Al manejar un vehículo todos tenemos nuestras rutas favoritas para llegar a ciertos destinos. Un nuevo tripulante puede sorprenderse durante una ruta alternativa.
Con el paso del tiempo, vamos incorporando en nuestro acervo una serie de elementos decisionales producto de nuestra experiencia. Incluso cuando nos extraviamos es cuando descubrimos nuevas rutas: la serendipia nos ayuda a aprender y extender nuestro conocimiento.
De poco nos sirve planificar tempranamente a detalle nuestro recorrido, sobre todo si ocurren circunstancias nuevas y poco predecibles; siempre debemos estar listos para poder adaptar nuevos datos a nuestra estrategia.
Escuchamos que los datos son la nueva moneda de oro, maleables, resistentes y ofreciendo confiabilidad.
El uso recurrente de datos y la adaptación de nuestras decisiones es en ocasiones considerada un cierto tipo de inteligencia. Para una computadora el poder sistematizar este tipo de tareas es relativamente complejo; por eso mismo, los denominados ‘vehículos autónomos’ todavía se encuentran en el nivel 3, de un total de 6 niveles que han sido identificados como requeridos para la conducción completamente autónoma y segura.
Sin embargo, desde hace muchos años se han involucrado técnicas que nos permitan entender la forma de abordar dicha complejidad. Una de las técnicas más populares y prometedoras son las denominadas en sistemas ‘multiagentes’.
Dichas técnicas consideran, por ejemplo, a la inteligencia necesaria para resolver un problema, como un sistema compuesto de diversos entes que puede ser dividido (o que puede dividirse por él mismo, acorde a un algoritmo) y ser separado en diversas entidades, que además de ser corresponsables de ciertos comportamientos individuales, requieren una coordinada negociación con el fin de optimizar la acción grupal a partir de la sinergia entre sus componentes.
Algo fundamental en dichos multiagentes es justamente desarrollar la capacidad de aprender a lo largo de la experimentación. Sobre todo cuando podemos incorporar la representación de interacciones -de todo tipo: físicas, químicas, etcétera- entre dichas entidades.
Estos sistemas son difíciles de modelar matemáticamente y en muchas ocasiones mucho más difícil de resolverlos de manera analítica.
Es decir, si por ejemplo del sistema de estudio en cuestión -como puede ser la propagación de un virus, el vuelo armonioso de una parvada, la fluctuación de un sistema económico, etcétera- se pudieran escribir las ecuaciones diferenciales no lineales estocásticas que formalmente describirían una aproximación funcional de su complejidad, sería aún más complicado resolver dichas ecuaciones para saber exactamente qué acción corresponde a cada reacción del sistema.
Los economistas han trabajado por muchos años buscando justamente modelar y entender el funcionamiento de dichos procesos, sobre todo cuando se involucran agentes decisionales como lo pueden ser los seres humanos, cuya naturaleza, complica el poder hacer predicciones de comportamiento. El asunto se complica aún más cuando los ‘agentes’ humanos interactúan, comparten o compiten creando alianzas y estrategias para optimizar, minimizar pérdidas y maximizar ganancias.
En México tenemos muchísimas áreas de oportunidad, entre ellas la planeación urbana: aún el día que todos tengamos coches eléctricos el tráfico será el mismo, los embotellamientos irán creciendo y quizá los accidentes no disminuyan.
Cada año mis alumnos desarrollan proyectos modelando y desarrollando algoritmos de inteligencia artificial y ciencia de datos para abordar problemas que requiere el uso de sistemas multiagentes.
Debemos impulsar la incorporación de dichas técnicas y tecnologías avanzadas que nos permitan mejorar la calidad de vida de nuestras zonas urbanas.