A avalia¸c˜ao dos indiv´ıduos ´e talvez a ´area que gera mais questionamentos em sistemas de CA. Em qualquer sistema de produ¸c˜ao art´ıstica autom´atica ´e muito dif´ıcil decidir como medir o fitness e quais as necessidades de uma boa solu¸c˜ao. ´E necess´ario responder estas perguntas para que se defina quem produzir´a a pr´oxima gera¸c˜ao. No fim do processo, de uma maneira ou de outra, a qualidade de uma solu¸c˜ao dever´a ser medida por escalas num´ericas.
Um ponto que n˜ao pode ser esquecido ´e que de qualquer maneira a fun¸c˜ao de avalia¸c˜ao de uma solu¸c˜ao deve pelo menos distinguir entre bons e ruins indiv´ıduos, pois ´e isto que levar´a o processo adiante. Avalia¸c˜ao pode ser uma simples fun¸c˜ao matem´atica ou resultado de uma simula¸c˜ao mais complexa. A avalia¸c˜ao tamb´em depende muito da aplica¸c˜ao espec´ıfica de um problema, cuja inten¸c˜ao de avalia¸c˜ao pode ser a similaridade
com uma m´usica alvo, o respeito a teorias musicais ou t´ecnicas musicais espec´ıficas. A avalia¸c˜ao de uma melodia, por exemplo, pode incluir v´arios aspectos est´eticos. Assim, a quest˜ao ser´a como codific´a-los em escalas num´ericas que estejam bem forma- lizadas. ´E dif´ıcil criar defini¸c˜oes matem´aticas para aspectos puramente est´eticos e por estas raz˜oes, medidas totalmente autom´aticas de fitness costumam gerar v´arios pro- blemas. Como alternativa a estas medidas autom´aticas, pode-se fazer o processo sem fitness, com fitness m´ınimo ou aleat´orio, como ser´a descrito nas pr´oximas subse¸c˜oes. Cada modo de avaliar os indiv´ıduos possui problemas espec´ıficos. As principais manei- ras de se medir o fitness de indiv´ıduos s˜ao as seguintes:
• Autom´atico – Heur´ısticas – Baseados em regras – Aprendidos • Interativo • Sem aptid˜ao
Apostilas de formas musicais podem ser consideradas para definir aspectos a serem avaliados em composi¸c˜oes e demonstram ser naturalmente algor´ıtmicas. Isso ocorre principalmente com aquelas baseadas em modelos j´a existentes de estilos musicais. Um problema de se basear demais neste m´etodo de cria¸c˜ao de regras ´e que pode se per- der a essˆencia art´ıstica dos resultados. O objetivo da ME ´e sempre criar composi¸c˜oes pr´oximas ao que compositores humanos realmente comp˜oem e os m´etodos podem se tornar ineficazes quando um excesso de regras ´e aplicado. O processo criativo n˜ao se baseia puramente em apostilas e composi¸c˜oes boas normalmente quebram estas regras de algum modo.
´
E importante lembrar que um AE sempre ser´a naturalmente limitado por seu pro- jeto (gen´otipo, operadores, fun¸c˜oes) e n˜ao criar´a aspectos novos para os quais n˜ao foi programado. Os maiores problemas de avalia¸c˜ao das solu¸c˜oes ´e que nos casos em que a aptid˜ao ´e medida de forma autom´atica, a sa´ıda deve ser formalmente codificada e esta codifica¸c˜ao de aspectos est´eticos ´e muito dif´ıcil. J´a na aptid˜ao humana, o problema ´e que as solu¸c˜oes devem ser comprimidas para que o mentor possa escutar pelo menos um pouco de cada indiv´ıduo antes de analis´a-los.
Assim deve ser definido inicialmente no que ser´a baseada a avalia¸c˜ao, em regras ou em modelos de composi¸c˜ao reais. Mesmo m´usicas que podem ter de algum modo um modelo espec´ıfico podem mudar este modelo com o passar do tempo. Pode ocorrer inclusive uma jun¸c˜ao destes diferentes modelos para a cria¸c˜ao de novas composi¸c˜oes mas n˜ao se sabe se isto poderia ser considerada uma composi¸c˜ao, de fato, livre.
Independente de como as regras do sistema ser˜ao definidas, ´e necess´ario ter a base do sistema no que os compositores realmente fazem. A cria¸c˜ao de m´usica n˜ao ´e simplesmente baseada em regras simples de composi¸c˜ao, pois estas regras s˜ao definidas apenas quando um certo per´ıodo musical passado ´e analisado. N˜ao se pode ent˜ao basear a m´usica fortemente em modelos que s˜ao normalmente descritos com fins pedag´ogicos e tˆem uma forte tendˆencia a simplificar ou distorcer em demasia pensamentos que s˜ao complexos em sua raiz.
