Modelización basada en agentes como herramienta actual de predicción

Una nueva bola de cristal para predecir el comportamiento de los consumidores e inversores

El modelado basado en agentes proporciona información sobre el complejo comportamiento de grandes grupos de personas, como consumidores, votantes e inversores.



El modelado basado en agentes turboalimentado por la computación en la nube tiene un papel creciente en las finanzas y la regulación. Foto: David Plunkert


Por Paul J. Davies || Wall Street Journal


E.W. Scripps Co. tuvo un gran año en 2018 para la publicidad política en su red de estaciones de TV locales. Su nuevo enfoque de las ventas de anuncios políticos ayudó a casi duplicar sus ingresos en el sector en comparación con las elecciones previas de mitad de período en 2014.

Detrás de estas ganancias se encontraba una forma de análisis de mercado denominada modelado basado en agentes, que puede mostrar cómo interactúan entre sí diferentes tipos de personas, empresas o inversores, y pueden reaccionar a las cosas que les suceden. Ayudó a E.W. Scripps asesoró a los gerentes de campañas políticas sobre cómo obtener el mejor provecho de su inversión, y está ayudando a un número creciente de otras compañías a entender sus mercados.

"Nuestro objetivo es simular la forma en que los consumidores toman decisiones", dice Dejan Duzevik, director de productos de Concentric Inc., una compañía de modelos con sede en Cambridge, Massachusetts, que ayudó a E.W. Scripps. "Muchas empresas están haciendo esto para ver si pueden atraer nuevos consumidores a su mercado". Los clientes de Concentric han incluido a Microsoft Corp., Toyota Motor Corp. y Whirlpool Corp., así como a empresas de publicidad como Havas.

El modelado basado en agentes también tiene un papel creciente en las finanzas y la regulación, particularmente como una forma de entender cómo las crisis y los pánicos se extienden en los mercados, cosas que los modelos económicos tradicionales y simplificados no pueden ver.

La economía tradicional y el análisis de mercado miden las diferencias entre los individuos para llegar a un representante del grupo, que normalmente se espera que actúe racionalmente. Esto crea modelos elegantes que pueden producir respuestas simples para los investigadores, y predicciones simples de lo que las personas harán. Sin embargo, como un mapa dibujado crudamente, los modelos tradicionales son útiles para algunos propósitos, pero no logran coincidir con la realidad en una resolución más fina. En contraste, los modelos basados ​​en agentes pueden representar muchos tipos diferentes de individuos con una amplia variedad de deseos y necesidades al mismo tiempo, y ofrecen una amplia gama de posibilidades de cómo actuarán, lo cual es mucho más realista. Pero con el realismo viene la complejidad y predicciones que a menudo son menos específicas.
Pruebas de crisis

Los reguladores financieros están ejecutando este tipo de modelos para ver cómo se propagan las crisis: con qué rapidez y en qué medida un shock en un mercado o clase de activos puede propagarse a otras partes del sistema financiero. Intentan identificar puntos débiles en el sistema financiero, por ejemplo, en bancos, casas de compensación o fondos del mercado monetario, y luego probar regulaciones o políticas que podrían reforzar esos puntos débiles y hacer que el sistema financiero sea más resistente.

Richard Bookstaber, un gerente de riesgo financiero, académico y autor que construyó un modelo de este tipo para el Tesoro de los Estados Unidos después de la crisis financiera mundial de 2008, dice que el modelado basado en agentes funciona bien para las crisis financieras porque en esos momentos los inversores y los operadores se vuelven más adversos al riesgo. lo que los obliga a seguir reglas de comportamiento que son más fáciles de discernir. Los científicos llaman a estas reglas de comportamiento heurísticas. En tiempos normales, los inversores y los comerciantes a menudo cambian de comportamiento o disfrazan las preferencias cuando eso podría ayudarles a ganar dinero.

"No puedes usar modelos basados ​​en agentes si no conoces a los agentes o sus heurísticas", dice Bookstaber. Y eso usualmente hace que el modelado financiero sea más difícil. "Las heurísticas y las preferencias son más estables en el mundo del consumidor", dice. "No se beneficia al ocultar, mentir o cambiar sus preferencias de manera inesperada, mientras que lo hace en finanzas".

Estos modelos no son nuevos, pero en el pasado su uso estaba limitado por el número extremadamente alto de cálculos que realizan para recrear el complejo comportamiento de grandes grupos de personas. La potencia de cómputo necesaria para realizar rápidamente esos cálculos solo se ha hecho accesible a bajo costo en los últimos años a través de la computación en la nube. La creciente cantidad de datos recopilados también ha ayudado a que el modelado basado en agentes sea una herramienta mucho más viable comercialmente.

