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.

No ergódico

Complejidad computacional

Irreductibilidad computacional

Por qué es importante saber sobre el modelado de agentes

Por qué necesita saber sobre el modelado basado en agentes

Simone Gabbriellini
Sociólogo Computacional, Científico Senior de Datos
Linkedin


Ya sea la difusión global de un virus peligroso, el disturbio inesperado de una minoría étnica en un área urbana o la elección de una mayoría populista en el parlamento, es cada vez más difícil de entender (sin mencionar predecir) cómo se desarrollan los fenómenos sociales .

Los comportamientos colectivos no solo son difíciles de predecir: a menudo no son deseados a nivel del actor social. Cuando las acciones de muchos actores se acumulan, podemos observar patrones fuertes a nivel global que surgen como consecuencias no deseadas (eche un vistazo al modelo de segregación de Schelling aquí).

Los métodos avanzados de análisis son necesarios para desentrañar estos mecanismos complejos, mientras que los investigadores sociales y los profesionales se entrenan a menudo solo en estadísticas, econometría o métodos de observación clásicos.

Los experimentos mentales son un activo útil en la caja de herramientas de estos métodos avanzados: en un contexto comercial, esto equivale a llevar el análisis del nivel de correlaciones estadísticas a la causalidad, respondiendo a la pregunta: ¿por qué sucedió? Sin embargo, en lugar de acumular evidencia estadística para respaldar algunas hipótesis, los experimentos mentales permiten probar que nuestras hipótesis realmente despliegan las consecuencias que observamos.

Sin embargo, para explicar ese nivel de complejidad, necesitamos ayudar a nuestra intuición. Aquí, el modelado basado en agentes y la simulación por computadora pueden ayudarnos a comprender el surgimiento de estos patrones sociales complejos ya menudo no deseados al simular la interacción del agente en una computadora.

Un agente puede representar cualquier cosa, desde un nodo en una red hasta un cliente o una empresa. La idea es desenredar las propiedades y las reglas de comportamiento de estos agentes en su configuración específica, y luego ejecutar múltiples simulaciones para comprender la tendencia central del sistema: si lo que ves en silico es similar a lo que observas empíricamente, tu modelo puede ser un candidato para explicar (no solo describir) lo que observaste.

Puedes pensar en ti mismo como un cartógrafo construyendo un mapa: quizás una escala 1: 1 será demasiado detallada (y probablemente inútil), pero una escala demasiado pequeña no te ayudará a entender el mejor camino desde el lugar A hasta el lugar B. Como así como cada tarea requiere el mapa correcto, se necesita, por supuesto, un poco de experiencia para comprender el nivel correcto de abstracción para cada tarea de modelado específica.

¿Suena demasiado?

Bueno, el modelado basado en agentes de aprendizaje a menudo es difícil, pero si se introducen bien con ejercicios prácticos durante un entrenamiento intensivo, todos pueden aprender cómo realizar investigaciones computacionales avanzadas que importan.

Esto es lo que ofrecemos en BEHAVE Summer School en Modelado Basado en Agentes para Científicos Sociales, que se lleva a cabo en Brescia, Italia, del 3 al 9 de septiembre de 2018.

Infografía: Cola larga

Algoritmo de aprendizaje automático puede mostrar si los secretos de estado están clasificados correctamente

El algoritmo de aprendizaje automático puede mostrar si los secretos de estado están clasificados correctamente

AI podría determinar por qué la información se clasifica o desclasifica por error.
por Emerging Technology from the arXiv


El Departamento de Estado de EE. UU. Genera unos dos mil millones de correos electrónicos cada año. Una fracción significativa de estos contiene información sensible o secreta y, por lo tanto, debe clasificarse, un proceso que lleva mucho tiempo y es costoso. Solo en 2015, gastó $ 16 mil millones para proteger la información clasificada.

Pero la fiabilidad de este proceso de clasificación no está clara. Nadie sabe si las reglas para clasificar la información se aplican de manera consistente y confiable. De hecho, existe una disputa significativa sobre lo que constituye información que debe clasificarse.

Además, es fácil imaginar que el error humano desempeña un papel considerable en la clasificación errónea de los secretos oficiales. Pero nadie sabe cuán significativos podrían ser estos errores.



Hoy eso cambia gracias al trabajo de Renato Rocha Souza en el think tank brasileño Fundação Getulio Vargas en Río de Janeiro y sus colegas en la Universidad de Columbia en Nueva York. Estos tipos han utilizado un algoritmo de aprendizaje automático para estudiar más de un millón de cables desclasificados del Departamento de Estado de la década de 1970.

Su trabajo proporciona una visión sin precedentes sobre la naturaleza de los secretos oficiales, cómo los humanos aplican las reglas y con qué frecuencia los errores se infiltran en el proceso para revelar información sensible u ocultar detalles inocuos. Los algoritmos también revelan patrones sospechosos en la forma en que los cables se pierden.