Existe um dilema claro na defini¸c˜ao destes parˆametros j´a que um sistema essen- cialmente baseado em regras provavelmente ter´a resultados que se assemelhar˜ao com exerc´ıcios ou r´eplicas de m´usicas conhecidas. Enquanto isso, para a cria¸c˜ao de mate- rial mais criativo, poder-se-ia imaginar um sistema com poucas regras, do qual sairiam v´arias ideias criativas. Por´em, neste caso a abordagem seria mais uma vez problem´atica pois uma quantidade enorme de material inadequado seria gerada sem aproveitamento. De qualquer maneira, ´e necess´ario fornecer op¸c˜oes de que algumas regras sejam que- bradas em qualquer sistema em que exista a inten¸c˜ao de criar material mais criativo. Sen˜ao, os sistemas ser˜ao mais criadores de r´eplicas do que compositores. Tudo que o computador avalia pode ser feito apenas de maneira algor´ıtmica.
Avalia¸c˜ao Autom´atica
V´arias fun¸c˜oes de avalia¸c˜oes heur´ısticas foram desenvolvidas e normalmente levam em considera¸c˜ao avalia¸c˜oes e percep¸c˜oes do autor do algoritmo (Ames 1992). ´E um m´etodo muito usado em melodias e normalmente definem considera¸c˜oes sobre intervalos, densi- dade das notas sobre a quantidade de pausas, variedade r´ıtmica entre outras.
Percep¸c˜oes musicais do autor podem levar a conclus˜oes que ocorrem via de regra sobre o processo de composi¸c˜ao. Estas percep¸c˜oes podem tamb´em, claro, vir de apostilas de teoria musical. Usualmente, o autor do algoritmo desenvolve algum conceito e soma a ele alguns valores. Os conceitos utilizados nestes algoritmos, deste modo, tendem a ser fracos e ter validade question´avel.
J´a os sistemas de avalia¸c˜ao autom´atica baseados em regras tˆem como fundamento teorias musicais que tˆem regras constantes. Esses sistemas tender˜ao deste modo a gerar m´usicas que s˜ao muito similares entre si e ter˜ao dificuldades para perceber e avaliar positivamente quando algo com alguma especificidade boa aparecer em alguma gera¸c˜ao. Isso ocorre porque, por se tratar de arte, uma m´usica pode ser teoricamente correta por´em ruim.
O sistema pode ignorar m´usicas boas pois algumas composi¸c˜oes s˜ao boas justamente por quebrar as regras propositalmente. Em alguns casos, pode ser at´e suficiente encerrar o algoritmo ap´os encontrar ´otimos locais em vez de continuar uma busca por um ´otimo global. Estes sistemas baseados em regras tendem a funcionar melhor quando utilizados para gera¸c˜ao de m´usica de um gˆenero e contexto espec´ıficos (Polito, Daida & Bersano- Begey 1997).
Uma ´ultima possibilidade ´e utilizar esquemas de aptid˜ao aprendidos, nos quais s˜ao utilizadas t´ecnicas mais robustas de avalia¸c˜ao, como RNA (Biles, Anderson & Loggi 1996). Com a aplica¸c˜ao destas t´ecnicas, espera-se obter fun¸c˜oes de avalia¸c˜ao mais ro- bustas, sendo as pr´oprias RNA a t´ecnica dominante. Estas t´ecnicas n˜ao incluem por si s´o fei¸c˜oes musicais que s˜ao facilmente comput´aveis.
As RNA podem utilizar como entrada caracter´ısticas observadas pelo autor, como nas avalia¸c˜oes heur´ısticas, ou a melodia em si. A escolha desta entrada ´e crucial. Ape- sar de parecer uma ´otima escolha para desenvolver avaliadores de sistemas de CA, as experiˆencias com RNA mostram que elas n˜ao conseguem desenvolver capacidade de generaliza¸c˜ao al´em do conjunto de exemplos com o qual ´e treinada (Biles, Anderson & Loggi 1996). Isso provavelmente ocorre pela falta de caracter´ısticas comput´aveis e falta de informa¸c˜ao, no caso das RNA que utilizam o pr´oprio material mel´odico para treinamento.
Interativo
Para todos os sistemas evolutivos para cria¸c˜ao de arte, sempre ocorre a discuss˜ao de um modo de avalia¸c˜ao das solu¸c˜oes ´obvio: a avalia¸c˜ao humana4. Teoricamente, a ava- lia¸c˜ao poderia resolver todos os problemas existentes nos modos de avalia¸c˜ao autom´atica.
