Ciclo de Seminarios Sistémicos período Verano 2015, FIIS UNI

Systems Engineering Radio - Systems Thinking, Systems Science, Systems Engineering (Pensamiento de Sistemas, Ciencia de Sistemas, Ingeniería de Sistemas) - PODCAST ZERO

Systems Radio es un proyecto original de Kent Palmer, se trata de una serie de podcast con entrevistas y conversaciones acerca de Pensamiento de Sistemas, Ciencia de Sistema e Ingeniería de Sistemas.

Kent Palmer tiene un PhD en Ingeniería de Sistemas, es miembro de INCOSE, y tiene entre sus principales intereses la Ciencia de Sistemas, forma parte del Grupo de Trabajo de Ciencia de Sistemas que INCOSE tiene con la ISSS.

Todos los podcast estarán en su lengua original: INGLÉS

PODCAST ZERO

Invitados: Kent Palmer, Larry Earnest, Tim Weilkiens

Ciencia de Sistemas

Es un campo interdisciplinario de la ciencia que estudia la naturaleza de los sistemas complejos en la naturaleza, sociedad e ingeniería.

Es parte del amplio conocimiento de sistemas el cual puede ayudar a proveer un lenguaje común y fundamentos intelectuales, y llevar a la práctica conceptos, principios, patrones y herramientas de sistemas haciéndolos accesibles a la ingeniería de sistemas.

El siguiente diagrama resume las relaciones entre la ciencia de sistemas y otras secciones del cuerpo de conocimiento de la ingeniería de sistemas (SEBoK)

La ciencia de sistemas reúne la investigación en todos los aspectos de los sistemas con el objetivo de identificar, explorar, y entender los patrones de la complejidad que atraviesan varios campos disciplinarios y áreas de aplicación. Busca desarrollar fundamentos interdisciplinarios que pueden formar la base de teorías aplicables a todo tipo de sistemas, independiente del tipo de elementos o aplicación, adicionalmente, podría formar los fundamentos de una meta-disciplina que unifica las especialidades científicas tradicionales.

Las personas que piensan y actúan en un modo de sistemas son esenciales para el éxito tanto en la investigación como en la práctica. La investigación de sistemas exitosos no sólo aplicará pensamiento de sistemas al tema que está siendo investigado sino que además considera un enfoque de pensamiento de sistemas al modo en que la investigación es planeada y conducida. También debería ser beneficioso contar con personas involucradas en investigación quienes tengan, por lo menos, una consciencia de la práctica de sistemas e idealmente se involucren en las aplicaciones prácticas de las teorías que ellos desarrollan.

Referencias Primarias

Checkland, P. 1999. Systems Thinking, Systems Practice. New York, NY, USA: John Wiley & Sons.

Bertalanffy, L. von. 1968. General System Theory: Foundations, Development, Applications, Revised ed. New York, NY, USA: Braziller.

Flood, R.L. 1999. Rethinking the Fifth Discipline: Learning within the Unknowable. London, UK: Routledge.

Tomado del SEBoK

Traducción propia

¿Qué es un sistema para un Ingeniero de Sistemas?

La palabra sistema es usada en muchas áreas de actividad humana y en muchos niveles. Pero ¿Qué es lo que quieren decir los practicantes e investigadores de sistemas cuando ellos usan la palabra sistema? ¿Hay alguna parte de este significado que sea común a todas las aplicaciones? El siguiente diagrama resume el modo en que esta pregunta es explorada en esta área de conocimiento.

Se exploran los conceptos de sistemas abiertos y sistema cerrados. Los sistemas abiertos son descritos por un conjunto de elementos y relaciones, son usados para describir muchos fenómenos del mundo real. Los sistemas cerrados no tienen interacción con su entorno. En esta área de conocimiento se describen dos aspectos particulares de los sistemas, complejidad y emergencia, estos dos conceptos representan muchos de los retos los cuales hacen necesario el pensamiento de sistemas y una apreciación a la ciencia de sistemas en la Ingeniería de Sistemas.

Se presentan algunas clasificaciones de sistemas, caracterizados por  tipos de elementos o por su propósito.

