La inteligencia de enjambre ( IS ) es el comportamiento colectivo de sistemas descentralizados y autoorganizados , naturales o artificiales. El concepto se emplea en trabajos sobre inteligencia artificial . La expresión fue introducida por Gerardo Beni y Jing Wang en 1989, en el contexto de los sistemas robóticos celulares. [1] [2]
Los sistemas SI normalmente constan de una población de agentes simples o boids que interactúan localmente entre sí y con su entorno. [3] La inspiración a menudo proviene de la naturaleza, especialmente de los sistemas biológicos [4] . Los agentes siguen reglas muy simples, y aunque no existe una estructura de control centralizada que dicte cómo deben comportarse los agentes individuales, local y hasta cierto punto aleatoria, las interacciones entre dichos agentes conducen al surgimiento de un comportamiento global "inteligente", desconocido para el individuo. agentes. [5] Ejemplos de inteligencia de enjambre en sistemas naturales incluyen colonias de hormigas , colonias de abejas , bandadas de aves , caza de halcones , pastoreo de animales , crecimiento bacteriano , cardúmenes de peces e inteligencia microbiana .
La aplicación de los principios de enjambre a los robots se denomina robótica de enjambre, mientras que la inteligencia de enjambre se refiere al conjunto más general de algoritmos. La predicción de enjambres se ha utilizado en el contexto de problemas de previsión. Se consideran enfoques similares a los propuestos para la robótica de enjambre para los organismos genéticamente modificados en la inteligencia colectiva sintética. [6]
Boids es un programa de vida artificial , desarrollado por Craig Reynolds en 1986, que simula el flocado . Fue publicado en 1987 en las actas de la conferencia ACM SIGGRAPH . [7] El nombre "boid" corresponde a una versión abreviada de "objeto bird-oid", que se refiere a un objeto parecido a un pájaro. [8]
Como ocurre con la mayoría de las simulaciones de vida artificial, Boids es un ejemplo de comportamiento emergente ; es decir, la complejidad de los Boids surge de la interacción de agentes individuales (los boids, en este caso) que se adhieren a un conjunto de reglas simples. Las reglas aplicadas en el mundo Boids más simple son las siguientes:
Se pueden agregar reglas más complejas, como evitar obstáculos y buscar metas.
Las partículas autopropulsadas (SPP), también conocidas como modelo Vicsek , fueron introducidas en 1995 por Vicsek et al. [9] como un caso especial del modelo boids introducido en 1986 por Reynolds . [7] Un enjambre es modelado en SPP por una colección de partículas que se mueven con una velocidad constante pero responden a una perturbación aleatoria adoptando en cada incremento de tiempo la dirección promedio de movimiento de las otras partículas en su vecindad local. [10] Los modelos SPP predicen que los animales en enjambre comparten ciertas propiedades a nivel de grupo, independientemente del tipo de animales en el enjambre. [11] Los sistemas de enjambre dan lugar a comportamientos emergentes que ocurren en muchas escalas diferentes, algunas de las cuales están resultando ser universales y robustas. Se ha convertido en un desafío en física teórica encontrar modelos estadísticos mínimos que capturen estos comportamientos. [12] [13] [14]
Los algoritmos evolutivos (EA), la optimización de enjambre de partículas (PSO), la evolución diferencial (DE), la optimización de colonias de hormigas (ACO) y sus variantes dominan el campo de las metaheurísticas inspiradas en la naturaleza . [15] Esta lista incluye algoritmos publicados hasta aproximadamente el año 2000. Un gran número de metaheurísticas más recientes inspiradas en metáforas han comenzado a atraer críticas en la comunidad de investigación por ocultar su falta de novedad detrás de una metáfora elaborada. Para conocer los algoritmos publicados desde entonces, consulte Lista de metaheurísticas basadas en metáforas .
