Yapay bağışıklık sistemleri: Karmaşık problemleri çözmek, optimizasyon ve diğer biyolojik tabanlı algoritmaların geliştirilmesinde kullanılır. İnsan vücudunun savunma sistemi olan bağışıklık sistemini baz alır. Peki vücutta birçok sistem varken neden bağışıklık sistemi seçilmiş ? Çünkü bu sistem bizim diğer yapay zeka algoritmaları ile yaptığımız öğrenme ve sınıflandırma işlemini yapabiliyor.
Yapay bağışıklık sistemi algoritmasının nasıl çalıştığını daha iyi anlayabilmek için ilk önce doğal bağışıklık sistemimizden bahsedeceğim. Bu sistem çeşitli biyolojik organizmalara karşı vücudu savunan karmaşık bir sistemdir. Patojen vücuda girdiğinde savunmaya geçiyor ve verdiği cevaba bağışıklık cevabı deniyor. Eğer sistem savaşı kazanırsa duyarlılık kazanan hücrelere hafıza hücreleri deniyor. Biraz daha özeline inmek gerekirse:
● Herkesinki aynı oranda iyi değildir.
● Ankitor dediğimiz küçük savaşçılara sahiptir ve bunlar patojenler ile savaşan moleküllerdir.
● Bağışıklık sistemi nerededir? Şeklinde bir soru anlamsızdır. Vücudun her yerine dağılmış durumdadır.
● Patojenin ne olduğunu kim olduğunu bilmese de tanımasa da, yabancı ve zararlı oluşu savaşmaya başlaması için yeter sebeptir. Ama ne olduğunu öğrendikten sonra tekrar karşılaşınca buyur bir çayımı iç demeye kalmadan vücuttan kovabilmektedir.
● Hava değişimi, mevsim değişimi vb. değişimlere uyum sağlayabilmektedir.
● Benim bağışıklık sistemim ile sizinki aynı oranda ve şekilde öğrenemez. Örneğin benimki gribi sizden daha çabuk yenerken, sizinki alerjik reaksiyonu benimkinden daha kolay atlatabilmektedir.
Tüm bunlar nasıl olur ? Bu süreçte görev alan beyaz kan hücreleri yani lökositler bulunur. Bunun özelinde lenfositler, onun da özelinde T-lenfositleri ve B-lenfositleri bulunur. T-lenfositleri B-lenfositlerinin aktifleşmesinde görev alırken, B-lenfositleri ise antikor üretmek ile görevlidir.
Yapay Bağışıklık Sistemi
Hücrelerin olgunlaşması sırasında timus(T-lenfositlerinin ayırt etme özelliklerini kazandığı bir komuta-eğitim merkezi, vücudumuzda bir bez.)ta meydana gelen pozitif ve negatif seçim sürecinden esinlenerek ortaya çıkmıştır. İlk olarak bilgisayar virüslerinin taranması için kullanılmıştır.Kullandığımız bazı diğer yapay zeka algoritmaları ile aynı dönemlerde ortaya atılmasına rağmen gölgede kalmıştır. Günümüzde ise popülerlik kazanmaya başlamıştır. Çeşitli algoritmalara sahiptir. Algoritmaların özünde bağışıklık sistemimizin self yada nonself kontrolü yatıyor.
1. Negatif Seçim Algoritması(Negative Selection Algorithm)
Sınıflandırma ve örüntü tanıma problemleri alanında kullanılır. Örneğin bir anomali tespiti söz konusu olduğunda anormal olmayan desenler konusunda eğitilmiş bir dizi örnek desen dedektörü hazırlar ve görünmeyen ya da anormal olan kalıpları tespit eder. Bu algoritma sadece kendi dizilerini tanıyan bir dedektör seti oluşturur.
İki adımdan oluşur.
İlk adım: self-stringler ile rastgele üretilenler eşleştirilir. Eşlenenler geri çevrilirken eşleşmeyenler dedektör setine taşınır.
İkinci adım: Taşınan stringler dedektör setindekilerle eşleştirilir. Eşlenenler nonself olarak tanımlanır ve kalanlar yeniden eşleştirilir.
2. Pozitif Seçilim Algoritması ( Positive Selection Algorithm)
İmmünolojide T-lenfositlerin kendini tanıma eksikliği nedeniyle seçildiği bir alandır.
TCR: T-lenfosit dedektörüdür.B-lenfositlerdekine benzer ama antikor olarak sayılmaz ve doğrudan antijenlere bağlanmaz.
MHC(büyük doku uyumluluk kompleksi) molekülleri: bağışıklık hücreleri lökositler ile diğer lökositler veya vücut hücreleri arasındaki etkileşimde arabuluculuk eder.Bu kompleksin anlamı ise, T-lenfositlerin B-lenfositlere göre biraz daha farklı bir işlemden geçtiği anlamına gelip T-lenfositlerin hem kendilerini hem MHC hücrelerini tanıması gerekir.
3. Klonal Seçim Algoritması (Clonal Selection Algorithm)
Edinilmiş bağışıklık tan esinlenerek ortaya çıkmıştır. B ve T lenfositlerinin, afinite olgunlaşması adı verilen zaman içinde antijenlere tepkilerini nasıl geliştirdiklerini açıklar.
4. Dendritik Hücre Algoritmaları (Dendritic Cell Algorithms)
Dendritik Hücre Algoritması, çok ölçekli bir yaklaşımla geliştirilen bağışıklık esintili algoritmaya bir örnektir. Bu algoritma dendritik hücrelerin soyut bir modeline dayanmaktadır. DCA, hücre içinde bulunan moleküler ağlardan bir bütün olarak hücre popülasyonunun sergilediği davranışa kadar DC fonksiyonunun çeşitli yönlerini inceleme ve modelleme süreciyle soyutlanır ve uygulanır. DCA içinde bilgi farklı katmanlarda granüle edilir, çok ölçekli işleme yoluyla elde edilir.
Kısaca bahsettiğim algoritmaları ayrıntılı biçimde incelediğimiz diğer yazılarda görüşmek üzere.
Kaynakça:
Artificial Immune Systems and Their Applications (Dipankar Dasgupta)
Figure1: https://www.researchgate.net/profile/Leandro_De_Castro2/publication/228712042_Artificial_Immune_Systems_Part_I-Basic_Theory_and_Applications/links/0fcfd5075b7c95b9cd000000.pdf
Figure2:
An Efficient Routing Protocol in Mobile Ad-hoc Networks by using Artificial Immune System
Figure3:
Application of Immune Complement Algorithm to NSL-KDD Intrusion Detection Dataset
Figure4:
The Clonal Selection Algorithm with Engineering Applications (Leandro Nunes de Castro
buy cheap kamagra oral jelly
,Fernando J. Von Zuben)
Figure5:
Exploration Of The Dendritic Cell Algorithm Using The Duration Calculus