El equipo comenzó con un corpus de un millón de cables, que descargaron de los Archivos Nacionales de EE. UU. En forma de archivos XML. Cada cable es un mensaje de texto intercambiado entre el Departamento de Estado y una misión diplomática en un país extranjero, como una embajada o consulado.

Los cables están etiquetados como "secreto", "confidencial", "uso oficial limitado" o "no clasificado". La información secreta se define como la que tiene el potencial de dañar gravemente la seguridad nacional; la información confidencial se define como que tiene el potencial de causar daño. pero no daño serio La categoría de Uso Oficial Limitado no se definió en la década de 1970 e incluso hoy sigue siendo controvertida.

Los cables también contienen otra información. Cada mensaje tiene una fecha, un remitente y un receptor, un tema y, por supuesto, el texto del mensaje.

Souza y compañía utilizaron una variedad de enfoques de aprendizaje automático para determinar cómo estos factores se correlacionan con la etiqueta de clasificación. Y después de descubrir esta correlación, luego probaron el algoritmo para ver qué tan bien podía predecir si un cable determinado estaba clasificado o no.

Los resultados hacen una lectura interesante. Souza y compañía dicen que el mensaje en sí es el mejor indicador de si un cable está clasificado. "De todas las características, la frecuencia relativa de diferentes palabras en el cuerpo fue la más útil para identificar información sensible", dicen. Los datos del remitente y del destinatario también son un buen indicador del nivel de sensibilidad, pero pueden llevar al algoritmo a clasificar muchos cables que no se clasificaron como los que sí lo fueron. En otras palabras, esto conduce a una alta tasa de falsos positivos.

Cuando el algoritmo de aprendizaje automático combina los diversos tipos de metadatos en sus decisiones, puede detectar aproximadamente el 90 por ciento de los cables clasificados, con una tasa de falsos positivos de solo 11 por ciento. Y Souza y compañía dicen que debería ser posible hacerlo mejor si se incluyeran los cables que todavía están clasificados.

Los falsos positivos y falsos negativos son en sí mismos interesantes. Estos son cables que la máquina predijo que se clasificarían pero no lo fueron, y viceversa. En muchos casos, la máquina reveló cables que habían sido clasificados erróneamente por humanos. Un ejemplo es un cable sobre la sensibilidad del gobierno japonés sobre las inspecciones estadounidenses de sus instalaciones nucleares. Este cable no se clasificó, pero debería haber sido porque el texto revela que originalmente era confidencial, dicen los investigadores.

Una limitación de los datos es que muchos cables se han perdido, aparentemente debido a problemas al convertirlos en un formato electrónico. Quizás el aspecto más interesante de este trabajo es que sugiere que estos mensajes pueden haber desaparecido por otras razones.

Una pista es la velocidad a la que desaparecieron los mensajes, que difieren para los cables clasificados y no clasificados. "Los mensajes electrónicos clasificados como 'Secretos' tenían una probabilidad tres veces mayor de desaparecer en comparación con los mensajes de Uso oficial no clasificado y limitado", dicen Souza y compañía.

Además, los metadatos asociados con los cables a menudo sobreviven cuando se pierde el mensaje electrónico. Cómo pudo haber sucedido esto es un rompecabezas.

Además, si los mensajes se perdieron cuando se convirtieron de un formato a otro, es muy probable que desaparezcan cuando el Departamento de Estado configure su nuevo sistema de almacenamiento de datos. "Es notable que la mayoría de estos cables [faltantes] no datan de cuando el Departamento de Estado configuró por primera vez el sistema, cuando uno podría esperar que hubiera estado solucionando problemas para transferir datos de manera confiable entre diferentes plataformas de hardware y software", dice el equipo .

El trabajo tiene implicaciones importantes para el equilibrio entre la transparencia y el secreto. Las máquinas claramente pueden ayudar a monitorear la práctica de clasificar datos. Pero no pueden hacerlo mejor en promedio que las bases de datos de las que aprenden. Si estos contienen errores, como claramente lo hacen los cables del Departamento de Estado, las máquinas inevitablemente serán bloqueadas.

Pero una pregunta interesante es si los datos que revela este tipo de aprendizaje automático deberían clasificarse si revelan patrones de comportamiento que podrían dañar el interés nacional. Por ejemplo, la velocidad a la que se clasifica erróneamente la información confidencial como no clasificada podría ser útil para una potencia extranjera que intente recopilar información clasificada de cables no clasificados.

Claramente hay más trabajo por hacer. Souza y compañía dicen que a pesar del gran gasto del Departamento de Estado en la protección de información clasificada, hay poca o ninguna investigación publicada sobre la consistencia de la clasificación. Tampoco hay mucha comprensión de cuánto puede revelar este tipo de aprendizaje automático.

Tal vez todo este trabajo se haga a puertas cerradas. Por otro lado, quizás no.

Ref: arxiv.org/abs/1611.00356: Using Artificial Intelligence to Identify State Secrets

Infografía: Economía de la complejidad

Conducta simple creando cuadros complejos

Coordinación de led mediante reglas simples

Cada ficha tiene la misma regla simple: si ves un vecino parpadeando, entonces aumenta tu deseo de parpadear un 10%. ¡De esa simple regla viene un resultado tan asombroso!