Las metaheurísticas carecen de confianza en una solución. [16] Cuando se determinan los parámetros apropiados, y cuando se logra una etapa de convergencia suficiente, a menudo se encuentra una solución que es óptima, o casi cercana a la óptima; sin embargo, si uno no conoce la solución óptima de antemano, la calidad de una solución es no conocida. [16] A pesar de este inconveniente obvio, se ha demostrado que este tipo de algoritmos funcionan bien en la práctica y han sido investigados y desarrollados exhaustivamente. [17] [18] [19] [20] [21] Por otro lado, es posible evitar este inconveniente calculando la calidad de la solución para un caso especial donde tal cálculo es posible, y después de dicha ejecución se sabe que cada Una solución que es al menos tan buena como la solución que tenía un caso especial, tiene al menos una confianza en la solución que tenía un caso especial. Uno de esos ejemplos es el algoritmo Monte Carlo inspirado en Ant para el conjunto de arcos de retroalimentación mínima , donde esto se logró de manera probabilística mediante la hibridación del algoritmo Monte Carlo con la técnica de optimización de colonias de hormigas . [22]
La optimización de colonias de hormigas (ACO), presentada por Dorigo en su tesis doctoral, es una clase de algoritmos de optimización modelados a partir de las acciones de una colonia de hormigas . ACO es una técnica probabilística útil en problemas que tratan de encontrar mejores caminos a través de gráficos. Las "hormigas" artificiales (agentes de simulación) localizan soluciones óptimas moviéndose a través de un espacio de parámetros que representa todas las soluciones posibles. Las hormigas naturales depositan feromonas que se dirigen entre sí hacia los recursos mientras exploran su entorno. Las 'hormigas' simuladas registran de manera similar sus posiciones y la calidad de sus soluciones, de modo que en iteraciones posteriores de simulación más hormigas localicen mejores soluciones. [23]
La optimización de enjambre de partículas (PSO) es un algoritmo de optimización global para abordar problemas en los que la mejor solución se puede representar como un punto o superficie en un espacio de n dimensiones. En este espacio se trazan hipótesis y se les siembra una velocidad inicial , así como un canal de comunicación entre las partículas. [24] [25] Luego, las partículas se mueven a través del espacio de solución y se evalúan de acuerdo con algún criterio de idoneidad después de cada paso de tiempo. Con el tiempo, las partículas se aceleran hacia aquellas partículas dentro de su grupo de comunicación que tienen mejores valores de aptitud. La principal ventaja de este enfoque sobre otras estrategias de minimización global, como el recocido simulado , es que el gran número de miembros que componen el enjambre de partículas hace que la técnica sea impresionantemente resistente al problema de los mínimos locales .
La Inteligencia Artificial de Enjambre (ASI) es un método para amplificar la inteligencia colectiva de grupos humanos en red utilizando algoritmos de control modelados a partir de enjambres naturales. A veces denominada Human Swarming o Swarm AI, la tecnología conecta grupos de participantes humanos en sistemas en tiempo real que deliberan y convergen en soluciones como enjambres dinámicos cuando se les presenta simultáneamente una pregunta [26] [27] [28] Se ha utilizado ASI para una amplia gama de aplicaciones, desde permitir a los equipos de negocios generar pronósticos financieros altamente precisos [29] hasta permitir a los fanáticos de los deportes superar los mercados de apuestas de Las Vegas. [30] ASI también se ha utilizado para permitir que grupos de médicos generen diagnósticos con una precisión significativamente mayor que los métodos tradicionales. [31] [32] La Organización de las Naciones Unidas para la Agricultura y la Alimentación (FAO) ha utilizado ASI para ayudar a pronosticar hambrunas en puntos críticos de todo el mundo. [33] [ se necesita una mejor fuente ]
Las técnicas basadas en Swarm Intelligence se pueden utilizar en varias aplicaciones. El ejército estadounidense está investigando técnicas de enjambre para controlar vehículos no tripulados. La Agencia Espacial Europea está pensando en un enjambre orbital para el autoensamblaje y la interferometría. La NASA está investigando el uso de tecnología de enjambre para el mapeo planetario. Un artículo de 1992 de M. Anthony Lewis y George A. Bekey analiza la posibilidad de utilizar inteligencia de enjambre para controlar nanobots dentro del cuerpo con el fin de matar tumores cancerosos. [34] Por el contrario, al-Rifaie y Aber han utilizado la búsqueda de difusión estocástica para ayudar a localizar tumores. [35] [36] La inteligencia de enjambre también se ha aplicado para la extracción de datos [37] y el análisis de conglomerados . [38] Los modelos basados en hormigas son otro tema de la teoría de gestión moderna. [39]
También se ha investigado el uso de inteligencia de enjambre en redes de telecomunicaciones , en forma de enrutamiento basado en hormigas . Esto fue iniciado por separado por Dorigo et al. y Hewlett-Packard a mediados de la década de 1990, existiendo varias variantes. Básicamente, esto utiliza una tabla de enrutamiento probabilístico que recompensa/refuerza la ruta recorrida con éxito por cada "hormiga" (un pequeño paquete de control) que inunda la red. Se ha investigado el refuerzo de la ruta en dirección hacia adelante, hacia atrás y ambas simultáneamente: el refuerzo hacia atrás requiere una red simétrica y acopla las dos direcciones; El refuerzo hacia adelante recompensa una ruta antes de que se conozca el resultado (pero entonces uno pagaría por el cine antes de saber qué tan buena es la película). Como el sistema se comporta de forma estocástica y, por lo tanto, carece de repetibilidad, existen grandes obstáculos para su implementación comercial. Los medios móviles y las nuevas tecnologías tienen el potencial de cambiar el umbral de la acción colectiva gracias a la inteligencia de enjambre (Rheingold: 2002, P175).
