El cuerpo humano es un sistema complejo, multifuncional, capaz de realizar tareas de manera paralela, lo cual nos permite, por ejemplo, continuar respirando mientras tomamos un vaso de agua o recordamos eventos del día anterior. Tal situación de trabajo en paralelo es directamente aplicable a la solución de problemas de carácter computacional, en que la demanda de soluciones cada vez más eficaces y eficientes ha dado pie a modificar los paradigmas de programación actuales, enfocándolos directamente en los modelos biológicos, de los cuales, por mencionar algunos, tenemos las tan conocidas redes neuronales, lógica difusa, algoritmos genéticos y, más recientemente, sistemas inmunes artificiales (AIS).
El modelo biológico del ser humano, el cual es literalmente un escudo, está compuesto por varias “capas” (piel, sistema inmune innato, sistema inmune adaptivo), que protege de elementos extraños al cuerpo, tomando las acciones adecuadas cuando éstos representan peligro a la integridad de las células propias.
La piel es la primera línea de defensa contra los antígenos, mientras que el sistema innato contiene la información necesaria para hacer frente a antígenos que, de otra manera, harían a un bebé ser extremadamente vulnerable a prácticamente cualquier enfermedad; finalmente, el sistema inmune adaptivo es capaz de lidiar con los elementos que el sistema innato es incapaz de eliminar.
Si el sistema inmune adaptivo debe reconocer 1x10e16 patrones no propios (“non-self”) y 1x10e6 patrones propios (“self”), con un número relativamente pequeño de genes codificadores de proteínas y en un ambiente altamente distribuido, estamos ante un sistema que presenta una alta eficiencia y eficacia a los cambios, entre otras características, resultando bastante atractivo para los desarrolladores de sistemas de inteligencia computacional. De aquí la aplicación natural de tales sistemas (específicamente el adaptivo) en la creación de los AIS.
La teoría más extendida entre los científicos dedicados a la inmunología natural es la teoría de selección clonal, la cual menciona una población inicial de linfocitos, que al ataque de un antígeno, responden clonando a los individuos con la mejor respuesta contra tal antígeno (afinidad), mientras realiza mutaciones a los menos afines para buscar probabilísticamente a individuos mejorados, repitiendo el proceso hasta acabar con el antígeno; al final, la teoría menciona una reserva en memoria de los linfocitos con la mejor respuesta, para atacar más certeramente al mismo antígeno en un futuro posible.
En el terreno artificial, lo anterior puede verse como un sistema de optimización, en que el antígeno puede ser visto como una función uni o multidimensional a evaluar. La afinidad puede referirse a un máximo a mínimo y los anticuerpos sean cada uno de los individuos que hacen la prueba de afinidad al antígeno.
En el Instituto de Robótica y Sistemas Inteligentes (IRSI), cuerpo de investigación consolidado adscrito a CUCEI, actualmente estamos haciendo investigación para implementar tal algoritmo computacional para resolver problemas en robótica y visión artificial; en el segundo, teniendo ya dos problemas resueltos, uno de ellos referente a la multiumbralización de imágenes en escala de grises (A Novel multi-threshold segmentation approach based on artificial immune system optimization) y el otro en la localización de círculos en imágenes a color (Circle detection on images based on artificial immune system optimization), teniendo buenos resultados ambos en imágenes fijas.
Multiumbralización en imágenes se refiere a agrupar pixeles con características similares, por ejemplo, aquellos correspondientes al color naranja de una pelota (en escala de grises), como una etapa de preprocesamiento, con la finalidad de utilizar tal grupo en una etapa posterior en el tratamiento de la imagen; tal principio es también conocido como “clustering”.
Detectar círculos es también otro preprocesamiento no trivial en imágenes (esta vez, en color), que puede llegar a tener costos en tiempo prohibitivos para un sistema computacional. De aquí la importancia de experimentar con algoritmos que puedan reducir tales tiempos de preprocesamiento con la posibilidad de aplicaciones sobre todo en tiempo real.
Los esfuerzos de este equipo de investigación están en una etapa inicial, y estarán enfocados a seguir trabajando en este y otros algoritmos de inteligencia computacional; en el caso de AIS, la siguiente etapa es hacer tales algoritmos adecuados para funcionar en tiempo real, además de aplicaciones a control inteligente en robots bípedos.