Todo esto es posible porque la enorme capacidad informática se ha vuelto ampliamente disponible con el crecimiento de la computación en la nube en los últimos años. Andrew Skates, fundador de Sandtable, una compañía de modelos con sede en Londres, dice que cuando comenzó en 2009, ejecutaría modelos en una serie de computadoras portátiles conectadas entre sí. "Durante un fin de semana, obtendríamos 50 horas de tiempo de computadora en 10 procesadores, lo que equivale a 500 horas de computadora", dice. En una semana reciente, "hicimos una carrera que fue de 50,000 horas de computadora, y eso ni siquiera es grande para nosotros".

Elecciones políticas

Michael O'Brien, vicepresidente de distribución en E.W. Scripps, dice que los modelos basados ​​en agentes le permiten a la compañía probar el impacto en los votantes de eventos como noticias, reuniones políticas, temores de seguridad o incluso el clima. El modelo se basa en múltiples conjuntos de datos, como las calificaciones de audiencia para programas de televisión, volúmenes de redes sociales, encuestas públicas y privadas y otra información para crear una imagen útil de las actitudes de los votantes en una carrera en particular.

El Sr. O'Brien dice que el modelo basado en agentes produce predicciones mucho mejores que las encuestas tradicionales solo sobre las formas más efectivas de alentar a los votantes a respaldar a un candidato. "Los gerentes de campaña nos dicen a quién quieren dirigirse, y podemos decir cuáles son las mejores oportunidades para dirigirse a esos votantes y cómo obtener las mejores tasas de conversión", dice.

Más allá de la política, las empresas de publicidad y productos de consumo utilizan los modelos basados ​​en agentes para generar predicciones acerca de qué mensajes publicitarios o estrategias de fijación de precios impulsarán a los rivales de la empresa, y cómo afectarán las opiniones y elecciones entre los consumidores. . Otra función importante es probar lo que podría suceder en caso de algún tipo de impacto en el mercado de una empresa. "Casi todos los clientes tienen algún escenario que comprueba el impacto de un shock exógeno", dice el Sr. Duzevik de Concentric. "Tenemos una broma al respecto: por lo general, es Amazon".

Una de las fortalezas de este modelado es que produce un rango de probabilidades en lugar de una simple prescripción sobre cómo proceder. David Teague, jefe de cartera para análisis de datos y productos en British Broadcasting Corp., dice que los modelos basados ​​en agentes no pronostican exactamente el futuro, pero sí le permiten explorar lo que podría suceder en un sistema complejo que sigue cambiando.

La BBC, la emisora ​​británica financiada por los contribuyentes, está desarrollando un modelo para probar cómo las diferentes combinaciones de programas de televisión atraerán a diferentes segmentos de la audiencia. Debido a que la compañía cuenta con fondos públicos, tiene funciones de servicio público y debe garantizar que el dinero de los contribuyentes se gaste en el mayor beneficio posible.

Como todos los modelos, dice Teague, los basados ​​en agentes solo pueden ser algo que ayude a informar la toma de decisiones en lugar de tomar decisiones por usted. "Es un balance de 'Esto me va a ayudar' en lugar de 'Esto va a responder todo por mí'", dice. "Con cualquier cosa, una vez que crees que responderá a todo por ti, es cuando te quedas despegado".

Videogames ayudan a la enseñanza de la Historia

Un curso de historia de pregrado que incorpora juegos de estrategia es solo el comienzo: las simulaciones por computadora permiten a las personas estudiar el pasado de una manera que nunca ha sido posible.

por Tecnología Emergente desde el arXiv

Una de las consecuencias extraordinarias de las técnicas de modelado por computadora es que permiten simular diversos fenómenos del mundo real con gran detalle.



La dinámica de los fluidos informáticos, por ejemplo, ha reemplazado en gran medida el uso de túneles de viento en muchas aplicaciones. Las simulaciones de redes sociales han cambiado la forma en que entendemos los atascos y el control de multitudes, así como la propagación de noticias falsas y enfermedades infecciosas. Y muchos juegos, como la serie Grand Theft Auto, Second Life y muchos otros, recrean el mundo real de manera que los jugadores puedan experimentar con realidades alternativas.

Pero mientras este fenómeno ha tenido una gran influencia en la ciencia, su impacto en las humanidades, y en particular en el estudio de la historia, ha sido menos marcado. Lo que crea algo de una oportunidad para los historiadores emprendedores. Varios juegos de computadora simulan eventos pasados ​​con un detalle cada vez mayor, lo que permite a los jugadores comprender mejor las fuerzas en el trabajo y explorar historias alternativas.