Infografía: ¿Qué es un ABM?

Machine learning busca distinguir los inicios de la Revolución Francesa en los discursos parlamentarios

Una computadora está analizando discursos parlamentarios para entender cómo comenzó la revolución francesa

Por Kathleen J. Davis | Pittsburgh News Radio



La toma de la Bastilla el 14 de julio de 1979.
JEAN-PIERRE HOUËL / WIKIPEDIA COMONS

La Revolución Francesa, que comenzó en 1789, fue el escenario sangriento de una miríada de trastornos políticos europeos. Ahora, el aprendizaje automático arroja luz sobre cómo la lingüística desempeñó un papel en la discusión de los ideales democráticos y la formación del nuevo gobierno.

Un equipo de investigadores, incluido el profesor asistente de la Universidad Carnegie Mellon, Simon DeDeo, utilizó el aprendizaje automático para analizar más de 40,000 transcripciones digitalizadas de los primeros dos años de debates del primer parlamento francés improvisado, durante el comienzo de la revolución.

"Lo primero que realmente salió y nos sorprendió fue que se puede distinguir entre izquierda y derecha no por lo que dicen, sino por cómo lo dicen", dijo DeDeo.

El estudio encontró que los revolucionarios liberales eran más propensos a usar giros novedosos de la frase para hablar sobre nuevas ideas, y también hicieron más discusiones descarrilando.

"Así que tienes estas personas realmente carismáticas que son esencialmente los timones de la revolución", dijo. "Dirigen esta conversación sobre cómo llevar a Francia a direcciones que nadie ha visto nunca".

Los conservadores, por otro lado, usaban patrones de lenguaje y habla más tradicionales, y tendían a mantener las conversaciones en el buen camino. DeDeo señaló que la situación de los conservadores en Francia se volvió cada vez más hostil a medida que la revolución avanzaba y muchos se vieron obligados a huir.

DeDeo dijo que el estudio confirma lo que muchos historiadores han pensado sobre los roles de los diferentes revolucionarios, lo cual es algo bueno.

"Porque ahora lo que tenemos es una herramienta computacional y matemática que podemos aplicar a muchos otros sistemas políticos diferentes", dijo.

DeDeo dijo que el equipo de investigación planea utilizar esta máquina de aprendizaje para analizar las transiciones democráticas de otros países, como Serbia, que son mucho menos entendidas.

El algoritmo de las hormigas para hacer puentes

El algoritmo simple que utilizan las hormigas para construir puentes

Incluso sin nadie a cargo, las hormigas del ejército trabajan colectivamente para construir puentes desde sus cuerpos. Una nueva investigación revela las reglas simples que conducen a un comportamiento grupal tan complejo.
1


Vaishakh Manohar

Kevin Hartnett  |  Quanta Magazine
Escritor sénior

Las hormigas del ejército forman colonias de millones sin embargo, no tienen un hogar permanente. Marchan a través de la jungla cada noche en busca de un nuevo terreno de forrajeo. En el camino, realizan hazañas logísticas que harían sentir orgulloso a un general de cuatro estrellas, incluida la construcción de puentes con sus propios cuerpos.

Al igual que los enjambres de robots baratos y tontos que exploré en mi artículo reciente, las hormigas del ejército manejan esta coordinación sin ningún líder y con recursos cognitivos mínimos. Una hormiga del ejército individual es prácticamente ciega y tiene un cerebro minúsculo que no puede comenzar a comprender su elaborado movimiento colectivo. "No hay un líder, ningún arquitecto que diga 'tenemos que construir aquí'", dijo Simon Garnier, director del Swarm Lab en el Instituto de Tecnología de Nueva Jersey y coautor de un nuevo estudio que predice cuándo una colonia de hormigas del ejército decidirá construir un puente.

El estudio de Garnier ayuda a explicar no solo cómo las hormigas no organizadas construyen puentes, sino también cómo llevan a cabo la tarea aún más compleja de determinar qué puentes vale la pena construir.


A medida que la brecha se amplía lentamente, un puente de la hormiga del ejército se derrumba y luego se recupera. Simon Garnier, Helen McCreery y el Instituto de Tecnología de Nueva Jersey

Para ver cómo se desarrolla esto, toma la perspectiva de una hormiga en la marcha. Cuando se trata de una brecha en su camino, se ralentiza. El resto de la colonia, aún avanzando a toda velocidad a 12 centímetros por segundo, viene pisoteando su espalda. En este punto, dos simples reglas entran en juego.

El primero le dice a la hormiga que cuando sienta que otras hormigas caminan sobre su espalda, se debe congelar. "Mientras alguien te pase, te quedas quieto", dijo Garnier.