Dentro del SEBoK un sistema de ingeniería es definido como una combinación compuesta de tecnología y personas en el contexto de entornos naturales, sociales, de negocio, públicos o políticos, creados , usados y sostenidos por un propósito identificado. La aplicación del enfoque de sistemas  aplicado a sistemas de ingeniería requiere la capacidad para ubicar los problemas y oportunidades en el sistema más amplio que los contiene, para crear o cambiar un sistema de ingeniería-de-intereses específico, y para entender y tratar con las consecuencias de estos cambios en los sistemas más amplios apropiados. El concepto de un "contexto de sistema" permite que todos los elementos del sistema y las relaciones necesarias  para soportarlo sean identificados.

Las discusiones de contextos de sistemas de ingeniería incluyen la idea general de grupo de sistemas para ayudar a tratar con situaciones en las cuales los elementos de un sistema de ingeniería son en sí mismos sistemas de ingeniería independientes. Para ayudar a proveer un enfoque  para las discusiones de como la Ingeniería de Sistemas es aplicada a los problemas del mundo real, se introducen en el área de conocimiento cuatro contextos de los sistemas de ingeniería:

1.- Contexto de los sistemas de producto

2.- Contexto de los sistemas de servicio

3.- Contexto de los sistemas empresariales

4.- Contexto de los sistemas de sistemas (sos) de capacidades.

Los detalles de cómo se aplica la Ingeniería de Sistemas a cada uno de estos contextos se describe en la Parte 4: Aplicaciones de la Ingeniería de Sistemas.

Referencias Primarias

• Bertalanffy, L., von. 1968. General System Theory: Foundations, Development, Applications, rev. ed. New York, NY, USA: Braziller.
• Magee, C. L., O.L. de Weck. 2004. "Complex System Classification." Proceedings of the 14th Annual International Council on Systems Engineering International Symposium, 20-24 June 2004, Toulouse, France.
• Rebovich, G., and B.E. White (eds.). 2011. Enterprise Systems Engineering: Advances in the Theory and Practice. Boca Raton, FL, USA: CRC Press.
• Sheard, S.A. and A. Mostashari. 2009. "Principles of Complex Systems for Systems Engineering". Systems Engineering, 12(4): 295-311.
• Tien, J.M. and D. Berg. 2003. "A Case for Service Systems Engineering". Journal of Systems Science and Systems Engineering, 12(1): 13-38.

Tomado del SEBoK

Traducción propia

Seminario Internacional : "La Ciencia de Sistemas en el Desarrollo Humano"

 

La Sociedad para la Ciencia de Sistemas - UNI FIIS y el Instituto Andino de Sistemas (IAS) organizan el Seminario Internacional "La Ciencia de Sistemas en el Desarrollo Humano", que se llevará acabo en el Auditorio de la Facultad de Ingeniería Industrial y de Sistemas de la Universidad Nacional de Ingeniería (UNI). El evento se realizará el 4 de agosto desde las 8:30 a.m. hasta las 6:30 p.m. El evento contará con la participación de expositores de España, EE.UU., Argentina y Perú.

EXPOSITORES:

Dr. Silvio Martinez (España) Experto en Modelamiento Sistémico y Dinámico

Dr. Hector Flores (EEUU) Experto en Sistemas Globales

Dr. Antonio Martino (Argentina) Experto en Sistemas Jurídicos y Políticos

Lic. Eva Sarka (Argentina) Experta en Sistemas Cibernético-Complejos

Dr. Ricardo Rodriguez-Ulloa (Perú) Experto en Sistemas Dinámicos Blandos

Inversión:

• Egresados en General S/. 50 (S/. 40 por pronto pago)
• Estudiantes S/ 20. (S/. 15 por pronto pago)
• Hasta el 4to ciclo con carné universitario S/ 15 (S/. 12 por pronto pago)

Fecha límite para Pronto Pago: 25 de Julio

Se entregarán certificados.

