Miguel Fuentes - Dinámica científica y medidas de complejidad

Dependiendo de su comportamiento, S. Wolfram, en su libro A New Kind of Science [2002], definió cuatro categorías en las cuales los autómatas celulares pueden ser clasificados. En la clase número uno casi todos los patrones iniciales evolucionan rápidamente a un estado estable y homogéneo, y cualquier aleatoriedad en el patrón inicial desaparece. En la clase dos, casi todos los patrones iniciales evolucionan rápidamente en estructuras estables u oscilantes, y parte de la aleatoriedad en el patrón inicial puede filtrarse, pero algunos permanecen. Los cambios locales en el patrón inicial tienden a permanecer locales. La clase tres tiene casi todos los patrones iniciales que evolucionan de una manera pseudoaleatoria o caótica. Cualquier estructura estable que aparece es rápidamente destruida por el ruido circundante. Los cambios locales en el patrón inicial tienden a propagarse indefinidamente. Finalmente, en la clase cuatro, casi todos los patrones iniciales evolucionan en estructuras que interactúan de forma compleja e interesante, con la formación de estructuras locales capaces de sobrevivir durante largos períodos de tiempo.

Las aplicaciones de los autómatas celulares se pueden encontrar en diferentes campos como los procesadores informáticos utilizados para comprender la formación de patrones en biología, epidemiología y modelos para simular dinámicas urbanas a través de las acciones locales de los autómatas celulares [Batty, 2007], etc. Además, han sido el ejemplo paradigmático y ampliamente discutido en emergencia [Gardner, 1970; Goldstein, 1999; Chalmers, 2006; Bedau et al., 2008; Beisbart, 2012; Frigg y Reiss, 2009], utilizando algunas reglas en particular, como por ejemplo la del así llamado “Juego de la vida” del matemático ingles J. H. Conway.

Con la llegada de nuevas tecnologías y el creciente poder informático, es fácil considerar modelos computacionales para estudiar la evolución de muchos agentes, a diferentes escalas y escenarios. El modelado basado en agentes puede considerarse como la evolución de modelos de autómatas celulares. Esto puede considerarse como un enfoque desde abajo hacia arriba (i. e. ascendente), debido al hecho de que determinadas propiedades observadas en el sistema como un todo (algunas de ellas emergentes) resultan de las interacciones de los componentes microscópicos del sistema. Dicha visión difiere de las otras discutidas en este capítulo, como por ejemplo el mecanismo de Turing, donde la difusión de partículas es modelada a través de un operador espacial que actúa a escala macroscópica.

No hay una receta específica para aplicar el modelado basado en agentes, ya que puede usarse en muchos escenarios y sistemas. Por lo general, pueden estudiarse en varios niveles, como individuos [Axelrod, 1997], poblaciones [Gustafsson y Sternad, 2010], organizaciones, etc.; modelos para la toma de decisiones (notar que en este caso la teoría de juegos también puede aplicarse); topología de las interacciones, redes regulares o irregulares, redes complejas; entornos donde ocurren interacciones sociales y reglas de aprendizaje (o procesos adaptativos), etc.

Se ha argumentado que los principales beneficios del modelado basado en agentes son los siguientes [Bonabeau, 2002]:

i) Captura fenómenos emergentes. Esto se debe a que en principio los fenómenos emergentes provienen de interacciones microscópicas (o entidades individuales), y cuando se utilizan modelos basados en agentes, cualquier característica macroscópica será por definición resultado de reglas microscópicas que actúan sobre un gran número de agentes. Estos fenómenos emergentes pueden aparecer cuando el comportamiento individual es no lineal o cuando las interacciones de los agentes son heterogéneas y pueden generar efectos de red, basados en agentes. Los modelos pueden amplificar las fluctuaciones (algo que es difícil de obtener formalmente utilizando ecuaciones diferenciales) y cuando el comportamiento individual muestra la dependencia de la trayectoria y/o memoria (como en el caso de un atascamiento de tráfico).

ii) En muchos casos, el modelado basado en agentes proporciona la forma más natural de describir las dinámicas y reglas del sistema, centrándose en las reglas individuales de los agentes.

Otras áreas en las que se está aplicando la modelización basada en agentes son: difusión y adopción de la opinión e innovación, diseño de la organización de sistemas sociales, dinámica de mercado de valores y flujos en espacios heterogéneos (por ejemplo tráfico o evacuación).

Existen muchos sistemas donde la dinámica subyacente es desconocida. Estos son, de alguna manera, formas muy diferentes del tipo clásico de sistemas dinámicos, donde se pueden proponer modelos utilizando primeros principios para describirlos. En estos sistemas, las ecuaciones de movimiento de Newton para los sistemas clásicos, las ecuaciones de Maxwell para sistemas electromagnéticos o las ecuaciones cuánticas o relativistas pueden ser el punto de partida para construir modelos que describan el fenómeno usando un enfoque ascendente. Para otros sistemas, este tipo de reducción (tanto epistemológica como ontológica) es imposible debido a la complejidad del problema –que a veces hace casi imposible crear un modelo reduccionista– y a la falta de información, ya que a veces los datos o resultados del sistema están disponibles solo a un nivel muy alto y macroscópico, etc.

Hoy en día contamos con una variedad casi infinita de datos disponibles: de instituciones científicas, gobiernos, diferentes tipos de empresas, datos sobre internet, etc. Todos estos datos disponibles pueden ser almacenados y estudiados, pero como el lector puede adivinar (y como ya hemos mencionado) para algunos de ellos el enfoque de primeros principios está lejos de ser alcanzado.

El término minería de datos no se refiere a la extracción y recolección de una gran cantidad de datos, como suele creerse. La minería de datos se refiere a la extracción y reconocimiento de patrones emergentes en grandes conjuntos de datos. En este sentido, la minería de datos tiene dos metas principales [Kantardzic, 2011]: predicción y descripción. Para lograrlos, la minería de datos utiliza la siguiente tarea: clasificación, regresión, agrupación, resumen, modelado y detección de desviaciones.

Aunque el reconocimiento de patrones y la detección de signos de causalidad en algunas interacciones han sido un tema de investigación usando métodos clásicos (por ejemplo, correlación y análisis de regresión), la minería de datos identifica patrones presentes en los datos, utilizando además (y entre otras) la inteligencia artificial y las técnicas de aprendizaje automático [Hastie et al., 2009]. Debido a la gran variedad de datos disponibles hoy en día, la minería de datos se está convirtiendo en una poderosa herramienta para estudiar los patrones sociales en los sistemas urbanos. También, aplicaciones comunes de esta rama de la informática pueden verse en astronomía, genética, comportamiento social emergente, patrones en transporte, sistemas financieros, telecomunicaciones, etc.

Текст предоставлен ООО «ЛитРес».

Прочитайте эту книгу целиком, купив полную легальную версию на ЛитРес.

Безопасно оплатить книгу можно банковской картой Visa, MasterCard, Maestro, со счета мобильного телефона, с платежного терминала, в салоне МТС или Связной, через PayPal, WebMoney, Яндекс.Деньги, QIWI Кошелек, бонусными картами или другим удобным Вам способом.