Este mismo proceso se repite en las otras hormigas: pasan por encima de la primera hormiga, pero - uh - oh - la brecha sigue ahí, por lo que la siguiente hormiga en la línea se ralentiza, se pisotea y se congela en su lugar. De esta manera, las hormigas construyen un puente lo suficientemente largo como para abarcar cualquier brecha que se encuentre frente a ellos. Las hormigas que se arrastran en la colonia caminan sobre ella.

Sin embargo, hay más que eso. Los puentes implican compensaciones. Imagina que una colonia de hormigas llega a una brecha en forma de V en su camino. La colonia no quiere rodear la brecha, eso llevaría demasiado tiempo, pero tampoco construye un puente en la parte más ancha de la brecha que minimice la distancia que debe recorrer la colonia. El hecho de que las hormigas armadas no siempre construyan el puente minimizador de distancia sugiere que hay algún otro factor en su cálculo inconsciente.


Una brecha en forma de V ofrece a las hormigas una solución de compromiso: una ruta más directa requerirá más hormigas para construir. Christopher R. Reid, Matthew J. Lutz y el Instituto de Tecnología de Nueva Jersey

"En ecología cuando ves algo como esto, generalmente significa que hay una relación de costo-beneficio", dijo Garnier. "Intenta comprender: ¿cuál es el beneficio y cuál es el costo?"

El costo, según los ecologistas, es que las hormigas atrapadas en puentes no están disponibles para otras tareas, como la búsqueda de alimento. En cualquier momento de una marcha, una colonia puede mantener de 40 a 50 puentes, con tan solo uno y hasta 50 hormigas por puente. En un documento de 2015, Garnier y sus colegas calcularon que hasta el 20 por ciento de la colonia se puede bloquear en puentes a la vez. En este punto, una ruta más corta no vale las hormigas adicionales que se necesitarían para crear un puente más largo.

Excepto, por supuesto, las hormigas individuales no tienen idea de cuántos de sus colonos se están aferrando a una brecha. Y aquí es donde entra en juego la segunda regla. Como las hormigas individuales ejecutan el algoritmo "puente", tienen una sensibilidad a ser estampadas. Cuando el tráfico sobre sus espaldas está por encima de cierto nivel, se mantienen en su lugar, pero cuando cae por debajo de un umbral -tal vez porque muchas otras hormigas están ocupadas en la construcción de puentes- la hormiga se descongela y vuelve a unirse a la marcha.

Este nuevo artículo surgió de experimentos realizados con hormigas del ejército en la jungla panameña en 2014. Con base en esas observaciones, los investigadores han creado un modelo que cuantifica la sensibilidad de las hormigas al tránsito peatonal y predice cuándo una colonia se unirá a un obstáculo y cuándo lo hará. decidir, en cierto sentido, que es mejor dar la vuelta.

"Estamos tratando de averiguar si podemos predecir cuánto atajo harán las hormigas dada la geometría de su entorno", dijo Garnier.

La evolución ha equipado aparentemente a las hormigas del ejército con el algoritmo correcto para la construcción de puentes sobre la marcha. Los investigadores que trabajan para construir enjambres de robots simples todavía están buscando las instrucciones que les permitan a sus máquinas baratas realizar hazañas similares. Un desafío al que tienen que enfrentarse es que la naturaleza hace que las hormigas sean más confiables, y a un costo menor, que los humanos pueden fabricar enjambres de bots, cuyas baterías tienden a morir. Un segundo es que es muy posible que exista más comportamiento de hormigas gobernantes que dos reglas simples.

"Describimos hormigas del ejército como simples, pero ni siquiera entendemos lo que están haciendo. Sí, son simples, pero tal vez no sean tan simples como la gente piensa ", dijo Melvin Gauci, un investigador de la Universidad de Harvard que trabaja en la robótica de enjambres.

4 características de un científico de datos

4 habilidades fundamentales para ser Data Scientist

Los Científicos de Datos lideran los rankings mundiales de los profesionales más solicitados. Si bien adquirir este perfil no es complejo, es indispensable contar con conocimientos muy concretos.



En la “era de los datos” los Data Scientists son los reyes. Lideran numerosos rankings sobre los perfiles más demandados tanto en la Argentina como en el resto del mundo. Este fenómeno se debe a que estos profesionales son los que tienen los conocimientos apropiados para analizar inmensos volúmenes de datos con el objetivo de descubrir tendencias y detectar patrones. Así es como las empresas pueden anticiparse a diferentes escenarios y, por ende, tomar mejores decisiones para el negocio.

En este contexto, estos talentos en Estados Unidos tienen salarios que rondan los 111 mil dólares anuales, según la plataforma norteamericana Glassdoor. Además, hay escasez de profesionales, de hecho, como señala la consultora Gartner, en los próximos dos años hasta el 75% de las empresas invertirán en Big Data y necesitarán contratar a estos colaboradores.

Para ser Científico de Datos hay que contar con las siguientes habilidades:

1. Programación

Como trabajan con conjuntos de datos inmensos, no es posible apelar al Excel. Por este motivo, utilizan SQL (del inglés “Structured Query Language”), que es un lenguaje de programación especialmente diseñado para manipular y extraer datos de sistemas gestores de bases de datos relacionales, como MySQL y SQL Server, entre otros.

