برنامه نویسی ژنتیک

محققان از برنامه­ نویسی ژنتیک استفاده می­کنند تا متوجه شوند که مشتریان چه چیزی را دوست دارند و چه طعم هایی خوب هستند. (ارائه ­کننده: کریستین دانیلوف)

ژیوودان، شرکت سوییسیِ تولیدکنندۀ طعم و عطر، از محققانِ MIT درخواست کرد تا به آنها برای تجزیه و تحلیل نتایج آزمونِ طعم کمک کنند. چون بعد از تقریباً ۴۰ نمونه، نتایج نامعتبر است و آزمایش­کننده ها از ناتوانی موقتی در تشخیص بو و مزه رنج می­برند، محققان در علم کامپیوترِ MIT و آزمایشگاه هوش مصنوعی (CSAIL) برای مرتب­ کردنِ داده­ ها از برنامه­ نویسی ژنتیک و مدل ­های ریاضی استفاده می­کنند تا به نتایج دقیق­ تری دست یابند.

طراحی مواد عطری که شامل چاشنی­ های نوشیدنی و غذاهای بسته­ بندی­ شده و رایحۀ محصولات بهداشتی، لوازم توالت و دیگر موارد خانگی می­شود، از تجارت­های چندین بیلیون دلاری به شمار می­آید. شرکت­ های بزرگِ طعم و عطر سالانه میلیون­ ها دلار را صرف تحقیق و توسعه از قبیل تعداد زیادی تست مصرف­ کننده، میکنند.

ولی درک نتایج آزمون طعم، کار دشواری است. اولویت­ های شرکت­ کنندگان می­تواند خیلی گسترده باشد که احتمال دارد به­ خاطرِ آن، هیچ توافقی صورت نگیرد. جمع ­آوری داده­ های کافی دربارۀ هر شرکت کننده این امکان را به شرکت­ های طعم می­دهد که برخی از ناهماهنگی­ ها را حذف کنند، ولی بعد از تقریباً ۴۰ نمونه از طعم و بو، شرکت­ کنندگان دچار ناتوانی موقتی در تشخیص بو و مزه شده و تمایزِ آنها غیر قابل اطمینان می­شود. بنابراین، شرکت­ها در تصمیم گیری ­های مبتنی بر داده ­هایِ کم گیر می­کنند و لازم به ذکر است که اکثر این داده­ ها با هم تناقض دارند.

یکی از بزرگ­ترین شرکت­ های طعم و عطر در دنیا ، از محققان در علم کامپیوترِ MIT و آزمایشگاه هوش مصنوعی (CSAIL) درخواست کمک کرده­ است. برای تجزیه و تحلیل نتایج آزمونِ طعم، محققانِ CSAIL از برنامه نویسی ژنتیکی استفاده میکنند که در آن، مدل­ های ریاضی برای برازش داده ­های موجود با یکدیگر رقابت می­کنند و سپس گرده ­افشانی متقاطع[۱] انجام شده تا مدل هایی تولید شوند که دقیق ­تر هستند.

شرکت سوییسی ژیوودان که تولیدکنندۀ طعم و عطر است از پژوهشگر اصلیِ CSAIL، اونا‐مای اُ ریلی، و فوق دکتر کالیان وراماچاننی و همچنین اکاترینا ولادیسلاولوا از دانشگاه آنتورپ درخواست کرد تا در تفسیر نتایج آزمون­ هایی کمک کنند که در آن، ۶۹ شرکت­ کننده توانستند ۳۶ ترکیبِ متفاوت از هفت مزۀ پایه را ارزیابی کنند و هر امتیاز، مطابق با جاذبۀ بویاییِ آن تعیین می­شد.

اُ ریلی و همکارانِ او برای هر شرکت ­کننده به­ طور تصادفی توابع ریاضی­ ای ایجاد کرده، که امتیازها را طبق غلظت­ طعم های مختلف پیش­ بینی می­کنند. هر تابع طبق دو معیار ارزیابی می­ شود: دقت و سهولت. برای مثال، تابعی که اولویت ­های شرکت­ کننده را به ­طور دقیق با استفاده از یک فاکتور مثلاً غلظت کره نشان می­ دهد، می­تواند مفیدتر از تابعی باشد که پیش ­بینی دقیق­ تری دارد ولی مستلزم انجام عملیات پیچیدۀ ریاضی بر روی هفت متغیر است.

