Alexey Ivakhnenko ( ucraniano : Олексíй Григо́рович Іва́хненко ; 30 de marzo de 1913 - 16 de octubre de 2007) fue un matemático soviético y ucraniano famoso por desarrollar el método grupal de manejo de datos (GMDH), un método de aprendizaje estadístico inductivo.
Alexei nació en Kobelyaky , provincia de Poltava , en una familia de profesores. [1] En 1932 se graduó en la Escuela Superior de Ingeniería Eléctrica de Kiev y trabajó durante dos años como ingeniero en la construcción de una gran central eléctrica en Berezniki . Luego, en 1938, después de graduarse en el Instituto de Ingeniería Eléctrica de Leningrado , Ivakhnenko trabajó en el Instituto de Ingeniería Eléctrica de toda la Unión en Moscú durante la guerra . Allí investigó los problemas del control automático en el laboratorio, dirigido por Serguéi Lébedev .
Continuó sus investigaciones en otras instituciones de Ucrania tras regresar a Kiev en 1944. Ese mismo año recibió el título de doctor y, más tarde, en 1954, el de doctor en ciencias. En 1964 fue nombrado jefe del Departamento de Sistemas de Control Combinados del Instituto de Cibernética. Simultáneamente trabajó primero como profesor y, a partir de 1961, como profesor de Control Automático y Cibernética Técnica en el Instituto Politécnico de Kiev .
Ivakhnenko es conocido por ser el fundador del modelado inductivo, un enfoque científico utilizado para el reconocimiento de patrones y la previsión de sistemas complejos. [2] Había utilizado este enfoque durante el desarrollo del método de grupo de tratamiento de datos (GMDH). En 1968, la revista "Avtomatika" había publicado su artículo "Método de grupo de tratamiento de datos: un rival del método de aproximación estocástica", [3] marcando el comienzo de una nueva etapa en su trabajo científico. Lideró el desarrollo de este enfoque, con un equipo profesional de matemáticos e ingenieros en el Instituto de Cibernética.
El método GMDH presenta un enfoque único para resolver problemas en inteligencia artificial e incluso una nueva filosofía para la investigación científica , que se hizo posible gracias a las computadoras modernas. [2] Un investigador no puede adherirse exactamente al método deductivo tradicional de construcción de modelos "de la teoría general a un modelo particular": monitorear un objeto, estudiar su estructura, comprender los principios de su funcionamiento, desarrollar la teoría y probar el modelo de un objeto. En cambio, se propone el nuevo enfoque "de los datos especificados a un modelo general": después de la entrada de datos, un investigador selecciona una clase de modelos, el tipo de generación de modelos-variantes y establece el criterio para la selección del modelo. Como la mayor parte del trabajo rutinario se transfiere a una computadora, se minimiza el impacto de la influencia humana en el resultado objetivo. De hecho, este enfoque puede considerarse como una de las implementaciones de la tesis de la inteligencia artificial, que establece que una computadora puede actuar como un poderoso asesor para los humanos.
El desarrollo del GMDH consiste en una síntesis de ideas procedentes de diferentes áreas de la ciencia: el concepto cibernético de " caja negra " y el principio de selección genética sucesiva de características por pares , los teoremas de incompletitud de Gödel y el principio de "libertad de elección de decisiones" de Gabor , [4] el principio de incorrección de Adhémar y el principio de adiciones externas de Beer . [5]
GMDH es el método original para resolver problemas de identificación estructural-paramétrica de modelos para datos experimentales bajo incertidumbre . [6] Tal problema ocurre en la construcción de un modelo matemático que se aproxima al patrón desconocido del objeto o proceso investigado. [7] Utiliza información sobre él que está contenida implícitamente en los datos. GMDH difiere de otros métodos de modelado por la aplicación activa de los siguientes principios : generación automática de modelos, decisiones no concluyentes y selección consistente por criterios externos para encontrar modelos de complejidad óptima. Tenía un procedimiento multicapa original para la generación automática de estructuras de modelos, que imita el proceso evolutivo de la selección biológica con la consideración de características sucesivas por pares. Tal procedimiento se utiliza actualmente en redes de aprendizaje profundo . [8] Para comparar y elegir modelos óptimos, se utilizan dos o más subconjuntos de una muestra de datos. Esto permite evitar suposiciones preliminares, porque la división de la muestra reconoce implícitamente diferentes tipos de incertidumbre durante la construcción automática del modelo óptimo.
