Aplicaciones de la racionalidad acotada al razonamiento cualitativo sobre sistemas complejos

Resumen

En un trabajo clásico de 1973, los investigadores Horst W. J. Rittel y Melvin M. Webber introducen, dentro del campo de la planificación social, el concepto de problema retorcido. Un problema de este tipo es difícil o imposible de resolver porque presenta requisitos incompletos, contradictorios y cambiantes que generalmente son difíciles de reconocer. Según los autores, la dificultad o imposibilidad intrínseca de resolución de este tipo de problemas llega hasta el punto de que, si somos capaces de especificarlos, entonces estamos describiendo a la vez cómo sería la solución, es más, formularlos de manera completa y definitiva es imposible (de hecho eso es el problema en sí). En este estado de complejidad, las soluciones no son verdaderas o falsas, sino buenas o malas. Aunque la noción fue introducida anteriormente, es con el citado trabajo cuando toma relevancia y se reconoce como un tipo de problemas inherente al diseño en un entorno de complejidad. En Inteligencia Artificial (como disciplina que intenta resolver computacionalmente problemas, de los que algunos, los humanos, todavía resolvemos mejor) este tipo de problemas no son comúnmente estudiados por varias razones. Por un lado, la noción tiene su origen en las ciencias sociales y se referían a sistemas complejos sociales. Por otro lado, los problemas retorcidos no son especificables, y eso encaja mal con las Ciencias de la Computación, pues limita el uso de técnicas de representación y razonamiento. Sin embargo, sí es cierto que los humanos nos enfrentamos y vivimos en sistemas complejos que nos plantean problemas retorcidos (para nuestra economía, salud, etc.) que simplemente sobrellevamos o resolvemos utilizando conocimiento y razonamientos incompletos, no puramente lógicos. La Racionalidad Acotada comprende una serie de técnicas de razonamiento y comportamiento que no encajan con la idea de la racionalidad basada en la consecuencia lógica. El concepto (moderno) de agente racional es definido en [16] teniendo en cuenta esta particularidad: trata de maximizar la función de utilidad en función de los recursos que disponemos, pero no limita la forma de obtenerlo a la deliberación lógica. H. Simon[17] estudia la Racionalidad Acotada como una disciplina imprescindible en las Ciencias Sociales y en la IA, estatus que preserva con más importancia si cabe en la actualidad [14]. Si las técnicas de Racionalidad Acotada se utilizan para problemas sociales en general, y los humanos las utilizamos para sobrevivir en sistemas complejos (y algunos de ´estos nos plantean problemas retorcidos) ¿por qué no usarla directamente para entender cómo lo hacemos? ¿es posible aprovechar lo que sabemos de la Racionalidad Acotada para representar, razonar y resolver problemas que son síntomas de que el sistema complejo estudiado se comporta de cierta manera? Esta pregunta es la motivación general de esta memoria. Para abordar la cuestión general debemos utilizar mecanismos de representación y razonamiento que permitan reflejar información acerca del sistema complejo y extraer conocimiento. Teniendo en cuenta que muchos sistemas complejos nos plantean problemas retorcidos, y que ´estos no permiten una formalización completa y unificada de lo que son, la perspectiva debe cambiar. No deberíamos comenzar fijando un lenguaje, eligiendo conceptos y conjeturando relaciones entre ´estos. El propio lenguaje sería en este caso inseguro, al no saber si los conceptos importantes están representados en ´el. Es en este momento en el que elegimos el Análisis Formal de Conceptos como una herramienta que permite representar información en bruto (con 1�s y 0�s, si se quiere) y a partir de esa representación extraer conceptos, ontologías y relaciones lógico-computacionales entre las distintas características que estamos observando, sin limitar la descripción de esas observaciones al lenguaje o conceptos predefinidos. De esta forma, el marco general de trabajo de esta memoria queda perfilado: el uso de la Racionalidad Acotada para entender características (estáticas o dinámicas) de los sistemas complejos, utilizando como herramienta de representación y razonamiento el Análisis Formal de Conceptos (FCA). A lo largo de esta memoria se describe el trabajo realizado en el desarrollo de metodologías y herramientas para asistir en el estudio de sistemas complejos. En concreto, el trabajo realizado intenta cubrir las diferentes fases que componen lo que se denomina epistemología formal para el estudio