El número de cuenta al que deben pagar para la inscripción : N° de cuenta en el BCP : 19123732843067 

Es importante que envíen el voucher del pago escaneado a : isss.fiis.uni@gmail.com

Inteligencia colectiva y fútbol

Les presentamos este interesante material, mediante el cual se explica la inteligencia colectiva en el fútbol repasando conceptos de sistemas complejos, sistemas auto-organizados, comportamiento emergente. Y ,como todo en teoría de sistemas, es de aplicación general , no sólo en el ámbito del fútbol sino que tiene isomorfismos en  todos los niveles y categorías de sistemas

Documental, El Fútbol, Inteligencia colectiva

A menudo en el fútbol adquiere especial relevancia la figura del goleador como la persona capaz de batir al guardameta del equipo contrario, el portero al asumir la responsabilidad final de evitar que el rival se sitúe por delante en el marcador o el entrenador en su papel de pieza clave e ineludible en el diseño del juego del equipo. ¿Pero el éxito en el fútbol depende del buen rendimiento de cada figura en particular o es el trabajo de todos en conjunto lo que hace triunfar a un equipo frente a sus ambiciosos rivales?

Odisea les presenta este interesante documental donde analizaremos la importancia que la visión colectiva de conjunto adquiere en el ámbito futbolístico y comprobaremos que, precisamente, una visión excesivamente individualista en la preparación de un encuentro puede desencadenar en la más absoluta derrota. 

Bajo la premisa de que un buen equipo es aquel sistema humano hábilmente organizado para obtener óptimos resultados, observaremos cómo la inteligencia humana colectiva sólo emerge cuando cada individuo es consciente de su papel en una idea de equipo. Además, contaremos con la experiencia sobre el terreno de juego del entrenador Christian Gourcuff y su equipo que nos aportarán una perspectiva real y cercana de la relevancia de las estrategias colectivas en el ámbito futbolístico.

Investigación sobre hormigas reta las asunciones de la auto-organización

Algunas hormigas obreras son "más iguales" que otras.

Como con otros insectos sociales, se pensaba que los obreros eran esencialmente equivalentes en la jerarquía de una colonia de hormigas. Pero parece que unos pocos individuos bien informados forman grupos de decisiones que llevan a sus compañerasa nuevos hogares.

Los hallazgos podrían agregar una nueva dimensión a los modelos de auto-organización derivados de las hormigas.

"Aunque los sistemas auto-organizados parezcan muy eficaces bajo el supuesto de que los individuos siguen un mismo conjunto simple de reglas, la presencia de individuos claves, bien informados que cambian su comportamiento debido a experiencia previa general, podría mejorar su rendimiento aún más" escribieron biólogos de las Universidades de Bristol y la Universidad de Toulouse en un paper el pasado 24 de agosto en el Journal of Experimental Biology.

Para estudiar la "caza de nidos", Nathalie Stroemeyt y sus colegas Nigel Franks y Martin Giurfa recolectaron hormigas "cazadoras de casa", o temnothorax albipennis, de la costa sur del Reino Unido. Estas pequeñas hormigas marrón claro hacen nidos simples enterrados con arena sobre las grietas de las rocas.

Moviendo las hormigas en el laboratorio, Stroeymeyt les dió nidos artificiales bien abastecidos. Ella luego colocó nidos idénticos vacíos en el lado opuesto del territorio de las hormigas, cada espalda de las hormigas fue pintada con marcas de color individualmente identificable. Cámaras web y un software identificador de movimiento permitió a los investigadores seguir el movimiento específico de cada hormiga.

Una semana después Stroeymeyt colocó un segundo nido desconocido en el territorio y destruyó su casa original. Aunque algunas hormigas empezaron a correr por todas partes al azar, algunas pocas que ya habían explorado el nido alternativo fueron directamente hacia él.

Estas hormigas luego rápidamente volvieron al nido destruido a reclutar seguidores. Ellas repitieron el proceso hasta que hubieron las suficientes como para reubicar a toda la colonia.

La mayoría de estudios de cómo las hormigas encuentran nuevos nidos usa colonias no familiarizadas con el nuevo territorio, y asumen que todas las obreras siguen las mismas reglas. Pero esto no es realista, y como modelo para auto-organización y toma de decisiones distribuida - hormigas han inspirado varias formas de coordinación de tráfico, desde autos hasta datos- esto no parece ser óptimamente eficiente.