4
Este tipo de avalia¸c˜ao pode ser utilizado para evoluir uma m´usica ou estilo espec´ıfico quando a inten¸c˜ao ´e desenvolver um m´usico virtual que funcionar´a em tempo real mais tarde. Neste caso, o melhor ´e que esta evolu¸c˜ao seja direcionada a um estilo espec´ıfico, para que o m´usico virtual n˜ao perca a capacidade de generaliza¸c˜ao, al´em de n˜ao cansar o mentor.
Sem embargo, existem tamb´em v´arios problemas envolvidos na aplica¸c˜ao deste modo de avalia¸c˜ao.
O primeiro deles, e talvez o mais ´obvio e simples, ´e que deve-se desenvolver um sistema coerentemente funcional e robusto de IHC. A interface da aplica¸c˜ao deve ser simples para que o mentor possa focar em sua tarefa. Profissionais com interesse nesta ´area precisam dar sua contribui¸c˜ao para que usu´arios com experiˆencia em m´usica possam ter assistˆencia adequada para fazer seus julgamentos de forma simples e intuitiva.
Outro problema, e talvez mais complexo, ´e o tamanho da popula¸c˜ao. Este tamanho da popula¸c˜ao normalmente vai de d´uzias a centenas de indiv´ıduos e como a m´usica ´e uma arte temporal, o usu´ario precisar´a de tempo para ouvir todos estes indiv´ıduos por todas as gera¸c˜oes. Em sistemas de dom´ınio temporais com avalia¸c˜ao humana, existe este problema denominado gargalo de fitness.
Uma maneira de resolver o problema do tempo necess´ario de uma maneira relativa- mente simples ´e mostrar apenas alguns trechos da m´usica ao usu´ario. Por outro lado, como a avalia¸c˜ao de apenas um peda¸co de uma composi¸c˜ao pode levar a conclus˜oes precipitadas, isto gera um outro inconveniente que ´e uma decis˜ao a ser tomada entre o tamanho da amostra e a validade da avalia¸c˜ao. Um ouvinte tamb´em pode dar uma avalia¸c˜ao insensata para a m´usica por ter escutado uma parte que n˜ao gostou pois pes- soas diferentes tˆem diferentes gostos em partes diferentes. Este problema ´e denominado problema de granularidade.
Al´em disto, a quest˜ao vai al´em de o usu´ario ter ou n˜ao tempo para fazer todas as avalia¸c˜oes, j´a que tarefas de avalia¸c˜ao exigem concentra¸c˜ao do usu´ario, o que em m´usica se diz quando o m´usico est´a com ouvidos “frescos”para analisar e avaliar uma certa m´usica. O usu´ario n˜ao deve apenas avaliar as m´usicas individualmente mas compar´a-las e dar notas boas a indiv´ıduos que mesmo ruins sejam melhores do que os outros. Assim, com o passar de pouco tempo, a avalia¸c˜ao do mentor pode estar t˜ao prejudicada que leve a medidas de fitness piores do que as autom´aticas, enquanto deveriam apenas solucionar seus problemas.
Sem aptid˜ao
Em alguns casos, uma abordagem mais minimalista pode ser aplicada tanto ao problema do gargalo de fitness quanto ao das dificuldades de codifica¸c˜ao de medidas autom´aticas de est´etica: fazer um AG sem press˜ao seletiva. Com esta abordagem os problemas
principais desaparecem enquanto novas quest˜oes devem ser resolvidas.
A principal quest˜ao usando esta abordagem ´e como se pode obter controle da pe¸ca se o processo de sele¸c˜ao se dar´a de forma aleat´oria, o que tira a press˜ao seletiva que faz com que a popula¸c˜ao evolua. A resposta desta quest˜ao deve estar fundamentalmente nos processos que geram a popula¸c˜ao inicial, que devem ser robustos o suficiente para gerar solu¸c˜oes j´a inicialmente robustas, e nos operadores gen´eticos, que devem manter a musicalidade dos indiv´ıduos com os quais est˜ao trabalhando.
Nestes sistemas, o principal modo de controle sobre o estilo da pe¸ca ´e atrav´es da popula¸c˜ao inicial, como mostram os experimentos de Waschka II (2007), que utilizou o segundo movimento da Sinfonia no
7 de Beethoven como popula¸c˜ao inicial para criar sua obra, Empty Frames. As obras criadas por esta abordagem tiveram indica¸c˜oes de sucesso como execu¸c˜oes em v´arios pa´ıses, grava¸c˜oes e cr´ıticas positivas.