También es indispensable dominar Python. Se trata de un lenguaje que tiene una curva de aprendizaje corta que permite visualizar datos y automatizar procesos. Además, resulta útil para extraer datos o avanzar en trabajos de basados en aprendizaje automático.

2. Modelado Predictivo

 El modelado predictivo es lo que distingue al Científico de Datos del analista de datos. Los primeros tienen la tarea de predecir el futuro utilizando datos del pasado y el presente. Por ejemplo, si una tienda de electrodomésticos quiere saber cuántos calefactores va a vender el próximo invierno, el Data Scientist estima esta predicción cruzando datos tales como el historial de unidades comercializadas en el pasado, el pronóstico meteorológico histórico y la situación económica de los consumidores, entre otros para llegar a obtener una cifra aproximada. Para explotar esa gran cantidad de datos, el profesional utiliza métodos de aprendizaje automático tales como regresiones, máquinas vectoriales de apoyo o árboles de decisión para determinar la conducta de los consumidores y así anticiparse al comportamiento de la próxima temporada de venta de estos electrodomésticos.

3. Matemáticas

Ya sea para solucionar problemas o bien para interpretar información, los Científicos de Datos deben tener conocimientos de estadística y probabilidad, entre otros. De esta manera, es capaz de entender y representar datos de forma más apropiada.

4. Visualización

 Obtenidas las conclusiones buscadas, llega el momento de transmitirlas a los tomadores decisión de la compañía, y para eso es crucial que el Data Scientist cuente con habilidades de comunicación para transmitir sus hallazgos de forma clara y precisa. Para eso, existen librerías que son de gran utilidad como Matplotlib, Seaborn, plot.ly y Bokeh, entre otras.

La revolución digital ya comenzó, y este es uno de los motivos por los cuales las empresas de todas las industrias están creando la posición de Científico de Datos para que se desempeñen en distintas áreas, como Marketing, Ventas y Recursos Humanos, por mencionar solo algunas. Por este motivo, esta disciplina promete un gran futuro laboral para aquellas personas que tengan pasión por interpretar y analizar los datos que circulan entre nosotros.

Digital House

Explorando modelos en Netlogo

Exploración de modelos de NetLogo


Acoplamiento preferencial: este modelo simula cómo se crean redes; La mayoría de las veces, sólo unos pocos "hubs" están fuertemente conectados con el resto de la red, mientras que los otros nodos sólo tienen algunas conexiones. Es interesante observar cómo se forman esas conexiones y por qué algunos hubs son preferidos sobre otros. El gráfico log-log es especialmente interesante: al transformar el gráfico, se obtiene casi una línea recta. Como consecuencia, hay muy pocos hubs creados con el paso del tiempo. Además, con un modelo muy grande la línea recta sólo es visible para la primera mitad de los nodos; Mi interpretación es que en una red muy grande, es menos probable que sea elegido por el nodo más reciente. El resultado es que cada vez menos nodos muestran un alto grado de conexión, mientras que muchos de ellos sólo tienen un enlace.





Cambio climático: Realmente me gusta este modelo porque separa los diferentes agentes que influyen en el efecto invernadero. Como consecuencia, es más fácil seguir un rayo de luz y entender cómo las nubes y moléculas de CO2 impactan su trayectoria (botón "ver un rayo"). Es divertido tratar de conseguir la temperatura más alta (me detuve a 300 por tener 0 albedo y un montón de moléculas de CO2, pero supongo que subirá indefinidamente). También es interesante ver que la atmósfera tiene algún tipo de permeabilidad fija (con un brillo completo y sin albedo, la temperatura se estabilizará a 50 grados); O que las nubes disminuyen la temperatura, mientras que las moléculas de CO2 la aumentan.




Modelo de Segregación: este modelo no es tan complejo pero el resultado es impresionante; Bajo el 40% de similitud deseada, las flechas rojas y verdes se mezclaron muy fácilmente. Pero cuando se pasa este umbral, se puede ver claramente algunas fronteras que se están creando y diferentes grupos que se están formando. Además, cuanto mayor es el grupo y el mayor porcentaje de similitud, se necesita mucho tiempo para crear fronteras y hacer feliz a la gente.



Finalmente, opté por modificar el modelo de apego preferencial y lo rebautizé como el modelo de difusión de información. Mi objetivo era recrear la teoría de los "dos pasos de la comunicación". La idea es que los "exploradores" (personas en el borde de la red) descubren nuevas piezas de información (por ejemplo, inovaciones, por ejemplo); Si un explorador está conectado a un "hub" (alguien con muchas conexiones), la información se propagará al resto del gráfico y se convertirá en viral. Si el explorador no tiene las conexiones correctas, la información morirá. Para lograr este propósito, agregué un interruptor llamado "propagación" al modelo y cambié el color y el tamaño de los nodos a medida que la información se propaga a través del modelo; El código es bastante simple y funciona bastante bien.

