La inteligencia de enjambre ( SI ) 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 consisten típicamente en 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 hay una estructura de control centralizada que dicte cómo deben comportarse los agentes individuales, las interacciones locales, y hasta cierto punto aleatorias, entre dichos agentes conducen al surgimiento de un comportamiento global "inteligente", desconocido para los agentes individuales. [5] Los ejemplos de inteligencia de enjambre en sistemas naturales incluyen colonias de hormigas , colonias de abejas , bandadas de pájaros , 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 enjambre 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 modificados genéticamente en la inteligencia colectiva sintética. [6]
Boids es un programa de vida artificial , desarrollado por Craig Reynolds en 1986, que simula la formación de bandadas . Fue publicado en 1987 en las actas de la conferencia ACM SIGGRAPH . [7] El nombre "boid" corresponde a una versión abreviada de "bird-oid object", 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 Boids surge de la interacción de agentes individuales (los Boids, en este caso) que se adhieren a un conjunto de reglas simples. Las reglas que se aplican en el mundo más simple de Boids son las siguientes:
Se pueden agregar reglas más complejas, como evitar obstáculos y buscar objetivos.
Las partículas autopropulsadas (SPP), también conocidas como el modelo de Vicsek , fueron introducidas en 1995 por Vicsek et al. [9] como un caso especial del modelo de boids introducido en 1986 por Reynolds . [7] Un enjambre se modela 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 vecindario 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, algunos de los cuales están resultando ser universales y robustos. Se ha convertido en un desafío en la 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. Una gran cantidad de metaheurísticas inspiradas en metáforas más recientes 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 encuentran una solución que es óptima, o casi óptima; sin embargo, si uno no conoce la solución óptima de antemano, no se conoce la calidad de una solución. [16] A pesar de este inconveniente obvio, se ha demostrado que estos tipos de algoritmos funcionan bien en la práctica, y se han investigado y desarrollado ampliamente. [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 tal ejecución se sabe que cada solución que es al menos tan buena como la solución que tenía un caso especial, tiene al menos una confianza de solución que tenía un caso especial. Un ejemplo de esto es el algoritmo de Monte Carlo inspirado en Ant para el conjunto de arcos de retroalimentación mínimos , donde esto se ha logrado de manera probabilística a través de la hibridación del algoritmo de Monte Carlo con la técnica de optimización de colonias de hormigas . [22]
La optimización de colonias de hormigas (ACO), introducida por Dorigo en su tesis doctoral, es una clase de algoritmos de optimización modelados sobre las acciones de una colonia de hormigas . ACO es una técnica probabilística útil en problemas que tratan de encontrar mejores caminos a través de grafos. 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 las dirigen unas a otras 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 de simulación posteriores más hormigas localizan mejores soluciones. [23]
La optimización por enjambre de partículas (PSO) es un algoritmo de optimización global para tratar problemas en los que la mejor solución se puede representar como un punto o superficie en un espacio n-dimensional. Las hipótesis se trazan en este espacio y se les asigna una velocidad inicial , así como un canal de comunicación entre las partículas. [24] [25] Las partículas luego se mueven a través del espacio de solución y se evalúan de acuerdo con algún criterio de aptitud después de cada paso de tiempo. Con el tiempo, las partículas se aceleran hacia aquellas partículas dentro de su agrupación 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 la gran cantidad de miembros que componen el enjambre de partículas hace que la técnica sea impresionantemente resistente al problema de los mínimos locales .
Karaboga introdujo la metaheurística ABC en 2005 como una respuesta para optimizar problemas numéricos. Inspirado en el comportamiento de búsqueda de alimento de las abejas melíferas , el modelo de Karaboga tenía tres componentes: la empleada, la observadora y la exploradora. En la práctica, la abeja exploradora artificial expondría todas las posiciones de fuentes de alimento (soluciones) buenas o malas. La abeja empleada buscaría la ruta más corta a cada posición para extraer la cantidad de alimento (calidad) de la fuente. Si el alimento se agotara de la fuente, la abeja empleada se convertiría en exploradora y buscaría aleatoriamente otras fuentes de alimento. Cada fuente que se abandonara crearía una retroalimentación negativa, lo que significa que las respuestas encontradas eran soluciones deficientes. Las abejas observadoras esperan a que las abejas empleadas abandonen una fuente o den información de que la fuente tiene una gran cantidad de alimento y vale la pena enviarle recursos adicionales. Cuanto más se recluta una abeja observadora, más positiva es la retroalimentación, lo que significa que es probable que la respuesta sea una buena solución.