"Esto comienza a cambiar como pensamos acerca de la auto-organización", dijo Nicola Plowes, un ecologista del comportamiento y especialista en hormigas de la Universidad estatal de Arizona, quien no estaba involucrado en la investigación. "Individuos informados tomando esas decisiones provocan un proceso que es más eficiente que un simple sitema homogeneo auto-organizado"

Plowes cree que los hallazgos serán interesantes para técnicos y matemáticos que usan algoritmos basados en insectos.

"El aeropuerto internacional de Sky Harbor, por ejemplo, usa algoritmos basados en hormigas para el transporte de equipaje", dijo ella.

"Sabemos que incorporaando individuos informados podemos hacer que las cosas funcionen mejor y más rápido."

• Abstract del paper [English / Journal of Experimental Biology]


• Material adicional del paper (pdf) [English / tomado de Journal of Experimental Biology]

Artículo tomado de WIRED SCIENCE

TRADUCCIÓN DE ABSTRACT

En la auto-organización subyacen varios procesos colectivos en un gran grupo de animales donde emergen patrones coordinados y actividades a nivel de grupo a partir de interacciones locales entre sus miembros. Aunque recientemente se ha reconocido la importancia de la atuación de individuos claves en ciertos procesos colectivos, es ampliamente creido que decisiones de auto-organización son igualmente compartidas entre todos o un subconjunto de individuos que actúan como tomadores de decisión, a menos que existan conflictos significativos de intereses entre todos los miembros del grupo. Aquí mostramos que ciertos individuos son desproporcionadamente influyentes en las decisiones de auto-organización en un sistema donde todos los individuos comparten los mismos intereses : la selección de un nido para hormigas Temnothorax albipennis. Obreras que visitaron un buen nido disponible antes de su emigración (nido conocido) memorizaron su ubicación, y luego usaron su memoria para navegar eficientemente y encontrar este nido más rápido que através de exploración aleatoria. Adicionalmente estas hormigas obreras confiaban en su información privada para agilizar decisiones individuales sobre el nido conocido. Esto confirió un sesgo a favor de nidos conocidos sobre nidos nuevos durante la emigración. Obreras informadas mostraron tener un porcentaje tanto de reclutamiento como de transporte hacia el nido significativamente más alto que obreras ingenuas. Esto sugiere que fueron las principales determinadoras de la preferencia colectiva por nidos conocidos, y esto contribuyó bastante a mejorar la performance colectiva. En general estos resultados indican que las decisiones de auto-organización no son siempre equitativamente compartidas por todos los tomadores de decisión, aún en sistemas donde no hay conflictos de interés. Grupos de animales pueden, en cambio, beneficiarse del conocimiento de individuos bien informados que actúan como líderes en decisiones.

Traducción de artículo WIRED y abstract: blogfiisuni

Inteligencia Artificial y Cibernética

Es un lugar común escuchar el uso del término "cibernética" como equivalente de "aquel hecho informático en un entorno de computadoras y robots", por desgracia esta aberración no es exclusiva del hablar del ciudadano común y corriente poco informado, sino que ha alcanzado un alarmante uso generalizado entre académicos y profesionales de disciplinas relacionadas a ella.

Hace un tiempo escribimos un post sobre la definición de Cibernética , ahora , a modo de ejemplo y divulgación quisiéramos referirnos al tema de la Inteligencia Artificial y la Cibernética.

Para muchos estas dos disciplinas son muy afines, pero eso es sólo una apariencia,la utilización de algunos mecanismos cibernéticos en la Inteligencia Artificial de ningún modo la hacen Cibernética, pues ésta como disciplina tiene sus propios fundamentos.

De hecho, a manera de anécdota, cuando Humberto Maturana, respetado cibernetista, co-creador junto a Francisco Varela del concepto de "Autopoiesis", estuvo en los laboratorios de Inteligencia Artificial del MIT en los albores de esta disciplina, donde se aplicaban y discutían los postulados fundamentales de la Inteligencia Artificial, este salió bastante desilusionado por el mecanicismo reinante, él, biólogo de formación y cibernetista en ciernes, notaba serias complicaciones para el éxito e la Inteligencia Artificial fundada en dichos postulados. Tiempo después la Inteligencia Artificial tuvo un apogeo muy grande (mucho más del que nunca ha tenido la Cibernética) pero eventualmente a fines de los 80 y comienzos de los 90 se topo contra las dudas que ya había previsto, no sólo Humberto, sino muchos otros cibernetistas.