A vantagem desta abordagem pode ser criar novas melodias baseadas em melodias j´a existentes mesmo quando n˜ao s˜ao conhecidas as regras espec´ıficas do estilo de composi¸c˜ao da melodia de entrada. Assim, n˜ao ´e necess´ario se apoiar apenas em regras musicais antigas de estilos muito bem estudados, que podem levar o algoritmo a solu¸c˜oes pouco criativas, nem em percep¸c˜oes do autor que podem variar consideravelmente e ser pouco confi´aveis.
Um mentor pode ser utilizado na composi¸c˜ao mas desta vez n˜ao para avaliar os indiv´ıduos e sim para controlar o processo de muta¸c˜ao, fazendo assim uma trapa¸ca para embelezar os indiv´ıduos para a pr´oxima gera¸c˜ao. Estes artif´ıcios podem ser muito bons em sistemas em que n˜ao se procura bons indiv´ıduos em rela¸c˜ao a uma codifica¸c˜ao determinada mas sim uma popula¸c˜ao de indiv´ıduos musicalmente bons que podem ser utilizados em situa¸c˜oes pr´aticas.
Outro ponto ´e que pode haver certa discuss˜ao sobre a utiliza¸c˜ao de CE nestas condi¸c˜oes. Na verdade, a utiliza¸c˜ao de m´etodos biologicamente inspirados ainda se justi- fica pois todo o arcabou¸co evolutivo ainda est´a presente e ´util no processo, mesmo que a press˜ao seletiva seja convenientemente fraca para convergir para solu¸c˜oes que satisfa¸cam uma fun¸c˜ao objetivo previamente definida.
Estas medidas aleat´orias de aptid˜ao podem funcionar com regras m´ınimas, que pelo menos dˆeem menos preferˆencia a indiv´ıduos que n˜ao atendem a algumas expectativas. Estas regras podem estar inclu´ıdas no processo de avalia¸c˜ao, como usual, ou embutidas no pr´oprio processo evolutivo, na escolha dos indiv´ıduos. Um exemplo de regra poss´ıvel ´e
que peda¸cos musicais que tenham frequˆencias muito altas n˜ao possam reproduzir muitas vezes, o que pode deixar a melodia mais natural.
Esta abordagem ser´a frequentemente usada quando a popula¸c˜ao inicial ´e gerada por m´usicos, que podem criar um banco de dados. Uma popula¸c˜ao criada por m´usicos dificilmente ser´a pior do que uma criada sem interferˆencia humana, j´a que os m´etodos para fazˆe-lo s˜ao baseados em codifica¸c˜ao da est´etica humana. Em muitos casos de aplica¸c˜oes art´ısticas, apenas muta¸c˜oes podem criar indiv´ıduos t˜ao bons quanto os pais, sem ajuda de um mentor, com mudan¸cas puramente art´ısticas.
Apesar deste modo de avalia¸c˜ao n˜ao refletir completamente o paradigma mais purista do funcionamento de AE, pode levar a resultados que agradem ouvintes desinteressados no modo como a pe¸ca foi produzida e sim em sua qualidade. De certo ponto de vista, algoritmos com este tipo de avalia¸c˜ao podem n˜ao ser considerados CE. Por outro lado, podem existir medidas de fitness impl´ıcitas quando ocorre a utiliza¸c˜ao de heur´ısticas na sele¸c˜ao dos compassos que far˜ao cruzamento ou no modo como os operadores gen´eticos ser˜ao aplicados em rela¸c˜ao `a configura¸c˜ao da popula¸c˜ao. De qualquer maneira, algorit- mos deste tipo s˜ao pelo menos inspirados em CE.
Eliminando-se o gargalo de fitness desta maneira alguns algoritmos podem n˜ao ser mais considerados CE, mesmo com o fitness impl´ıcito dos operadores. J´a sendo inspirado em CE e tendo operadores gen´eticos robustos, da perspectiva de algoritmos que geram e testam solu¸c˜oes at´e certo crit´erio de parada ser atingido, estes algoritmos podem ser algoritmos t˜ao bons que n˜ao precisam nem testar as solu¸c˜oes (Biles 2002b). Isso cria um paradoxo entre sistemas de arte evolutiva, com operadores gen´eticos inteligentes e medidas de fitness burras, e a CE convencional, com operadores burros e medidas de avalia¸c˜ao inteligentes.
Finalmente, ´e importante tirar o foco desta quest˜ao na medida em que n˜ao ´e muito relevante se tais sistemas s˜ao considerados CE ou n˜ao, desde que funcionem bem.