Program Synthesis for Generalized Planning va ser el títol de la tesi doctoral que, Javier Segovia Aguas, sota la direcció d’Anders Jonsson, membre del grup de recerca Artificial Intelligence and Machine Learning del Departament de Tecnologies de la Informació i les Comunicacions (DTIC) de la UPF, va defensar a la Universitat Pompeu Fabra, a l'octubre de 2018.

"La tesi tracta de diferents mecanismes l'objectiu dels quals consisteix a resoldre múltiples problemes amb un únic programa i de forma automàtica", afirma Segovia. Un treball de recerca que ha estat reconegut com a millor tesi europea sobre Intel·ligència Artificial 2018 per l'European Association for Artificial Intelligence (EURAI), en la reunió internacional de la IJCAI que es va celebrar a Macau (Xina), el passat 14 d'agost.

El treball combina dues temàtiques essencials en el camp de la intel·ligència artificial

La tesi combina dues àrees del camp de la intel·ligència artificial. D'una banda investiga sobre la síntesi de programes, o com fer que les màquines programin codi, i d'altra es refereix al camp de la planificació generalitzada, entenent per "planificació" la seqüència de passos que condueixen a un objectiu o meta, i per "generalitzada", la solució a un problema que pot servir per resoldre altres problemes del mateix tipus.

L'objectiu principal d'aquesta investigació va ser aconseguir que tècniques clàssiques de planificació fossin capaces de programar codi de forma automàtica i que solucionessin problemes de major complexitat

L'objectiu principal d'aquesta investigació va ser aconseguir que tècniques clàssiques de planificació fossin capaces de programar codi de forma automàtica i de validar que les solucions trobades servissin també per resoldre problemes més complexos, tal que les tècniques clàssiques no es podrien solucionar sense ajut. A més, un altre objectiu va ser establir uns fonaments teòrics sòlids sobre la complexitat i la correctness dels mecanismes formalitzats (si ressolen el problema computacional per als quals es van dissenyar).

Com explica  Segovia "d'una banda tenim un conjunt de problemes que volem resoldre. Per exemple, visitar totes les cel·les d'un tauler, o ordenar un grup de nombres aleatoris de forma ascendent. D'altra banda, aquests problemes estableixen com han de ser les solucions o programes finals (deterministes, recursius, ...) perquè resolguin no un, sinó múltiples problemes".

“Aquestes característiques són del tipus: a) "el programa, ha de tenir sempre una única opció? (Programa determinista) o pot tenir situacions en què hagi de triar? (Programa no determinista); b) es pot utilitzar coneixement previ? (solucions parcials al problema); c) necessita alguna observació extra? Per exemple, saber si un nombre és més gran que un altre, etc.", afegeix  Segovia.

"Un cop establim el context, ja podem traduir tot a un llenguatge que entenguin els sistemes clàssics de planificació com PDDL (Planning Domain Definition Language). El fet de tenir tots els problemes en PDDL fa que siguin independents de les tècniques utilitzades per resoldre'ls, de tal manera que hem pogut utilitzar eines d'ús lliure d'altres universitats i centres d'investigació del món sense cap problema ", comenta l’autor.

La solució proporcionada per aquests sistemes de planificació es coneix com a pla, i en aquest és on l'autor ha trobat el programa final que resol el problema original i altres problemes del mateix tipus. I per validar que els programes són solucions correctes, s'ha forçat al sistema a executar aquests programes i comprovar que la seqüència de passos porta a la meta esperada per a cada un dels problemes.

Els experiments han demostrat la capacitat de les tècniques de planificació clàssiques per resoldre problemes de gran complexitat a través de la síntesi de programes

Els experiments realitzats en aquesta investigació han demostrat la capacitat de les tècniques de planificació clàssiques per resoldre problemes de gran complexitat a través d' la síntesi de programes.

A més, s'ha integrat la generació i validació de programes sota un mateix problema, ja que fins ara es veien com a problemes diferents.

S'ha demostrat també que la programació és flexible, ja que pot proporcionar programes parcials i deixar que el sistema generi el codi restant, i pot reutilitzar solucions d'altres problemes per resoldre problemes nous que són més complexos.

S'han establert els fonaments teòrics que demostren la complexitat de cada mecanisme implementat, i la correctness de les solucions trobades.

Finalment, els mateixos procediments han pogut ser fàcilment aplicats a altres àrees. Per exemple, aprendre una gramàtica a partir d'un text, la qual cosa demostra la suma adaptabilitat de l'enfocament proposat.

Futura aplicació o ampliació de la investigació

Com indica Javier Segovia, són moltes les àrees en què es podrien aplicar els resultats d'aquesta investigació. En el camp de la robòtica "on estem aplicant tècniques semblants per programar robots de forma natural", afirma. Però també per a poder justificar com i per què una intel·ligència artificial està prenent una decisió concreta; per generar codi de forma automàtica amb poc esforç; en ciberseguretat, per detectar ràpidament atacs i detenir-los. "O fins i tot en biologia teòrica, on ens interessa saber com un sistema va evolucionant amb el temps, una cosa semblant al que anomenem el joc de la vida".

Treball de referència:

Javier  Segovia Aguas (2018), Program Synthesis for Generalized Planning, tesi doctoral, Universitat Pompeu Fabra, 5 d'octubre. Director: Anders Jonsson. Millor tesi europea sobre Intel·ligència Artificial 2018 per l'European Association for Artificial Intelligence (EURAI).