Para aclarar un poco el tema revisemos un resumen de los postulados principales de ambas disciplinas

(c) Paul Pangaro 1990 - traducción blogfiisuni

Podríamos intentar resumir diciendo que la Inteligencia Artificial es más "realista" en el sentido en que cree en una realidad objetiva, la cual tiene que descubrir, en cambio la Cibernética es más bien "constructivista", pues co-construye la realidad en una dinámica de relación y adaptatividad. Las implicaciones de estas diferencias son muy grandes.

Teniendo en cuenta lo antes mencionado podríamos notar que la Teoría del Caos, por ejemplo, se acopla mejor con un enfoque cibernético que con uno de inteligencia artificial. Por otro lado se nota también el espectro generalizable más amplio de la Cibernética, cuyos principios bien pueden ser aplicados, como de hecho lo es, a organizaciones sociales.

En ese contexto mostramos 2 videos que ya publicamos con anterioridad.

El primero contiene una explicación de la "crisis financiera mundial"

Este otro es de un robot llamado AMOS que fue construido tomando en cuenta no los postulados de la Inteligencia Artificial sino los de la Teoría del Caos, este un robot que puede moverse como un insecto, ali­men­tado por un cir­cuito sen­cillo es capaz de generar muchos com­por­tamien­tos com­ple­jos. El cir­cuito emplea la idea del teoría del caos de que los sis­temas son muy sen­si­bles a pequeños cam­bios, los cuales pueden ráp­i­da­mente ser mag­nifi­ca­dos. EL robot puede usar su cir­cuito sim­ple para respon­der a la luz y el sonido, sacar el pie de un agu­jero, o huir de obstácu­los lan­za­dos a su paso.

Cibernética

Tomado de la Enciclopedia de Teoría de Sistemas y Cibernética. (Charles Francois)

1. “Campo de control y comunicación en los animales y las máquinas” (N. Wiener 1948 p.11)

La visión original de Wiener es de hecho bastante mecanicista y corresponde a lo que será conocido como primera cibernética o cibernética de primer orden.

2. “El estudio de los sistemas que están abiertos a la energía pero cerrados a la información y control -sistemas que están apretados de información-“ (W. R. Ashby 1956 p.5).

La visión de Ashby es muy cercana a la de Wiener: “La cibernética trata con todas las formas de comportamiento en cuanto ellas son regulares, determinadas, o reproducibles... Lo que la cibernética ofrece es un marco de trabajo sobre el cual todas las máquinas individuales pueden ser ordenadas, relacionadas y estudiadas” (p.2)

El punto de vista de Wiener, y en menor medida el de Ashby, tienen resistencias considerables de parte delos investigadores de ciencias humanas.

Ashby mismo sin embargo escribió también: “La cibernética no estudia cosas sino modos de comportamiento. No pregunta ¿qué es esto? sino ¿qué hace esto?...la materialidad es irrelevante así como la tenencia o no de las leyes ordinarias de la física”. (1956 p.1)

Y además: “La cibernética no está condicionada por ser derivada de otras ramas de la ciencia. La cibernética tiene sus propios fundamentos.” (Ibíd.).

Cibernetistas alemanes prefirieron, por lo menos hasta 1970, definiciones más formales como puede apreciarse en las siguientes 4 definiciones:

3. “Ciencia de las estructuras de la información en dominios técnicos y no técnicos” (básicamente relacionados con tratamiento de datos) (Steinbuch 1955 p.325).

4. “Teoría y técnica de sistemas la cual transforma mensajes” (Frank 1959 p.30)

5. “Tratamiento matemático y constructivo de sistemas, funciones y relaciones generales” (von Cube 1967 p.11-16)

6. “La teoría de la ínter-conectividad de posibles sistemas auto-regulados con sus subsistemas” (Klaus 1965).