¿Podría este tipo de historia computacional cambiar la forma en que entendemos el pasado y las lecciones que nos ofrece hoy?

Hoy recibimos una respuesta gracias al trabajo de Mehmet Sükrü Kuran en la Universidad Abdullah Gul en Turquía y un par de colegas. Estos muchachos han desarrollado un curso de historia de pregrado en el que los estudiantes usan juegos de computadora históricos para comprender mejor su materia.

El proceso es sencillo. Durante los últimos cuatro años, Kuran y sus colegas han incorporado una variedad de juegos de computadora en su curso de historia para determinar cuál estimula mejor la discusión y mejora la comprensión de los estudiantes.

El curso cubre tres edades en la historia: la Edad Media, centrándose en el Gran Cisma en el mundo cristiano y la división entre sunitas y chiítas en el mundo islámico; la temprana edad moderna, incluyendo la Revolución Industrial; y la era moderna, esencialmente las dos guerras mundiales del siglo XX.

Kuran y sus colegas experimentaron con varios juegos, incluyendo la serie Civilization de Sid Meier de Firaxis, la serie Total War de Creative Assembly y los juegos Grand Strategy como Crusader Kings II, Europa Universalis IV y Hearts of Iron IV by Paradox. Interactivo.

Cada módulo del curso comenzó con una sesión de aprendizaje y discusión, seguido de una introducción al juego elegido. A los estudiantes se les dieron ciertas metas para alcanzar en el juego por su cuenta y luego se les pidió que escribieran sobre su experiencia comparándola con otras fuentes de información histórica.

Después de dos años, Kuran y compañía decidieron que una serie de juegos era claramente mejor para propósitos de aprendizaje. "Los juegos de la serie Grand Strategy brindaron la experiencia más completa debido a su nivel de detalle, alta precisión histórica y versatilidad en el modelado de diferentes culturas y naciones", dicen.

Así que continuaron su curso usando el juego Crusader Kings II para ayudar a estudiar el período medieval, Europa Universalis IV para ayudar a estudiar desde la temprana edad moderna hasta la era industrial, y Hearts of Iron IV para estudiar desde principios hasta mediados del siglo XX.

Después de cada sesión, los estudiantes tenían que escribir un blog de 500 palabras sobre su experiencia. Luego eligieron una época para especializarse y escribieron un ensayo de 3.000 palabras sobre la investigación que realizaron.
Kuran y sus colegas enumeran una amplia gama de ventajas para los estudiantes en esta forma de enseñanza. Por ejemplo, el juego les dio a los estudiantes una mejor comprensión de la geografía global y sus implicaciones políticas y económicas para las rutas comerciales y las cadenas de suministro militares.

Los juegos también enseñaron a los estudiantes sobre las complejas interacciones entre las fuerzas económicas, religiosas, tecnológicas, políticas y culturales, que desempeñan un papel crucial en todas las sociedades. En particular, los estudiantes aprendieron cómo las sociedades eran diferentes en el pasado y cómo esto afectaba los resultados. Ese cambio de ver los eventos desde un punto de vista moderno a verlos desde un punto de vista histórico es crucial. "Este cambio de perspectiva aumenta en gran medida su comprensión de ciertos eventos clave históricos", dicen Kuran y compañía.

Los juegos también dieron a los estudiantes una mejor experiencia. "La mayoría de los estudiantes informan que el aprendizaje de la historia a través de un videojuego tiene un componente inmersivo crítico", dice el equipo. Eso lleva a un mejor recuerdo y análisis de los eventos.

Kuran y sus colegas están claramente convencidos de que los juegos pueden jugar un papel importante en la comprensión de la historia. "Aunque requiere un cierto esfuerzo para establecer un curso de historia mundial tan mezclado, observamos que las ganancias superan los desafíos y permiten una experiencia de aprendizaje más profunda e inmersiva", dicen.

No es difícil ver por qué los estudiantes pueden disfrutar y beneficiarse de este enfoque. Pero esto es claramente el comienzo. La capacidad de simular el pasado con mayor detalle podría ser de gran valor para los propios historiadores. Los puntos de datos en la historia a menudo son escasos e inexactos, por lo que los historiadores tienen que llenar los vacíos. Los modelos de computadora son ideales para probar hipótesis y evaluar si encajan con puntos de datos conocidos.

Por supuesto, hay una gran diferencia entre las series de juegos como Civilization y Grand Strategy y las simulaciones científicas adecuadas. No menos importante es que los juegos son sistemas de caja negra que ofrecen poca o ninguna información sobre cómo funcionan o cómo modelan los eventos. Eso los hace difíciles de evaluar desde un punto de vista basado en la evidencia.

