Design Inteligente em Ação: Otimização

No passado abordamos várias ciências que se baseiam em princípios do design inteligente: dentre elas, arqueologia, ciência forense, criptologia, informática, SETI e SEETI, e outras. Com base em um artigo recente que descreve uma façanha notável, é oportuno analisar mais uma: otimização. O artigo da University of Washington, dos pesquisadores de aprendizado de máquina (machine-learning) Abram Friesen e Pedro Domingos, é bem descrito pela UW News. Jennifer Langston define otimização e mostra quão útil esta área é.

“A chave para resolver muitos dos mais importantes problemas nos negócios, ciência e tecnologia está na otimização – encontrar os valores para variáveis que resultem no mais alto benefício.”

“Seja para escolher quais ações comprar, qual o melhor resultado para uma pesquisa, qual a melhor predição para as próximas eleições presidenciais ou qual a melhor forma de encadear aminoácidos em uma nova droga para lutar contra malária ou câncer, a otimização é crucial para obtermos o que queremos. Quando um problema é simples, podemos programar um computador para resolvê-lo. Quando é muito complexo para tal, é por meio da otimização que o computador encontra a solução por si mesmo.” [Ênfase acrescentada.]

Todos nós sabemos que um computador é incapaz de encontrar uma solução só por si mesmo. Um algoritmo apropriadamente desenvolvido para tanto, contudo, pode aparentemente resolver tudo automaticamente.

Em sua essência, otimização é uma estratégia de pesquisa [ou busca]. William Dembski lida extensivamente com pesquisa em seu livro mais recente, Being as Communion.  Pesquisa está intimamente relacionada com o conceito de informação, a qual Dembski define como um processo tipo “peneira” que percebe possibilidades por conta da exclusão de outras. Se a informação requerida é uma solução com o mais alto benefício, uma pesquisa deve ser conduzida para aquela informação. A ciência da otimização, portanto, é o estudo dos algoritmos ou estratégias que obtém a solução otimizada por excluir as outras. Como tal, é um campo rico em informação.

Friesen e Domingos obtiveram uma impressionante realização em sua área. Seu novo algoritmo de otimização, chamado RDIS, executou uma tarefa de otimização entre 100.000 e 10 bilhões de vezes mais acurada, em média, que as técnicas convencionais. O resultado foi tão bom que receberam o principal prêmio no 24th International Joint Conference on Artificial Intelligence, em Julho [de 2015]. Esse grande salto em otimização pode ajudar a acelerar a obtenção das soluções listadas por Langston, e outras como reconhecimento de rotas por carros autônomos [self-driving cars] e determinação do enovelamento para a produção de proteínas.

Domingos explica porque otimização é mais importante do que muitos pensam:

“De certa forma, otimização é o problema mais importante que você já tenha ouvido uma vez que aparece em todas as áreas da ciência, engenharia e negócios. Porém muitos problemas em otimização são extremamente difíceis de resolver, pois têm uma grande quantidade de variáveis que interagem de maneira complexa”, afirma o autor sênior Pedro Domingos, professor de ciência da computação e engenharia da UW.

Compreender o enovelamento das proteínas, por exemplo, tem sido um problema de longa data. Uma proteína começa com uma cadeia de aminoácidos, mas enovela-se numa forma complexa e tridimensional. Para todas as proteínas, exceto as menores, predizer a forma a partir da cadeia – dada a interação complexa entre aminoácidos – tem desafiado muitas pesquisas. O RDIS poderá ser capaz de acelerar o desenvolvimento de drogas sintéticas através da otimização do sequenciamento de aminoácidos para um formato desejado. Uma outra aplicação é em determinar uma forma tridimensional a partir de uma série de imagens bidimensionais.

Fazer com que o RDIS funcionasse tão bem dependeu de diversas técnicas. Uma delas foi a estratégia de “dividir e conquistar”, chamada decomposição. Ao quebrar o problema em problemas menores e tratá-los como independentes (ainda que não sejam), os designers convergiram para a solução otimizada mais rapidamente. Outra estratégia é a recursão. Estas e outras técnicas são descritas no artigo original.

Otimização não está limitada a inteligência artificial e computadores. Qualquer pessoa que pensa de maneira lógica enfrenta problemas de otimização: e.g., “Como posso distribuir meus fundos a fim de otimizar meu retorno no investimento?” “Quais jogadores devo chamar para este jogo de futebol?” “Devo deixar as crianças na escola antes de ir ao banco, ou depois?” “Aonde o tráfego estará pior?” Uma otimização rapidamente se torna mais difícil à medida que a complexidade do problema aumenta, indicada por uma analogia concisa:

“Resolver problemas em otimização é como ser deixado de olhos vendados no topo de um monte e desafiado a andar até o oceano. Uma forma de fazê-lo é julgar aonde se deve ir utilizando-se dos pés para sentir o que há em redor, e dar um passo de cada vez seguindo na direção em que percebe-se haver uma descida. Isso funciona se houver apenas um monte. Todavia, se você estiver no topo dos Himalaias, você rapidamente ficará perdido por que há milhares de picos, sopés e partes planas. Isso é essencialmente o que acontece com ao algoritmos de otimização atuais.”

“Se você estiver com sorte, talvez chegue ao mar, porém é mais provável que acabe em um vale ou lago,” afirma Domingos. “Se você pudesse ver toda a paisagem, diria ‘oh, é por ali que devo ir’, mas o problema é que você não pode ver tudo, assim como os algoritmos de hoje.”

Esta analogia poderá soar familiar àqueles que conhecem biologia evolucionária. A metáfora da “paisagem adaptativa” criada por Sewall Wright também lida com montes e vales; naquele contexto, picos representam alta aptidão, e vales representam baixa aptidão. Wright e outros evolucionistas teóricos subsequentes perceberam que os organismos poderiam ficar presos em picos de adaptação locais (otimizado). Alcançar um pico de adaptação mais alto requereria perder adaptação temporariamente ao se cruzar um vale (v. “Complexity by Subtraction”). E parece que frequentemente animais cruzaram vales, perdendo e recuperando traços múltiplas vezes, conforme as árvores filogenéticas. Poderiam os organismos alcançar altos níveis de adaptação por meio de processos cegos e não guiados?

É óbvio que Friesen e Domingos não desenvolveram o RDIS para se basear em pesquisa cega. Foi algo inteligentemente desenvolvido, de múltiplas formas. Em primeiro lugar, precisaram conhecer ao máximo sobre as ferramentas de otimização existentes. Segundo, foi necessário entender seu objetivo. Terceiro, precisaram inserir múltiplos fatores interdependentes para alcançar seu objetivo.  É também um caso que demanda hierarquia. Em um sentido real, tiveram que otimizar sua ferramenta de otimização.

Inteligentistas sabem como cruzar vales para alcançar picos mais altos, pois podem ver um objetivo e intenção para tal. Não há previdência na seleção natural. Apresentar os mecanismos neodarwinianos como estratégias de otimização é, portanto, uma ilusão (v. “Evolutionary Computing: The Invisible Hand of Intelligence”). Dembski demonstra em Being as Communion e em seu livro anterior, No Free Lunch, que nenhuma estratégia de busca é superior à pesquisa cega – a não ser que informação seja adicionada ao sistema por meio de uma inteligência.

Otimização é um bom exemplo de design inteligente (DI) em ação nas ciências. Além de ser uma área permeada por conceitos do DI do começo ao fim, é também muito útil e largamente aplicável. Seria, então, o DI o “fim da ciência” como os darwinistas afirmam? Muito pelo contrário.

Traduzido e adaptado de Evolution News and Views