negro?
- ¿Cuál es el mejor método para aprender efectivamente ciencia de datos / aprendizaje automático desde cero para un estudiante promedio de Ingeniería (idiomas, algoritmos, tutoriales, etc.)?
- ¿Qué es 600 en forma binaria?
Para darle algunos ejemplos de trabajos actuales (material que se presentó en GECCO de este año, probablemente la conferencia más grande en el campo), el Mejoramiento genético tiene como objetivo utilizar la Programación genética para optimizar automáticamente el código existente y / o corregir errores; y TPOT tiene como objetivo automatizar la elección de los mejores clasificadores para un problema dado. Tenga en cuenta que estas dos técnicas aún no son “maduras”, y probablemente no sean utilizables por no expertos.
La tendencia general que veo es intentar aplicar EAs al aprendizaje automático. Tiene sentido, ya que el aprendizaje automático traduce los problemas de aprendizaje en problemas de optimización, que generalmente son muy difíciles de resolver; y los EA pueden proporcionar buenas soluciones aproximadas en un tiempo razonable. Habrá, como de costumbre, cierta “resistencia” a la adopción de EA, debido a su naturaleza estocástica, y problemas con la reproducibilidad de los resultados … pero si los EA muestran ser más efectivos que otras técnicas en problemas específicos, no tengo dudas de que Será finalmente utilizado.
Entonces, ¿está disminuyendo el interés? Yo diría que no, es difícil mejorar aún más las ideas básicas (GA, ES, GP), ya que ya son lo suficientemente “maduras”. Aún así, la próxima gran cosa podría estar a la vuelta de la esquina, la investigación es muy difícil de predecir.
Solo mis 2 centavos 🙂
