Ke!830 Acertar por evolución

10 Dic Ke!830 Acertar por evolución

Una de las escenas más típicas de las películas policíacas es aquella en la que la víctima de un crimen describe la cara del criminal, mientras un dibujante intenta traducir sus descripciones en un retrato robot, generalmente mostrando diferentes posibilidades para las diversas partes de la cara (“escoja qué nariz de todas estas más se parece a la del criminal”). El resultado es, en muchas ocasiones, un burdo intento de fotografiar al criminal. Este mecanismo de descripción o dibujo parece ser que adolece de un defecto de base humana: nuestro cerebro tiene más facilidad para recordar el conjunto de una cara que sus partes. Así, el proceso de construcción del retrato robot a partir del recuerdo de la víctima está limitado desde el principio por las restricciones de nuestro cerebro.

Pero ya hay quien propone una solución a este problema, partiendo de ideas totalmente nuevas. Un equipo de científicos de la Universidad de Stirling, en el Reino Unido, ha diseñado un sistema en el que, en lugar de ir confeccionando las distintas partes de la cara para generar, sumándolas, el retrato robot, se presenta a la víctima un conjunto de caras que van evolucionando según su elección1.

Más exactamente, lo que se hace es generar de manera aleatoria 60 caras a partir de un banco de imágenes de componentes de cara. Se presentan esas 60 opciones a la víctima, y se le pide que escoja sólo 6, las que más se parecen a la del criminal. A partir de esas 6, combinando sus partes o modificando aleatoriamente algunas de ellas, se generan 6 más. Aquí se repite la elección de las 6 más parecidas. O sea, se presenta a la víctima una serie de caras que resultan de consecutivas mutaciones y cruces entre caras. Y, al parecer, el resultado final es muy parecido a la cara real del criminal buscado.

Aparte de esta aplicación particular al mundo policial o judicial, lo que este ejemplo nos muestra es que de una mejor comprensión de cómo funciona nuestro cerebro, combinada con las posibilidades de la tecnología digital, resultan nuevos servicios que superan los estándares usados hasta entonces. Así, podemos esperar grandes cosas de la hibridación de la neurología y de la informática (¿la neuromática?).

Otro resultado más abstracto es que la idea de la evolución masiva de una entidad, como mecanismo para identificar un objeto complejo, puede ayudar a superar los mecanismos más primitivos de descripción, generalmente más lineales y discretos, que hasta entonces se hayan utilizado. Así podemos pensar en la aplicación de ideas de evolución masiva sobre agentes virtuales, con el fin de determinar cuál será el comportamiento de un cierto mercado real. Cójanse unos cuantos miles de agentes virtuales, con los atributos cualitativos de personas tipo, hágase evolucionar al grupo, y véase qué resulta de la simulación. Aprender, pues, acelerando la evolución de forma artificial.

1 Leído en The evolution of photofit, The Economist 04/12/04, Technology Quarterly, p. 4. Más en: www.economist.com/science/tq/displayStory.cfm?story_id=3423056.