de Sistemas Complejos. A continuación se describe el contenido de esta memoria, que pretende cubrir cada uno de los objetivos descritos en el apartado anterior. Parte I: Preliminares La primera parte de esta memoria está dedicada a introducir los tres pilares teóricos anteriormente mencionados y que fundamentan este trabajo: Capítulo 1: Análisis Formal de Conceptos En este capítulo se introducen las nociones fundamentales de esta teoría. En los 30 años que tiene de vida, la teoría de FCA [13] ha sido enormemente extendida y se han desarrollado numerosas variantes. En este capítulo se introducen únicamente los conceptos utilizados en este trabajo, entre los que podemos destacar los siguientes conceptos: Contexto formal: El contexto formal es la estructura de datos básica en FCA, la cual contiene toda la información (de naturaleza cualitativa) con la que se desea trabajar. Concepto formal: El concepto formal es la unidad básica de conocimiento, con significado propio. FCA proporciona algoritmos para extraer los conceptos a partir del contexto formal. Retículo de conceptos: El retículo de conceptos es una jerarquía conceptual que agrupa y ordena todos los conceptos existentes en el contexto formal. Implicaciones entre atributos: FCA proporciona también algoritmos que permiten la extracción de bases de implicaciones lógicas a partir del contexto formal. Estas bases de implicaciones permitirán razonar sobre la información contenida en el contexto. FCA se presenta como una interesante herramienta para todo tipo de problemas representados mediante datos cualitativos, como los que se tratan a lo largo de este trabajo. Capítulo 2: Racionalidad Acotada Como se ha comentado anteriormente, la Racionalidad Acotada es un modelo de racionalidad humana. En este capítulo se presentan las ideas básicas que hay tras este modelo y se resumen los dos corrientes principales existentes, la primera desde el punto de vista de la Inteligencia Artificial (Herbert Simon [17]) y la segunda desde el punto de vista de economistas como Goldstein y Gigerenzer [15]. El objetivo de la Racionalidad Acotada es el de estudiar y modelar el razonamiento humano. Por tanto en el resto del capítulo se resumen las heurísticas y/o técnicas principales que este modelo considera como herramientas que los seres humanos usamos en la toma de decisiones, junto con las condiciones que deben darse para que estas técnicas sean efectivas. A lo largo de este trabajo se presentará el modelo de Racionalidad Acotada como punto de vista para abordar problemas que debido a su tamaño y complejidad no es posible abordar con técnicas orientadas a obtener un único resultado ´optimo. Capítulo 3: Sistemas Complejos El tercer y último capítulo sobre fundamentos contiene una breve introducción a los sistemas complejos. Como se ha comentado, el concepto de sistema complejo abarca cualquier tipo de sistema que presenta una cierta complejidad intrínseca, tanto estructural como funcional. Esta complejidad hace que estos sistemas sean difíciles de comprender, explicar y por tanto predecir. Esta complejidad se ejemplifica frecuentemente por una de las principales características de estos sistemas; a saber, que las dinámicas globales del sistema no se explican como la suma de las dinámicas locales de cada una de sus partes. Por tanto para sustentar el estudio de los sistemas complejos, se antoja necesario el desarrollo de herramientas y metodologías capaces de estudiar el sistema desde ambos puntos de vista, es decir, tanto a nivel de sistema (global) como a nivel de cada una de las partes (local) que componen dicho sistema. Parte II: Razonamiento sobre sistemas complejos La segunda parte de esta memoria está dedicada a presentar, desde un punto de vista teórico, las diferentes metodologías y herramientas desarrolladas. El conjunto de los cuatro capítulos que componen esta parte definen un marco de trabajo (de naturaleza cualitativa) completo (según las fases que componen la epistemología aplicada) para el estudio de sistemas complejos desde el punto de vista de la Racionalidad Acotada y sustentado por la teoría de FCA. En cierto modo, es el resultado de pensar conjuntamente las tres líneas de investigación presentadas en la primera parte. Capítulo 4: Modelado cualitativo de Sistemas Complejos: Racionalidad Acotada y FCA La primera fase del estudio de sistemas es la del modelado. A partir de la información disponible construimos un modelo del sistema, es decir, una simplificación del sistema que nos permitirá centrarnos en los aspectos del sistema que más nos interesen. Un modelo