La inteligencia artificial de enjambre (IAA) es un método para amplificar la inteligencia colectiva de grupos humanos en red mediante algoritmos de control modelados a partir de enjambres naturales. A veces denominada enjambre humano o IA de enjambre, 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] La IAA se ha utilizado para una amplia gama de aplicaciones, desde permitir que los equipos comerciales generen pronósticos financieros altamente precisos [29] hasta permitir que los fanáticos de los deportes superen los mercados de apuestas de Las Vegas. [30] La IAA 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 Alimentación y la Agricultura (FAO) ha utilizado la IAA para ayudar a pronosticar hambrunas en puntos críticos de todo el mundo. [33] [ se necesita una mejor fuente ]
Las técnicas basadas en inteligencia de enjambre se pueden utilizar en varias aplicaciones. El ejército de los EE. UU. está investigando técnicas de enjambre para controlar vehículos no tripulados. La Agencia Espacial Europea está pensando en un enjambre orbital para autoensamblaje e interferometría. La NASA está investigando el uso de la tecnología de enjambre para el mapeo planetario. Un artículo de 1992 de M. Anthony Lewis y George A. Bekey analiza la posibilidad de utilizar la 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 (SI) se aplica cada vez más en los sistemas de Internet de las cosas (IoT) [37] [38] y, por asociación con las redes basadas en intenciones (IBN), [39] debido a su capacidad para manejar tareas complejas y distribuidas a través de algoritmos descentralizados y autoorganizados. La inteligencia de enjambre también se ha aplicado a la minería de datos [40] y al análisis de clústeres . [41] Los modelos basados en hormigas son otro tema de la teoría de gestión moderna. [42]
También se ha investigado el uso de la inteligencia de enjambre en las 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, con una serie de variantes existentes. Básicamente, esto utiliza una tabla de enrutamiento probabilística 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 la dirección hacia adelante, hacia atrás y en ambas direcciones 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 manera estocástica y, por lo tanto, carece de repetibilidad, existen grandes obstáculos para la implementación comercial. Los medios móviles y las nuevas tecnologías tienen el potencial de cambiar el umbral para la acción colectiva debido 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 implica objetivos contrapuestos. Se requiere una selección mínima de ubicaciones (o sitios) con el fin de 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 empaquetamiento de círculos y la cobertura de conjuntos. Se ha demostrado que la SDS se puede aplicar para identificar soluciones adecuadas incluso para instancias de problemas de gran tamaño. [43]
Las aerolíneas también han utilizado el enrutamiento basado en hormigas para asignar las llegadas de los aviones a las puertas de embarque del aeropuerto. En Southwest Airlines, un programa de software utiliza la teoría de enjambre, o inteligencia de enjambre, la idea de que una colonia de hormigas funciona mejor que una sola. Cada piloto actúa como una hormiga que busca 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 de embarque a las que puede llegar y salir rápidamente. El programa puede incluso avisar a un piloto de los atascos de aviones antes de que se produzcan. "Podemos anticipar lo que va a ocurrir, por lo que tendremos una puerta de embarque disponible", dice Lawson. [44]
Los artistas están utilizando la tecnología de enjambre como un medio para crear sistemas interactivos complejos o simular multitudes . [ cita requerida ]
La trilogía cinematográfica de El Señor de los Anillos utilizó 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: Breaking the Ice fue la primera película en utilizar la tecnología de enjambre para la representación, representando de manera realista los movimientos de grupos de peces y aves utilizando el sistema Boids. [ cita requerida ]
Batman Returns de Tim Burton también hizo uso de la tecnología de enjambre para mostrar los movimientos de un grupo de murciélagos. [45]
