Inteligencia artificial

 

Vamos a dar un repasillo a una cosa que está ahora de rabiosa actualidad. Aunque solamente sea por ver que nuestros conceptos clásicos médicos están cambiando a toda velocidad y más que van a cambiar.

¿Qué es eso de la Vida Artificial o ALIFE?

Pues simplemente el estudio de sistemas artificiales, fabricados por el hombre, que presentan comportamientos característicos de los sistemas vivos naturales.

La definición es bastante antigua: Langton GC. Artificial life in SFI studies in the sciences of complexity. Addison-Wesley, Redwood City, CA, 1989. Vol VI: 1-47.

¿En qué se basa?

En la Teoría de la Información: información potencial (entropía). Se trata de medir la relación orden-desorden universal en un sistema dado, o lo que es lo mismo: la discrepancia evolutiva entre linearidad y caos. Ejemplo: Teoría de Juegos de Von Newmann y Morgenstern.

En el análisis de los Sistemas complejos: teoría de caos, estructuras fractales, modelos evolutivos con representación espacial y comportamiento no linear. Ejemplo: Técnicas de Diagnóstico por Imagen.

¿Qué soporte de lenguaje tiene?

La Lógica Borrosa o Lógica Difusa (Zadeh, 1965). Se utiliza para control de velocidades en distancias y comportamientos automáticos (robots neuroquirúrgicos, ascensores, controladores de UCI…).

¿ Cuáles son sus Herramientas de Diseño?

Algoritmos genéticos, autómatas celulares, computación evolutiva, conducta emergente, conducta colectiva, mundos virtuales, redes neuronales y simulaciones. Entre otros métodos muy diversos.

¿En qué consisten estos métodos?

Algoritmos genéticos

Desarrollados en las décadas de los 60 y 70 por el Profesor John Holland y sus discípulos, en la Universidad de Michigan. Es un método de aceleración de la computación y optimización de búsquedas, mediante simulaciones evolutivas. Se emulan la selección natural, el crossover cromosómico y las mutaciones sobre supuestas poblaciones de números binarios, adquiriendo “experiencia” el sistema, merced a un método numérico que básicamente es un algoritmo ecuacional predeterminado. (Goldberg DE. Genetic algorithms in search, optimization, and machine learning. Addison-Wesley, MA, 1989).

Básicamente son los que se utilizan en los bancos genéticos y en robots de todo tipo. Con los algoritmos genéticos podemos controlar la evolución teórica de las especies, sobre todo microscópicas. De hecho se usan para el estudio evolutivo de muchos virus.

Autómatas celulares

Es un desarrollo abstracto de un campo finito o infinito, pero con un número integral de dimensiones, dividido en unidades elementales: las células. Algo así como un tablero de ajedrez multidimensional. En un tiempo dado, cada célula presenta un número finito de estados. A cada instante, las células miran el estado de sus células vecinas, y mediante una regla de transición, generan su nuevo estado. La regla de transición suele ser un vector de estado, usualmente unidimensional, que se crea combinando los valores de las células vecinas más próximas, de manera que formen una dirección, utilizando los datos en el sentido determinado por dicha dirección, para crear un nuevo estado celular de manera continua. Algo similar al cierre de una cremallera o un velcro. Se utilizan en estudios de crecimiento celular, en procesos tumorales e inflamatorios, fundamentalmente.

Computación evolutiva

También conocido como algoritmos evolutivos. Son dominios de algoritmos genéticos, estrategias de evolución, programación evolutiva y programación genética. Lo común de todas estas técnicas es la evolución de un rango poblacional inicial de posibles soluciones a lo largo del tiempo, utilizando operadores genéticos, como las soluciones adecuadas (mejores, más rápidas, más económicas, etc) en situaciones emergentes. Por ejemplo, los sistemas inteligentes de selección antibiótica en pacientes críticos, acordes a los aislamientos realizados en el laboratorio referente. También los sistemas de diseño de vacunas.

