Computación evolutiva para el diseño y mejora de sistemas inteligentes de propósito general: estudio y perspectivas
-
Daniel Molina Cabrera
;
Javier Poyatos
;
Javier del Ser Lorente
;
Salvador García López
;
Hisao Ishibuchi
;
Isaac Triguero Velázquez
;
Bing Xue
[2]
;
Xing Yao
[1]
;
Francisco Herrera Triguero
-
[1] University of Birmingham
University of Birmingham
Reino Unido
-
[2] School of Engineering, Nueva Zelanda
-
- Localización: Actas del XVI Congreso Español de Metaheurísticas, Algoritmos Evolutivos y Bioinspirados: (MAEB 2025) 28-30 de mayo, Donostia/San Sebastián / coord. por Leticia Hernando Rodríguez , Josu Ceberio Uribe , Jon Vadillo Jueguen, 2025, ISBN 978-84-1319-656-5, págs. 350-353
- Idioma: español
- Enlaces
-
Resumen
En Inteligencia Artificial existe una demanda creciente de modelos adaptativos capaces de abordar un espectro diverso de tareas de aprendizaje, superando las limitaciones de los sistemas concebidos para hacer frente a una única tarea. La reciente aparición de los Sistemas de Inteligencia Artificial de Propósito General (GPAIS a partir de sus siglas en inglés) plantea retos de configuración y adaptabili- dad de modelos a mayor escala de complejidad que los modelos tradicionales de Aprendizaje Automático. La Computación Evolutiva ha sido una herramienta útil tanto para diseñar como para optimizar modelos de Aprendizaje Automático, por lo que su aplicación a GPAIS es una elección natural. En este trabajo de posición, analizamos el importante papel que la Computación Evolutiva puede jugar en el diseño de GPAIS. Revisamos varios casos de estudio y presentamos diferentes estrategias con este fin, discutiendo sobre áreas tangenciales, contribuciones re- cientes, identificando nichos de investigación y esbozando posibles direcciones de investigación. Este campo emergente promete revolucionar la Inteligencia Artifi- cial, desplegando un nuevo y apasionante panorama de nuevas aplicaciones que aprovechan la sinergia entre Computación Evolutiva y GPAIS.