Las aerolíneas han utilizado la teoría de enjambres para simular el embarque de pasajeros en un avión. El investigador de Southwest Airlines, Douglas A. Lawson, utilizó una simulación informática basada en hormigas empleando sólo seis reglas de interacción para evaluar los tiempos de embarque utilizando varios métodos de embarque (Miller, 2010, xii-xviii). [46]
Las redes de usuarios distribuidos pueden organizarse en "enjambres humanos" mediante la implementación de sistemas de control de circuito cerrado en tiempo real. [47] [48] Desarrollado por Louis Rosenberg en 2015, el enjambre humano, también llamado inteligencia artificial de enjambre, permite aprovechar la inteligencia colectiva de grupos interconectados de personas en línea. [49] [50] La inteligencia colectiva del grupo a menudo excede las capacidades de cualquiera de los miembros del grupo. [51]
En 2018, la Facultad de Medicina de la Universidad de Stanford publicó un estudio que mostraba que grupos de médicos humanos, cuando se conectaban entre sí mediante algoritmos de enjambre en tiempo real, podían diagnosticar afecciones médicas con una precisión sustancialmente mayor que los médicos individuales o los grupos de médicos que trabajaban juntos utilizando métodos tradicionales de colaboración colectiva. En uno de esos estudios, se encargó a enjambres de radiólogos humanos conectados entre sí que diagnosticaran 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] [52] [53] [32]
La Facultad de Medicina de la Universidad de California en San Francisco (UCSF) publicó en 2021 un artículo preliminar sobre el diagnóstico de imágenes de resonancia magnética realizado por pequeños grupos de médicos colaboradores. El estudio mostró un aumento del 23 % en la precisión del diagnóstico al utilizar la tecnología de inteligencia artificial de enjambre (IAI) en comparación con la votación por mayoría. [54] [55]
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. [56] 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 estos enjambres a circuitos neuronales. [57]
En una serie de trabajos, al-Rifaie et al. [58] 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 bandadas de pájaros ( optimización de enjambre de partículas , PSO)) para describir una nueva estrategia de integración que explota las propiedades de búsqueda local del PSO con el comportamiento global del SDS. El algoritmo híbrido resultante se utiliza para esbozar nuevos dibujos de una imagen de entrada, explotando una tensión artística entre el comportamiento local de las "bandas de pájaros" (mientras intentan seguir el boceto de entrada) y el comportamiento global de las "hormigas en busca de alimento" (mientras intentan animar a la bandada a explorar nuevas regiones del lienzo). La "creatividad" de este sistema de enjambre híbrido se ha analizado bajo la luz filosófica del "rizoma" en el contexto de la metáfora de "Orquídea y avispa" de Deleuze . [59]
Un trabajo más reciente de al-Rifaie et al., "Swarmic Sketches and Attention Mechanism" [60] , introduce un nuevo enfoque que implementa el mecanismo de "atención" al adaptar 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 enjambre" de la línea atendida. Los enjambres se mueven por todo el lienzo digital en un intento de satisfacer sus roles dinámicos (atención a áreas con más detalles) asociados con ellos a través de su función de aptitud. Habiendo asociado el proceso de renderizado con los conceptos de atención, el desempeño de los enjambres participantes crea un boceto único, no idéntico cada vez que los enjambres "artistas" se embarcan en la interpretación de los dibujos de línea de entrada. En otros trabajos, mientras que PSO es responsable del proceso de boceto, SDS controla la atención del enjambre.
En un trabajo similar, "Swarmic Paintings and Colour Attention", [61] se producen imágenes no fotorrealistas utilizando el algoritmo SDS que, en el contexto de este trabajo, es responsable de la atención al color.
La " creatividad computacional " de los sistemas mencionados anteriormente se analiza en [58] [62] [63] a través de los dos prerrequisitos de la creatividad (es decir, libertad y restricciones) dentro de las dos infames fases de exploración y explotación de la inteligencia de enjambre.
Michael Theodore y Nikolaus Correll utilizan instalaciones de arte con inteligencia de enjambre para explorar lo que se necesita para que los sistemas diseñados parezcan reales. [64]