La ubicación de la infraestructura de transmisión para redes de comunicación inalámbrica es un importante problema de ingeniería que involucra objetivos contrapuestos. Se requiere una selección mínima de ubicaciones (o sitios) sujeta a proporcionar una cobertura de área adecuada para los usuarios. Se ha utilizado con éxito un algoritmo de inteligencia de enjambre muy diferente, inspirado en las hormigas, la búsqueda de difusión estocástica (SDS), para proporcionar un modelo general para este problema, relacionado con el empaquetado de círculos y la cobertura de conjuntos. Se ha demostrado que la SDS se puede aplicar para identificar soluciones adecuadas incluso para casos de problemas grandes. [40]
Las aerolíneas también han utilizado rutas basadas en hormigas para asignar las llegadas de aviones a las puertas del aeropuerto. En Southwest Airlines, un programa de software utiliza la teoría de enjambres, o inteligencia de enjambres: la idea de que una colonia de hormigas funciona mejor que una sola. Cada piloto actúa como una hormiga buscando la mejor puerta de embarque del aeropuerto. "El piloto aprende de su experiencia qué es lo mejor para él y resulta que esa es la mejor solución para la aerolínea", explica Douglas A. Lawson . Como resultado, la "colonia" de pilotos siempre va a las puertas a las que pueden llegar y salir rápidamente. El programa puede incluso alertar al piloto sobre retrocesos del avión antes de que ocurran. "Podemos anticipar lo que sucederá, por lo que tendremos una puerta disponible", dice Lawson. [41]
Los artistas están utilizando la tecnología de enjambre como medio para crear sistemas interactivos complejos o simular multitudes . [ cita necesaria ]
La trilogía cinematográfica El Señor de los Anillos hizo uso de una tecnología similar, conocida como Massive (software) , durante las escenas de batalla. La tecnología Swarm es particularmente atractiva porque es barata, robusta y simple.