Lecciones de auto-organización de las hormigas

Cómo organizar a las masas: las lecciones de las hormigas
Un crítico equilibrio entre la anarquía y el adocenamiento explica la cooperación eficaz
JAVIER SAMPEDRO - El País

Las hormigas intentan resolver uno de los experimentos del Weizmann. / EHUD FONIO/ OFER FEINERMAN

Un agente autónomo tiene muchas ventajas, pero cuando la tarea es demasiado pesada no hay más remedio que cooperar. Sin embargo, la cooperación entre agentes autónomos plantea dos problemas graves. ¿Cómo ponerlos de acuerdo para que todos tiren hacia el mismo lado? ¿Y cómo ajustar su comportamiento en respuesta a los retos del entorno? Una solución es copiar a las hormigas, que lo resuelven mediante un delicado equilibrio entre la anarquía y el adocenamiento.

El físico de sistemas complejos Ofer Feinerman y sus colegas del Instituto Weizmann de Rehovot, Israel, han sometido a la hormiga Paratrechina longicornis –una especie invasiva tan eficaz que ha colonizado los bosques y ciudades de todo el planeta— a toda clase de perrerías experimentales, como tener que transportar enormes piezas de comida o cambiarles la posición del nido al que tienen que regresar con ellas. Y han ido puliendo así sus modelos matemáticos para explicar el comportamiento colectivo de esos insectos. Presentan sus resultados en Nature Communications.

“La optimización del transporte surge de unas reglas de decisión que equilibran la individualidad y la docilidad”, dicen los autores

“A la escala de la hormiga individual”, escriben Feinerman y sus colegas, “la optimización del transporte surge de unas reglas de decisión que equilibran la individualidad y la docilidad”. Ser dócil es imprescindible para que todas las hormigas empujen en la misma dirección: basta que cada una copie a su vecina. Pero son unos pocos individuos particularmente bien informados los que pueden corregir la trayectoria de la turbamulta si ésta se dirige a un lugar erróneo. Lo que no es tan raro.

La individualidad, la docilidad y el sutil equilibrio se codifican en cada insecto –quien tiene un cerebro es la hormiga, no el hormiguero—, pero de la interacción entre esos agentes autónomos resultan propiedades nuevas. Este es el distintivo de un sistema emergente: un todo que es más que la suma de sus partes. El conjunto de hormigas se comporta de un modo bien conocido por los físicos: como un sistema cercano a una transición de fase.

Como el agua cerca del punto de congelación, donde se juega su naturaleza líquida o sólida, el sistema de hormigas se sitúa justo en la frontera entre el paseo aleatorio –la forma de andar de un borracho— y el movimiento balístico, que se dirige a un objetivo preciso. Por eso la llegada de una sola hormiga bien informada (una exploradora, o scout) es capaz de inclinar la balanza hacia la trayectoria correcta. Si el sistema de hormigas estuviera lejos de esa transición de fase, no habría manera de enderezar su conducta.

Logran transportar enormes piezas de comida o cambiarles la posición en el nido al que tienen que regresar con ellas
No es la primera vez que la cercanía a una transición de fase (a veces llamada “criticalidad”, o comportamiento crítico) se propone como un principio organizador de los sistemas biológicos. Los enjambres de abejas y las bandadas de pájaros se comportan también como sistemas críticos, y esa cercanía a una transición de fase les permite sus rápidas y espectaculares correcciones de rumbo. Experimentar con esos sistemas, sin embargo, plantea obvias dificultades y riesgos dolorosos. Las hormigas de Feinerman han resultado un sistema óptimo.

Importa reparar en que todos estos sistemas funcionan sin un control central. Es cierto que la hormiga exploradora puede ejercer un efecto drástico sobre el colectivo, como lo ejerce el pájaro que encabeza la V sobre la bandada que va detrás. Pero esos individuos en posiciones de privilegio no son quienes organizan el comportamiento de los demás: son quienes tienen la mejor información, pero las reglas del sistema no están en su cerebro, sino que emergen del conjunto. Más que verdaderos líderes, son auténticos listillos.

El futuro de la modelización basada en agentes en macroeconomía

Abmfuture V12

Leer más publicaciones en Calaméo

Los algoritmos no están matando la cultura creativa

Algoritmos no están matando Cultura Creativa
Los algoritmos son fundamentalmente no creativa. Cada conjunto de números crujían, cada resultado calculado, necesita un componente humano igual y quizás opuesta a traerlo a la vida.
KYLE CHAYKA - Pacific Standard



El Registro Nacional de Cine ha recopilado una lista de las películas americanas más importantes en la historia, seleccionados por un panel de expertos con décadas de experiencia académica. En un estudio reciente de la Universidad Northwestern, un programa informático crujía datos públicos en línea para generar casi exactamente la misma lista sin experiencia humana requerida. Por métricas que analizan como ingresos de taquilla, citas de Wikipedia, y la clasificación de búsqueda de Google, este algoritmo fue capaz de mejores críticos de cine humanos en su propio juego.