Conducta emergente

Cuando la conducta de un sistema no puede ser explicada por la conducta de sus componentes, y es inesperada en un diseño o para un observador. Es muy importante en el estudio y diseño de los sistemas complejos y es casi una consecuencia inevitable de cualquier sistema multiagente. Por ejemplo, los cambios climáticos o de sensibilización alérgica imputables a causas no conocidas. Igualmente en el estudio de mutaciones.

Conducta colectiva

Clusterización de elementos, de manera que conductas individuales sencillas conduzcan a modelos altamente complejos, mediante autoagrupamientos. Por ejemplo, la respuesta inmune. O también ciertos aspectos de las intoxicaciones.

Sistemas complejos

Un sistema complejo es un sistema caótico. Se compone de elementos interactivos relativamente simples, que se relacionan mediante reglas sencillas, pero que no tienen un comportamiento linear entre sí, sino que se ven regidos por dinámicas complejas de tipo caótico. No es un sistema desordenado, sino un sistema cuyo ordenamiento lo desconocemos. Estos sistemas inducen un orden similar a lo convencionalmente aceptado.

Un ejemplo puede ser los analizadores de imagen de anatomía patológica. Otro ejemplo es la microscopía electrónica.

Sistema multiagente

Sistemas de software, pero a veces también de hardware que poseen más de un agente autónomo. Suelen generar conductas emergentes. Puede considerarse un autoanalizador moderno como un sistema multiagente elemental.

Mundos virtuales

Estudio de sistemas complejos, mediante la síntesis de universos digitales en ordenadores. Creamos software que, con el hardware adecuado, hace comportarse al universo digital como un todo independiente, desarrollando sus propias leyes físicas y biológicas.

Los robots de cálculo evolutivo en astronomía son así. Y también los sistemas de estudio de compatibilidad y efectos adversos de los fármacos. De todas formas, es imposible jugar a “dioses” de un modo absoluto, pues el hardware condiciona profundamente el desarrollo evolutivo, así como las condiciones iniciales de trabajo (horarios, etc).

Diferencia entre vida natural y vida artificial

La diferencia estriba en que la investigación biológica de la vida natural, hasta el momento presente, nos dice como nos parece que es la vida, y así la conocemos. El estudio en tecnología de vida artificial (ALIFE) nos dice como puede llegar a ser la vida en realidad, aclarando conceptos en los terrenos de la organización jerárquica de la biología, incluyendo estudios acerca del origen de la vida, los sistemas de adaptación, el crecimiento y desarrollo, la reproducción, dinámicas evolutivas y ecológicas, conducta animal, ciberconducta, organización social y evolución cultural.

Otros conceptos

Las redes neuronales son otros sistemas de codificación de conductas. Vienen a constituir un grupo de algoritmos dirigidos, con capacidad de elección de vía por parte de cada nuevo elemento. Se basan en la teoría de bifurcaciones y estabilidad elemental. Usan procedimientos de data-mining (búsqueda inteligente y selección de datos) y data-warehouse (almacenamiento inteligente y masivo de datos) sobre bases de datos muy extensas. Son la base de muchos estudios genéticos y de sistemas de relación sensorial.

Una red neuronal típica es la establecida con sistemas sensores de olor, del Pacific Northwest National Laboratory, de Seattle.

Las simulaciones, por su parte, se fundamentan en el método de Montecarlo, de la teoría de la información, y son aplicables a cada uno de los procedimientos descritos. Establecen estrategias de decisión basadas en métodos de diferencia polinomial tipo minimax.

Los más conocidos son los simuladores de vuelo, pero tenemos los pacientes virtuales en diversos sitios de la red. Igualmente, en muchos sistemas diagnósticos se utilizan métodos de simulación para optar por una u otra estrategia terapéutica.

En esto estamos, cada vez más.

 

Francisco Hervás Maldonado
Francisco Hervás Maldonado
Coronel médico

Excellence in Health Care Prize, 2004.

Dejar respuesta