es una versión limitada del mismo de forma que podemos controlarlo, permitiéndonos estudiar la evolución pasada de dicho sistema y/o crear hipótesis sobre su evolución futura. En este capítulo se describe la metodología a seguir para el modelado cualitativo de sistemas complejos mediante FCA y desde el punto de vista de la Racionalidad Acotada. Esta metodología incluye aspectos como la selección de la información más adecuada para representar el sistema en cada caso o las diferentes perspectivas desde las que podemos modelar el sistema (local y global). Capítulo 5: Estructura topológica de los retículos de conceptos En este capítulo se presenta la Hipótesis de la conceptualización libre de escala (SFCH), que presentamos como una herramienta para la evaluación del sistema desde el punto de vista global. Anteriormente se ha comentado que los modelos son simplificaciones, es decir, son versiones sesgadas de la realidad. Por tanto es importante disponer de herramientas que nos permitan evaluar la bondad del modelo. En este sentido, la SFCH plantea la hipótesis de que la bondad del modelo obtenido está directamente relacionada con ciertos aspectos topológicos de la estructura conceptual (el retículo de conceptos) asociada a dicho modelo. Se han realizado numerosos experimentos que apoyan dicha hipótesis y de ellos se concluye que la estructura conceptual asociada a todos los modelos, en los que la información es objetiva y la representación se ajusta a la realidad, presentan una topología similar. Siguiendo con el análisis topológico de la estructura conceptual asociada al modelo, también se plantean medidas para estimar la complejidad del proceso de razonamiento sobre éste. Por último, se apuntan pruebas estadísticas que reafirman la validez de la SFCH. Capítulo 6: Percolación semántica en retículos de conceptos En este capítulo se continúa con la idea de la evaluación del modelo desde un punto de vista global. En este sentido se introduce la idea de Percolación (semántica) en retículos de conceptos, que nos permite estudiar la robustez de la estructura conceptual asociada al modelo ante la aparición de nueva (e inesperada) información. La motivación de la percolación semántica es que construimos los modelos a partir de la información disponible sobre la evolución pasada del sistema. Por otro lado, uno de los objetivos del análisis de sistemas complejos es el estudio de su evolución futura. Por tanto, si en el futuro el sistema evolucionase hacia estados inesperados (con respecto a la información conocida), el modelo actual dejaría de ser válido para su estudio. Mediante esta herramienta, podemos obtener estimaciones de cómo de robusto sería nuestro modelo ante cambios significativos en la dirección hacia la que el sistema evoluciona. Capítulo 7: Razonamiento En este capítulo se define un sistema de razonamiento útil para el análisis de aspectos concretos (análisis local de sus partes) del sistema. Este sistema se plantea en dos versiones, razonamiento exacto y razonamiento con incertidumbre, siendo la segunda la más interesante debido a la naturaleza de los sistemas complejos. Recordemos que FCA proporciona bases de implicaciones lógicas. Podemos extraer bases de implicaciones asociadas a partes concretas (por ejemplo entidades o eventos) del sistema permitiéndonos aislar y estudiar patrones de comportamiento locales, lo que se denomina razonamiento bajo selección contextual. De la misma forma, mediante el sistema de razonamiento podemos anticipar estados futuros del sistema a partir de la información pasada conocida. Parte III: Casos de estudio La tercera parte de esta memoria está dedicada a presentar los diferentes casos de estudio usados con los que experimentamos con la metodología desarrollada en los capítulos anteriores. Se han seleccionado casos estudios de muy diversa naturaleza con el objetivo de evaluar la metodología en diferentes ámbitos. Los casos de estudio se han dividido en tres grupos según el tipo de análisis que se ha realizado sobre ellos. Capítulo 8: Caso I: Predicción En este capítulo se presentan dos casos de estudio sobre los que han sido aplicadas cada una de las técnicas presentadas. El primer caso de estudio es La Liga de fútbol española y el segundo el conflicto de Darfur. El objetivo final es realizar predicciones sobre eventos temporales y espaciales mediante el sistema de razonamiento desarrollado en el capítulo 7. Sin embargo, una vez obtenido el modelo podemos examinar la estructura conceptual asociada para obtener pistas sobre la bondad de nuestro modelo y por tanto del proceso