Un buen modelo debe permitir a los investigadores controlar los parámetros detrás de la simulación para que se pueda ajustar y para que los investigadores tengan una visión clara de cómo se procesan los datos de entrada.

Pero con este enfoque, los buenos modelos tienen un enorme potencial. De la misma manera que los modelos climáticos permiten a los científicos explorar diferentes maneras en que podemos influir en el clima, los buenos modelos de la historia podrían ayudar a los historiadores a estudiar resultados alternativos.

Una idea interesante es que hay ciertos puntos en la historia cuando las circunstancias aseguraron que podría haber un solo resultado, independientemente de cómo se comportaron los actores relevantes. Por ejemplo, en 1914 se piensa ampliamente que el mundo estuvo en el precipicio de la guerra; tanto, que el supuesto desencadenante del conflicto, el asesinato del archiduque Fernando en Sarajevo en 1914, fue intrascendente. Casi cualquier acto de importancia internacional podría haber llevado a Europa a la guerra en ese momento.

¿Pero es eso cierto? Los modelos de computadora deberían ser capaces de probar esta idea. Y si es verdad, ¿con qué frecuencia a lo largo de la historia las circunstancias han sido tales que no fue posible obtener resultados alternativos? ¿Cómo podemos usar este conocimiento para prevenir circunstancias similares?

Los lectores de este blog habrán estado siguiendo la aparición de la historia computacional como disciplina. Los estudiantes están empezando a beneficiarse. Y seguramente también surgirá una nueva generación de historiadores computacionales. La pregunta ahora es cómo esta nueva disciplina cambiará la forma en que entendemos nuestro pasado y utilizaremos este nuevo conocimiento para beneficiar nuestro futuro.


Ref: arxiv.org/abs/1805.00463 : History-Themed Games in History Education: Experiences on a Blended World History Course

1805 00463

Leer más publicaciones en Calaméo

Sobre por qué las redes neuronales funcionan tan bien en machine learning

El vínculo extraordinario entre las redes neuronales profundas y la naturaleza del universo

Nadie entiende por qué las redes neuronales profundas son tan buenas para resolver problemas complejos. Ahora los físicos dicen que el secreto está enterrado en las leyes de la física.

por Emerging Technology from the arXiv


En los últimos años, las técnicas de aprendizaje profundo han transformado el mundo de la inteligencia artificial. Una por una, las habilidades y técnicas que los humanos alguna vez imaginaron eran únicamente nuestras, han comenzado a caer en el ataque de máquinas cada vez más poderosas. Las redes neuronales profundas son ahora mejores que los humanos en tareas como el reconocimiento facial y el reconocimiento de objetos. Han dominado el antiguo juego de Go y han golpeado a los mejores jugadores humanos.

Pero hay un problema. No hay una razón matemática por la que las redes organizadas en capas deban ser tan buenas para estos desafíos Los matemáticos están desconcertados. A pesar del gran éxito de las redes neuronales profundas, nadie está muy seguro de cómo logran su éxito.

Hoy eso cambia gracias al trabajo de Henry Lin en la Universidad de Harvard y Max Tegmark en el MIT. Estos chicos dicen que la razón por la que los matemáticos se han sentido tan avergonzados es que la respuesta depende de la naturaleza del universo. En otras palabras, la respuesta está en el régimen de la física en lugar de las matemáticas.

Primero, configuremos el problema utilizando el ejemplo de clasificación de una imagen en escala de grises de megabits para determinar si muestra un gato o un perro.

Dicha imagen consta de un millón de píxeles que pueden tomar cada uno uno de 256 valores de escala de grises. Entonces, en teoría, puede haber 2561000000 imágenes posibles, y para cada una es necesario calcular si muestra un gato o un perro. Y, sin embargo, las redes neuronales, con solo miles o millones de parámetros, administran de alguna manera esta tarea de clasificación con facilidad.

En el lenguaje de las matemáticas, las redes neuronales funcionan al aproximar funciones matemáticas complejas con otras más simples. Cuando se trata de clasificar imágenes de gatos y perros, la red neuronal debe implementar una función que toma como entrada un millón de píxeles en escala de grises y genera la distribución de probabilidad de lo que podría representar.




El problema es que hay órdenes de magnitud más funciones matemáticas que redes posibles para aproximarse a ellas. Y sin embargo, las redes neuronales profundas de alguna manera obtienen la respuesta correcta.

