La computació evolutiva

L'Any Scale Learning For All (ALFA) del grup de Ciències de la Computació i Intel·ligència Artificial de Laboratori (CSAIL) del MIT, estudia resoldre grans problemes de dades, unes preguntes més difícils que van més allà de l'àmbit d'anàlisis típiques. ALFA aplica l'últim concepte d'aprenentatge automàtic de computació evolutiva per fer front a problemes molt complexos, que involucren diferents dimensions.

La gent te dades que provenen de molts canals diferents, és per això que s'estan fent vinculacions de dades entre aquests canals.

El Grup ALFA ha assumit reptes que van des traçar els parcs eòlics, fins a estudiar i classificar els batecs de la pressió arterial. Aquest grup també està analitzant enormes volums de dades registrades per predir el comportament MOOC-learning, i fins i tot està ajudant a l'IRS en la detecció de possibles patrons d'evasió d'impostos.

ALFA prefereix el repte de treballar amb dades en brut que venen directament de la font. A continuació, investiga les dades amb una varietat de tècniques, la majoria de les quals impliquen l'aprenentatge de màquina escalable i els algoritmes de computació evolutiva.

L'aprenentatge automàtic és molt útil per fer retrospectives de les dades per ajudar a predir el futur. La computació evolutiva es pot utilitzar de la mateixa manera, i està particularment ben adaptada als problemes a gran escala.

En el passat, l'aprenentatge automàtic va ser desestimat per la manca de dades per inferir models de predicció o etiquetes de classificació. Ara es disposa de moltes dades, de manera que amb la màquina d'aprenentatge escalable, permet processar una gran quantitat de patrons de dades. També s'ha de millorar la capacitat d'aprenentatge de màquina per fer front a les variables addicionals que vénen amb problemes extremadament complexos.

La computació evolutiva, així com l'adaptació basada en la població i l'herència genètica, en posar-los en models computacionals s'obté un rendiment realment eficaç. També en enginyeria, sovint s'utilitzen algorismes evolutius com l'adaptació de matrius de covariància o algoritmes de valors discrets per a l'optimització. A més, es poden paral·lelitzar els algoritmes evolutius de tal manera que fàcilment permet gestionar una gran quantitat dels últims problemes sobre descobriments de les dades.

Dins del camp de l'evolució, s'està especialment interessat en la programació genètica distribuint els algoritmes d'aquesta durant molts nodes, i després factoritzant les dades a través dels nodes. Això permet agafar totes les solucions independentment perquè, finalment, s'eliminin els més poc probables i obtenir el conjunt de probabilitats més possible.

Maquetació de parcs eòlics
Un dels projectes més rellevants de l'ALFA ha estat el desenvolupament d'algorismes per ajudar al disseny dels parcs eòlics.

Es poden veure grans guanys en l'eficiència i en l'optimització de la col·locació de les turbines, però és un problema molt complex. En primer lloc, hi ha els paràmetres de la pròpia turbina:

• La capacitat d'energia
• La seva altura
• El seu con de proximitat

Ha de saber quant de vent es requereix per al lloc i, després, adquirir la informació més detallada sobre d'on ve aquest vent i en quines magnituds o forces. S'han de tenir en compte les condicions topogràfiques del terreny.

La variable més difícil és l'efecte d'una turbina a les turbines darrere. Per això cal fer el modelatge de flux d'aire, que certament és molt complex, per a poder calcular la pèrdua que pot haver-hi darrere de cada turbina.