El estudio, publicado en las Actas de la Academia Nacional de Ciencias, sugiere que podemos utilizar métodos cuantitativos para llegar a lo que solemos ver como un juicio cualitativo de realización artística. Del mismo modo, un estudio de 2013 en la Universidad de Stonybrook encontró que con esta técnica de "estilometría estadístico", un tipo de sabermetrics para la cultura en lugar de béisbol un algoritmo capaz de predecir con un 84 por ciento de precisión que las novelas se convertirá en un éxito comercial. Empresas como Epagogix y defensores, como el ex profesor de estadística Vinny Bruzzese ofrecen análisis predictivo de guiones, así, intentar utilizar ecuaciones de adivinar simplemente que las secuencias de comandos funcionarán mejor.

Es fácil imaginar que estos algoritmos están matando la creatividad, que nos conduce por un camino a un dispositivo que escupe de nuevo los libros perfectos y guiones de cine como una versión literaria de coche auto-conducción de Google. Uno casi puede oír a los guionistas y novelistas recogidos del mundo gritando de angustia cuando contemplan su futuro irrelevancia. ¿Están los artistas van a ser sustituidos por programas de ordenador sin alma?

El software podría estar tomando un papel más importante que nunca en la creatividad cultural, pero por temor a su impacto no es por temor a que a diferencia de la prensa de Gutenberg mataría el arte de escribir en el siglo 15.

La paranoia es comprensible. Algoritmos ya gobiernan la mayoría de nuestras experiencias en línea, desde la selección de las historias que aparecen en nuestras noticias Facebook alimenta a decidir las fechas posibles en OkCupid. Están "conquistar el mundo", como una charla TEDx puso. Sin embargo, el miedo más grande de la mecanización, la noción aterradora que el arte creativo puede ser replicado tecnológicamente con sólo pulsar un botón, es infundado. Yo diría que más que nosotros sustitución, algoritmos computacionales En realidad nos proporcionan nuevas herramientas para reflexionar sobre nuestra propia cultura muy humano.

A pesar de que una escritura periodista artículos que los algoritmos pronto podrían replicar automáticamente a la Associated Press que ya está utilizando el software para generar sus informes sobre las ganancias corporativas, no estoy particularmente miedo de mi propia creatividad convirtiéndose en inútil. Eso es porque los algoritmos sólo son capaces de deducir las tendencias de los datos que se dan, decidir qué nuevos libros podrían ser piezas negociables o que de noticias convincente por juzgarlos contra ejemplos previamente exitosas. Carecen de una visión humana.

Ante esta incapacidad para "hacerlo nuevo", como Ezra Pound dijo, los algoritmos están atrapados en el pasado. Los grandes estudios y editoriales que dependen de análisis predictivo pudieron encontrar su trabajo de repente derivado en su intento de hacer sólo las apuestas asistido por ordenador más seguros posible.

Utilizando datos de la inspiración no es una práctica nueva. Amazon permite a los usuarios votar sobre los que los pilotos de televisión que produce. Netflix utiliza asimismo información sobre lo que los suscriptores ya miran a planificar su originales propios espectáculos-castillo de naipes se hizo porque los espectadores amaron La Red Social, que David Fincher también dirigió, así como la estrella Kevin Spacey. Estas estrategias imitar el efecto de los algoritmos de predicción sin que necesariamente el uso de ellos. Los escritores no han desaparecido ni tiene el mundo terminado, aunque la televisión puede ser un poco más aburrido como resultado.

Del mismo modo, Marvel y Warner Brothers están planeando decenas de películas de superhéroes de aquí a 2020. El último grupo de luchadores galácticas de gran presupuesto fue un éxito, por lo que los siguientes doce películas será, también, o lo que el pensamiento va. Puede haber un problema técnico, sin embargo, para ser eficaces, los algoritmos deben también cambian con sus audiencias, que eventualmente podría sufrir de agotamiento héroe imprevisto.

Mientras que atienden a la comerciabilidad podría ir en contra de la sensibilidad de algunos escritores, no es un pecado. Algoritmos predictivos exitosos también podría significar que los estudios hacen apuestas fuertes en sus películas independientes, incluso a medida que reducen el riesgo en sus títulos mega-presupuesto. Podría haber más espacio para complacer a la corriente principal y nichos de público por igual, además de fomentar el éxito sin precedentes rara como congelado, las niñas, o Jeff VanderMeer del Sur Alcance Trilogy.

Los algoritmos son una bala mágica. Claro, Hollywood podría saber que el público como las comedias extravagantes con dos protagonistas femeninas, pero que son esos personajes van a ser y lo que van a decir? La computadora no puede escribir un guión completo, ni de datos puede dar todas las respuestas. Debemos abrazar las formas algoritmos nos pueden ayudar en lugar de centrarse en cómo podrían hacer daño.