Ahora Lin y Tegmark dicen que han averiguado por qué. La respuesta es que el universo está gobernado por un pequeño subconjunto de todas las funciones posibles. En otras palabras, cuando las leyes de la física se escriben matemáticamente, todas pueden ser descritas por funciones que tienen un conjunto notable de propiedades simples.

Así que las redes neuronales profundas no tienen que aproximarse a ninguna función matemática posible, solo un pequeño subconjunto de ellas.

Para poner esto en perspectiva, considere el orden de una función polinomial, que es el tamaño de su máximo exponente. Entonces, una ecuación cuadrática como y = x2 tiene orden 2, la ecuación y = x24 tiene orden 24, y así sucesivamente.

Obviamente, el número de órdenes es infinito y, sin embargo, solo un pequeño subconjunto de polinomios aparece en las leyes de la física. "Por razones que aún no se comprenden del todo, nuestro universo puede ser descrito con precisión por los hamiltonianos polinomiales de bajo orden", dicen Lin y Tegmark. Normalmente, los polinomios que describen las leyes de la física tienen órdenes que van de 2 a 4.

Las leyes de la física tienen otras propiedades importantes. Por ejemplo, generalmente son simétricos cuando se trata de rotación y traslación. Gira un gato o un perro 360 grados y se ve igual; Si se traduce a 10 metros o 100 metros o un kilómetro, se verá igual. Eso también simplifica la tarea de aproximar el proceso de reconocimiento de perros o gatos.

Estas propiedades significan que las redes neuronales no necesitan aproximarse a una infinidad de posibles funciones matemáticas, sino a un pequeño subconjunto de las más simples.

Hay otra propiedad del universo que las redes neuronales explotan. Esta es la jerarquía de su estructura. "Las partículas elementales forman átomos que a su vez forman moléculas, células, organismos, planetas, sistemas solares, galaxias, etc.", dicen Lin y Tegmark. Y las estructuras complejas a menudo se forman a través de una secuencia de pasos más simples.

Esta es la razón por la cual la estructura de las redes neuronales también es importante: las capas en estas redes pueden aproximarse a cada paso en la secuencia causal.

Lin y Tegmark dan el ejemplo de la radiación cósmica de fondo de microondas, el eco del Big Bang que impregna el universo. En los últimos años, varias naves espaciales han mapeado esta radiación en una resolución cada vez mayor. Y, por supuesto, los físicos se han preguntado por qué estos mapas toman la forma que tienen.

Tegmark y Lin señalan que cualquiera sea la razón, es sin duda el resultado de una jerarquía causal. "Un conjunto de parámetros cosmológicos (la densidad de la materia oscura, etc.) determina el espectro de potencia de las fluctuaciones de densidad en nuestro universo, que a su vez determina el patrón de radiación de fondo de microondas cósmico que nos llega desde nuestro universo temprano, que se combina con el primer plano. "Ruido de radio de nuestra galaxia para producir los mapas del cielo dependientes de la frecuencia que son grabados por un telescopio basado en satélites", dicen.

Cada una de estas capas causales contiene progresivamente más datos. Solo hay unos pocos parámetros cosmológicos, pero los mapas y el ruido que contienen están compuestos por miles de millones de números. El objetivo de la física es analizar los grandes números de una manera que revele los más pequeños.

Y cuando los fenómenos tienen esta estructura jerárquica, las redes neuronales hacen que el proceso de análisis sea mucho más fácil.

"Hemos demostrado que el éxito del aprendizaje profundo y barato no solo depende de las matemáticas sino también de la física, lo que favorece a ciertas clases de distribuciones de probabilidad excepcionalmente simples que el aprendizaje profundo se adapta únicamente al modelo", concluyen Lin y Tegmark.

Ese es un trabajo interesante e importante con implicaciones significativas. Las redes neuronales artificiales están famosamente basadas en las biológicas. Así que las ideas de Lin y Tegmark no solo explican por qué las máquinas de aprendizaje profundo funcionan tan bien, sino que también explican por qué los cerebros humanos pueden dar sentido al universo. La evolución se ha asentado de alguna manera en una estructura cerebral que es ideal para separar la complejidad del universo.

Este trabajo abre el camino para un progreso significativo en inteligencia artificial. Ahora que finalmente comprendemos por qué las redes neuronales profundas funcionan tan bien, los matemáticos pueden comenzar a explorar las propiedades matemáticas específicas que les permiten rendir tan bien. "Fortalecer la comprensión analítica del aprendizaje profundo puede sugerir formas de mejorarlo", dicen Lin y Tegmark.

El aprendizaje profundo ha dado pasos gigantescos en los últimos años. Con esta comprensión mejorada, la velocidad de avance está destinada a acelerar.