de razonamiento con la información que este contiene. Ambos casos son interesantes para evaluar la metodología. El primero es un ejemplo de éxito del proceso de razonamiento y el segundo de fracaso. Una vez obtenidos los modelos se han aplicado la SFCH y la percolación semántica sobre la estructura conceptual asociada a estos. Los resultados obtenidos se corresponden con las pruebas realizadas con el sistema de razonamiento, es decir, la estructura conceptual asociada al primer caso (fútbol) proporciona resultados positivos en estas pruebas, mientras que los resultados para el segundo caso (Darfur) son negativos. A lo largo del capítulo se describen todos los pasos realizados y se presentan los resultados obtenidos para cada caso de estudio. Capítulo 9: Caso II: Análisis exploratorio de repositorios de información basado en FCA En este capítulo se presentan tres casos de estudio orientados a la exploración del sistema, es decir, partiendo de un conjunto de datos sobre un sistema dado, mediante las diferentes metodologías, obtenemos información útil (a priori desconocida) sobre éste. El primer caso de estudio trata sobre etiquetados de repositorios digitales de arte. Se han seleccionado dos etiquetados digitales para ser analizados, el primero sobre pinturas y esculturas del barroco hispánico y el segundo sobre obras arquitectónicas del gótico irlandés. En el segundo caso de estudio el objetivo es el de explorar dinámicas urbanas a partir de la información digital sobre inmuebles en venta pública en Internet. La información (socio-económica) digital sobre las ciudades es un reflejo de la dinámica y de las características de un sistema complejo importante: las ciudades. Entre los resultados, se muestra cómo a partir de toda esta información agregada, es posible detectar aspectos socio-económicos que caracterizan las diferentes zonas de las ciudades haciéndolas similares o diferentes entre sí. El tercer caso de estudio trata sobre el análisis de opinión en redes sociales, en concreto sobre Twitter. La idea de este experimento es que la estructura conceptual asociada a un conjunto grande de opiniones agregadas sobre un mismo tema puede proporcionar una visión panorámica interesante de la opinión colectiva sobre dicho tema. Por otro lado, a partir de esta estructura conceptual es interesante analizar, a nivel del lenguaje, la evolución del vocabulario de opinión en las redes sociales. Capítulo 10: Caso III: Modelado basado en agentes mediante FCA En este capítulo los casos de estudio están orientados a la simulación y análisis de modelos basados en agentes. En concreto se presenta el uso de FCA (mediante el sistema de razonamiento desarrollado) como herramienta para gestionar el conocimiento de los agentes. En el primer caso de estudio se presentan variantes basadas en FCA de los Naming Games (NG) (juegos de comunicación). Los NG son modelos basados en agentes para simular diferentes modos de comunicación entre individuos y estudiar la emergencia de un lenguaje común. En estos experimentos se presentan modos de comunicación basados en FCA, uno orientado a la obtención de lenguaje común, otro a la eliminación de consistencias en el lenguaje común y otros modos híbridos, estudiando la emergencia del lenguaje para cada uno de los modos. En el segundo caso de estudio se presenta una metodología para capturar y simular las reglas de comportamiento de autómatas celulares bidimensionales a partir de la información observable de cada celda3. Se presentan experimentos tanto para versiones deterministas como probabilísticas de autómatas celulares. Este caso es interesante ya que presenta una metodología prometedora para ser aplicada en problemas del mundo real, como se ve en el siguiente caso de estudio. El tercer caso estudia los modelos basados en agentes para simulación de movilidad peatonal y cómo una adaptación de la metodología presentada en el experimento anterior puede ser útil para estudiar las dinámicas peatonales en entornos reales. La captura y simulación de dinámicas peatonales puede ser de gran utilidad, por un lado, para detectar problemas en la planificación urbanística (como mobiliario urbano mal ubicado), y por otro lado, para experimentar con potenciales cambios en la planificación de una determinada zona. Capítulo 11: Conclusiones y trabajo futuro La memoria finaliza presentando de manera conjunta las conclusiones que hemos extraído con este trabajo de investigación. También planteamos las líneas de trabajo futuro que abre la aproximación al estudio de sistemas complejos que proponemos en la memoria.