Los algoritmos son simplemente un punto de partida donde comienza el trabajo creativo real. Artistas y diseñadores visuales expertos en tecnología ya están mostrando cómo los algoritmos pueden aumentar la creatividad en lugar de reemplazarlo, con ecuaciones para abrir nuevos caminos creativos. De hecho, las computadoras podrían ser especialmente adecuado para encontrar justo lo que hace que el arte convincente. "Los algoritmos están diseñados para el procesamiento de la cultura humana," el artista londinense Mateo Plummer-Fernández dice.

El trabajo de Plummer-Fernández incluye esculturas abstractas y jarrones geométricas creadas por algoritmos repitiendo hasta que se forman formas que ningún humano podría imaginar. Las piezas nos muestran lo que parece cuando artistas y máquinas colaboran. "Algoritmos están profundamente hibridan con la actividad humana, de las intenciones de su programador a los datos humanos generados por las que se alimentan de", dice Plummer-Fernández.

En noviembre pasado, el artista Internet Darius Kazemi creado Generación Mes Nacional de Novela, una respuesta algorítmico al desafío anual novela-escritura de un nombre similar. En lugar de escribir una novela, Kazemi instó a los programadores a diseñar algoritmos que se salieron no sólo una idea para un programa de televisión, pero un manuscrito completo. Entradas a NaNoGenMo incluyeron un misterioso tomo faux-medieval por Liza Daly y un cómic detective noirish de Greg Borenstein. Cada vez que uno de estos algoritmos artísticas se ejecuta, un libro nuevo emerge, completamente único e imposible sin la ayuda de una ecuación.

Los nuevos libros no tienen sentido narrativo perfecto, de ahí la necesidad permanente de un editor humano. Pero tal es el defecto fatal de la cultura algorítmica. En realidad, es fundamentalmente poco creativo. Cada conjunto de números crujían, cada resultado calculado, necesita un componente humano igual y quizás opuesta a traerlo a la vida.

El futuro no es tan oscuro como la paranoia algoritmo podría sugerir. Así que anímate, novelistas reunidos: Software podría estar tomando un papel más importante que nunca en la creatividad cultural, pero por temor a su impacto no es por temor a que a diferencia de la prensa de Gutenberg mataría el arte de escribir en el siglo 15. Las nuevas herramientas tecnológicas tienen una manera de generar creatividad más humana, no menos.

Dinámica empresarial de vida y muerte de empresas

¿A dónde van las empresas cuando mueren?
Las empresas no pueden vivir para siempre, y el promedio de vida de una empresa que cotiza en bolsa cae. La buena noticia es que se conviertan en otras empresas.
BOURREE LAM - The Atlantic


Mike Segar / Reuters

En el trabajo económico clásico La naturaleza de la empresa, el economista Nobel Ronald Coase escribió acerca de por qué existen las empresas. El argumento de Coase era que las empresas reducir los costes de producción de bienes y servicios, porque es más fácil de coordinar personas y proyectos cuando todo se hace bajo un mismo techo. Pero hoy en día, la tecnología de las comunicaciones ha reducido drásticamente los costos de tener ciertos trabajos realizados fuera de la casa. ¿Serán las empresas vivir tanto como lo hacían antes?

No parece: Richard Foster, profesor de la Escuela de Administración de Yale, ha descubierto que el promedio de vida de una empresa S & P redujo de 67 años en 1920 a 15 años en la actualidad. Foster también encontró que, en promedio, una empresa S & P está siendo reemplazada cada dos semanas, y estima que el 75 por ciento de los S & P 500 empresas será reemplazado por nuevas empresas en 2027.

Con tantas empresas muriendo a un ritmo más rápido, lo que se da de ellos? ¿Son sólo va a pique? Un nuevo informe del Instituto de Santa Fe dice todo lo contrario: las empresas estadounidenses mueren para crear nuevas empresas o formar parte de otra empresa. En cuanto a una base de datos de 25.000 empresas 1950-2009, el grupo de investigadores empleó modelos matemáticos de la ecología teórica para mirar la vida útil de las compañías estadounidenses. Encontraron que las empresas que cotizan en bolsa se mueren a la misma velocidad, independientemente de la edad de la empresa o qué sector se encuentra. En su conjunto de datos, se encontró que la mayoría de las empresas viven alrededor de 10 años y la razón más común de una empresa desaparece es debido a una fusión o adquisición.

Este gráfico muestra los tamaños de 30.000 empresas que cotizan en bolsa, con unas ventas de estabilizarse ya que las empresas alcancen la madurez.

Los tamaños de las 30.000 empresas de Estados Unidos desde 1950 hasta 2009


Hamilton y Daepp / Santa Fe Institue

Los investigadores del Instituto de Santa Fe en cuenta que sus resultados son diferentes de lo que se ve en Europa y Japón. Este último es el hogar de más de 50.000 empresas que son más de 100 años de edad (incluyendo este 1300 años posada), aunque estas antiguas empresas familiares también están comenzando a enfrentar la mortalidad a la luz de la legislación sobre quiebras actualizada de Japón. Foster, por su parte, ha hecho un llamamiento a las empresas estadounidenses a abrazar la "destrucción creativa" en lugar de luchar contra ella.