A principios de la década de 1980, Ivakhnenko había establecido una analogía orgánica entre el problema de construir modelos para datos ruidosos y la señal que pasa a través del canal con ruido . [9] Esto hizo posible sentar las bases de la teoría del modelado inmune al ruido. [6] El principal resultado de esta teoría es que la complejidad del modelo predictivo óptimo depende del nivel de incertidumbre en los datos: cuanto mayor sea este nivel (por ejemplo, debido al ruido), más simple debe ser el modelo óptimo (con menos parámetros estimados). Esto inició el desarrollo de la teoría GMDH como un método inductivo de adaptación automática de la complejidad óptima del modelo al nivel de información en datos difusos . Por lo tanto, GMDH a menudo se considera la tecnología de información original para la extracción de conocimiento de datos experimentales .
Junto con el GMDH, Ivakhnenko desarrolló el siguiente conjunto de resultados:
Ivakhnenko es conocido por sus logros en la teoría de la invariancia y la teoría de sistemas de control automático combinados, que funcionan según el principio de compensación de perturbaciones medidas. Ha desarrollado dispositivos y métodos para el control adaptativo de sistemas con amplificadores magnéticos y motores.
Es el autor de la primera monografía soviética sobre cibernética de ingeniería , [15] que se publicó en todo el mundo en siete idiomas. [17] En su estudio, un mayor desarrollo de los principios del control combinado se relacionó con la implementación de métodos de autoorganización evolutiva , reconocimiento de patrones y pronóstico en sistemas de control .
En los últimos años, su principal innovación - el método GMDH - fue desarrollado como un método de modelado inductivo, procesos complejos y pronóstico de sistemas . Sus ideas se utilizan ahora en redes de aprendizaje profundo . [18] La eficacia del método se confirmó repetidamente durante la solución de problemas complejos reales en ecología , meteorología , economía y tecnología , lo que ayudó a aumentar su popularidad entre la comunidad científica internacional. [19] En paralelo, se llevaron a cabo desarrollos de algoritmos autoorganizativos evolutivos en un campo relacionado: problemas de agrupamiento de reconocimiento de patrones. [20] Los avances en el modelado de procesos ambientales se reflejaron en las monografías, [21] [9] procesos económicos - en los libros. [11] [22] Los resultados de la exploración de algoritmos GMDH multicapa recurrentes se describen en los libros. [10] [2]
De 1963 a 1989, Ivakhnenko fue editor de la revista científica especializada "Avtomatika" (más tarde "Problemas de gestión y ciencias de la computación"), que desempeñó un papel decisivo en la formación y el desarrollo de la escuela ucraniana de modelado inductivo. Durante estos años, la revista fue traducida y reimpresa en los Estados Unidos como "Soviet Automatic Control" (más tarde "Journal of Automation and Information Sciences").
Junto con la innovación constante en su campo desde 1945, Ivakhnenko mantuvo una activa carrera docente, primero como profesor asistente en el Departamento de Mecánica Teórica y luego en la facultad de Sistemas de Control. Desde 1960, como profesor del Departamento de Cibernética Técnica en el Instituto Politécnico de Kiev , contribuyó con conferencias para la Universidad y el cuerpo estudiantil, además de supervisar el trabajo de muchos estudiantes de posgrado. En 1958-1964 fue organizador de las Conferencias de Invariancia de toda la Unión en Kiev, donde se restableció el desarrollo de la teoría de sistemas de control invariantes después de la prohibición. [23]
Su inagotable entusiasmo ayudó a más de 220 jóvenes científicos a preparar y defender con éxito sus tesis doctorales bajo su dirección en el KPI y el Instituto de Cibernética, y casi 30 de sus estudiantes defendieron sus tesis postdoctorales. La escuela científica de Ivakhnenko fue y es una verdadera cuna de profesionales científicos altamente calificados. Además, sus estudiantes VMKuntsevych, VIKostyuk, VIIvanenko, VIVasiliev, AAPavlov y otros habían creado sus propias escuelas científicas respetadas. Ivakhnenko fue un brillante ejemplo de un científico, con un agudo sentido de la nueva y notable intuición científica. Hasta sus últimos días, continuó trabajando activamente y generó generosamente ideas y resultados científicos originales.
Ivakhnenko es Científico Honorario de la URSS (1972), dos veces ganador del Premio Estatal (1991, 1997) por sus trabajos sobre la teoría de sistemas automáticos invariantes y un conjunto de publicaciones sobre tecnologías de la información en el campo de la inteligencia artificial. Autor de 40 libros y más de 500 artículos científicos. Doctor Honoris Causa de la Universidad Técnica Nacional "KPI" (2003) y del Politécnico de Lviv (2005). Fue Miembro Correspondiente de la Academia de Ciencias de la URSS (1961) y Académico de la Academia Nacional de Ciencias de Ucrania (2003).