بعد از ارزیابی تمام توابع، آنهایی که پیش­گویی ضعیفی دارند، حذف می­شوند. مجدداً عناصری از توابع باقی­ مانده به طور تصادفی ترکیب می­ شوند تا توابع جدیدی تولید شود؛ توابعی که برای دقت و سهولت ارزیابی می­شوند. تمام این مراحل تقریباً ۳۰ بار تکرار می شود تا به مجموعه توابعی نزدیک شود که با اولویت­ های شرکت­ کننده مطابقت دارد.

به­ خاطر اینکه روش اُ ریلی و همکارانِ او، پروفایل­ هایی را از مزه­ های آزمون هر شرکت­ کننده تولید می­کند، در نتیجه این روش می­تواند آنها را به گروه­ های مجزایی طبقه­ بندی کند. برای مثال، ممکن است که برای شرکت­ کنندگان آزمون، دارچین و یا جوز هندی اولویت بالایی داشته باشد ولی نه هر دوی آنها. با بازاریابی محصولی برای طرفداران دارچین و محصول دیگری برای طرفداران جوز هندی، شرکت می­تواند بهتر از موقعیتی عمل کند که محصولی را برای هر دو طرفدار بازاریابی می­کند. اُ ریلی می­گوید :«از این ۳۶ طعم، برخی افراد از بعضی از آنها متنفر بودند و برخی آنها را دوست داشتند. اگر سعی می­کنید که طعمی را شناسایی کنید که کل پنل، آن را دوست داشته باشد، شما به محدودیت­ ها راضی نخواهید شد.»

اُ ریلی و همکارانِ او فرصتی نداشته ­اند تا به ­طور تجربی تعیین کنند که آیا مدل ­هایِ آنها می­تواند پاسخ شرکت کنندگان به طعم ­های جدید را به ­طور صحیح پیش ­بینی کند. بنابراین آنها به ساخت مدل دیگری پرداختند تا دقت را برای مدلِ خود ایجاد کنند. ابتدا، آنها مجموعه ­ای از توابع ریاضی را توسعه دادند که نشان­ دهندۀ اولویت­ های طعم شرکت کنندگان بود. سپس آنها با در نظرگرفتن محدودیت­ های طراحی­ آزمون نشان دادند که الگوریتم­ های آنها می­توانند آن اولویت­ ها را پیش ­بینی کنند. اُ ریلی می­گوید :«گرچه آنها این مدل­ را صرفاً برای اعتبارسنجی رویکرد خود توسعه دادند ولی محققانِ طعم، مجذوب این مدل­ شدند تا شاید با استفاده از آن بتوانند پروتکل­ های آزمون کارآمدتر و دقیق ­تری را توسعه دهند.»

لی اسپکتور، استاد علم کامپیوتر در دانشکدۀ همپشایر و سردبیر مجلۀ ماشین­ های تکاملی و برنامه نویسی ژنتیک که آخرین مقاله­ های محققانِ MIT در آن منتشر می­شود، میگوید :«مردم ده ها سال است که با این روش ­ها (تکاملی) سر و کار داشته ­اند. من فکر می­کنم یکی از دلایلی که این روش ­ها تا این اواخر جلب توجه نکرده­ این است که مردم به­ درستی متوجه نشده ­اند که کجا این روش ­ها می توانند نتیجه ­بخش باشند. اولویت طعم، حوزۀ خوبی است که در آن از روش­ های تکاملی استفاده می شود و همچنین به نظر می­رسد که انگار آنها مفید هستند؛ بنابراین هیجان­ انگیز است.»   

[۱]  Cross-pollinate

پیام بگذارید

نشانی ایمیل شما منتشر نخواهد شد. بخش‌های موردنیاز علامت‌گذاری شده‌اند *