Stanley y Stella en: Rompiendo el hielo fue la primera película que utilizó tecnología de enjambre para renderizar, representando de manera realista los movimientos de grupos de peces y aves usando el sistema Boids. [ cita necesaria ]
Batman Returns de Tim Burton también utilizó tecnología de enjambre para mostrar los movimientos de un grupo de murciélagos. [42]
Las aerolíneas han utilizado la teoría de enjambres para simular que los pasajeros abordan un avión. El investigador de Southwest Airlines, Douglas A. Lawson, utilizó una simulación por computadora basada en hormigas que empleaba solo seis reglas de interacción para evaluar los tiempos de embarque utilizando varios métodos de embarque (Miller, 2010, xii-xviii). [43]
Las redes de usuarios distribuidos se pueden organizar en "enjambres humanos" mediante la implementación de sistemas de control de circuito cerrado en tiempo real. [44] [45] Desarrollado por Louis Rosenberg en 2015, el enjambre humano, también llamado inteligencia de enjambre artificial, permite aprovechar la inteligencia colectiva de grupos interconectados de personas en línea. [46] [47] La inteligencia colectiva del grupo a menudo excede las habilidades de cualquier miembro del grupo. [48]
La Facultad de Medicina de la Universidad de Stanford publicó en 2018 un estudio que muestra que grupos de médicos humanos, cuando se conectan entre sí mediante algoritmos de enjambre en tiempo real, podrían diagnosticar afecciones médicas con una precisión sustancialmente mayor que los médicos individuales o los grupos de médicos que trabajan juntos utilizando métodos tradicionales de crowdsourcing. . En uno de esos estudios, a enjambres de radiólogos humanos conectados entre sí se les asignó la tarea de diagnosticar radiografías de tórax y demostraron una reducción del 33 % en los errores de diagnóstico en comparación con los métodos humanos tradicionales, y una mejora del 22 % con respecto al aprendizaje automático tradicional. [31] [49] [50] [32]
La Facultad de Medicina de la Universidad de California en San Francisco (UCSF) publicó una preimpresión en 2021 sobre el diagnóstico de imágenes de resonancia magnética realizada por pequeños grupos de médicos colaboradores. El estudio mostró un aumento del 23% en la precisión del diagnóstico cuando se utiliza la tecnología de Inteligencia Artificial de Enjambre (ASI) en comparación con la votación mayoritaria. [51] [52]
Las gramáticas de enjambre son enjambres de gramáticas estocásticas que pueden evolucionar para describir propiedades complejas como las que se encuentran en el arte y la arquitectura. [53] Estas gramáticas interactúan como agentes que se comportan de acuerdo con las reglas de la inteligencia de enjambre. Este comportamiento también puede sugerir algoritmos de aprendizaje profundo , en particular cuando se considera el mapeo de dichos enjambres a circuitos neuronales. [54]
En una serie de trabajos, al-Rifaie et al. [55] han utilizado con éxito dos algoritmos de inteligencia de enjambre: uno que imita el comportamiento de una especie de hormigas ( Leptothorax acervorum ) en busca de alimento ( búsqueda de difusión estocástica , SDS) y el otro algoritmo que imita el comportamiento de las aves en bandada ( optimización de enjambre de partículas , PSO). describir una nueva estrategia de integración que explota las propiedades de búsqueda local del PSO con el comportamiento global de SDS. El algoritmo híbrido resultante se utiliza para esbozar dibujos novedosos de una imagen de entrada, explotando una tensión artística entre el comportamiento local de los 'pájaros que se reúnen' (mientras buscan seguir el boceto de entrada) y el comportamiento global de las "hormigas que buscan alimento". mientras buscan alentar al rebaño a explorar regiones novedosas del lienzo. La "creatividad" de este sistema de enjambre híbrido ha sido analizada bajo la luz filosófica del "rizoma" en el contexto de la metáfora de la "Orquídea y la Avispa" de Deleuze . [56]
Un trabajo más reciente de al-Rifaie et al., "Swarmic Sketches and Attention Mechanism", [57] introduce un enfoque novedoso que implementa el mecanismo de "atención" adaptando SDS para atender selectivamente áreas detalladas de un lienzo digital. Una vez que la atención del enjambre se dirige a una determinada línea dentro del lienzo, se utiliza la capacidad de PSO para producir un "boceto del enjambre" de la línea atendida. Los enjambres se mueven a lo largo del lienzo digital en un intento de satisfacer sus roles dinámicos (atención a áreas con más detalles) asociados a ellos a través de su función de fitness. Habiendo asociado el proceso de representación con los conceptos de atención, la actuación de los enjambres participantes crea un boceto único y no idéntico cada vez que los enjambres de "artistas" se embarcan en la interpretación de los dibujos lineales de entrada. En otras obras, mientras PSO se encarga del proceso de boceto, SDS controla la atención del enjambre.
En un trabajo similar, "Swarmic Paintings and Color Attention", [58] se producen imágenes no fotorrealistas utilizando el algoritmo SDS que, en el contexto de este trabajo, es responsable de la atención del color.
La " creatividad computacional " de los sistemas antes mencionados se analiza en [55] [59] [60] a través de los dos requisitos previos de la creatividad (es decir, libertad y limitaciones) dentro de las dos infames fases de exploración y explotación de la inteligencia de enjambre.
Michael Theodore y Nikolaus Correll utilizan la instalación artística inteligente Swarm para explorar lo que se necesita para diseñar sistemas que parezcan realistas. [61]