El cibernetista ruso Glushkov propuso en 1966 un concepto técnico bastante similar de cibernética:

7. “La teoría general de la transmisión de la información y... la teoría y principios de la construcción de las varias transformaciones de la información.” (1966)

Glushkov incluyo en su libro teorías de algoritmos, autómatas discretos, sistemas auto-organizados, lógica matemática. V. G. Drozin observó que: “…sus postulados traslapaban algunas cosas que la ciencia de la computación estaba enseñando en nuestro país (i.e. US) (1976 p.30)

8. “Disciplina que estudia regulaciones y comunicaciones en seres vivos y máquinas hechas por el hombre” (J. de Rosnay 1975 p.33)

Muy significativamente de Rosnay usa la palabra “regulación” y no “control” usada por Wiener. Como biólogo él está más acostumbrado al aspecto no intencionado de la regulación. Esto se ve mejor si uno recuerda que biólogos, psicólogos y sociólogos reaccionaron negativamente a los “controles” cibernéticos, que ellos consideraban un reduccionismo mecanicista, tentado , lo que es más, a inducir posibles manipulaciones a comportamiento humano (y animal).

Por otro lado de Rosnay añade: “Una definición más filosófica dada por L. Couffignal en 1958, ve la cibernética como: “El arte de asegurar la eficacia en la acción”. La palabra cibernética fue reinventada por Wiener en 1948 de la palabra griega “kubernetes” que significa “piloto” o “timón”. Uno de los primeros mecanismos cibernéticos de regulación en la máquina de vapor inventada por Watt y Boulton en 1788 fue llamado “gobernador”... La cibernética tiene así la misma raíz que “gobierno”: El arte de administrar y dirigir sistemas altamente complejos. (Ibíd.)

A partir de 1960 empezó a emerger una visión de la cibernética menos mecanicista con Stafford Beer, G. Pastk, H. von Foerster, M. Maruyama, H. Maturana y otros investigadores.

De acuerdo con Stafford Beer...”La cibernética estudia el flujo de información alrededor de un sistema y la manera como esta información es usada como un medio para regularse a sí misma. Esto funciona indiferentemente para seres animados o inanimados. La cibernética es una ciencia interdisciplinaria, en deuda tanto con la biología como con la física, tanto con el estudio del cerebro como con el estudio de las computadoras, y además muy en deuda con los lenguajes formales de la ciencia por proveer herramientas con las cuales el comportamiento de todos los sistemas puede ser descrito objetivamente” (1966 p.254)

Uno se pregunta si Beer actualmente usaría a palabra “objetivamente” debido a que ahora es generalmente admitido que el conocimiento científico puede ser falseado (Popper) y resulta de un proceso consensual a través de la conversación (Pask). Por supuesto y no obstante, aún podemos postular sin correr riesgos la existencia de una realidad objetiva , y todo esto no dañaría la utilidad de los modelos cibernéticos.

Luego Beer añade: “La cibernética es precisamente sobre la organización- para este es el medio sobre el cual se ejercita el control. Por lo tanto la cibernética puede además ser definida, como lo ha sido por ciertos escritores rusos, como la ciencia de la organización efectiva” (Ibíd. p.425)

En cualquier caso la visión de Beer no es mecanicista “La cibernética comienza cuando las posibilidades de la algoritmización de los sistemas de control termina” (Citado por Drozin 1976 p.28)

De acuerdo con Krippendorff: “En la cibernética las teorías descansan sobre 4 postulados básicos: variedad, circularidad, proceso y observación” (1986 p.20)

Como señaló este autor la variedad está muy relacionada a información, comunicación y control; circularidad es un resultado necesario de la retroalimentación , y la lleva ala autopoiesis; procesos vienen de retroalimentación, comunicación, regulación y control; y observación es la condición básica para la toma de decisiones y el control.

Científicos encuentran reglas universales para la estabilidad de una red alimenticia.

Flexibilidad de los depredadores mantiene la estabilidad en los ecosistemas

Científicos encuentran reglas universales para la estabilidad de una red alimenticia.

Con ayuda de modelos de computadora, científicos de Alemania, Austria y los Estados Unidos han descubierto reglas fundamentales que determinan la estabilidad de los ecosistemas. Los hallazgos, publicados en la edición de esta semana de Science (6 de Agosto del 2009), concluyen que la estabilidad de una red alimenticia es mayor cuando una mayor diversidad de vínculos depredador-presa conectan altos e intermedios níveles tróficos. Los cálculos también revelan que pequeños ecosistemas siguen diferentes reglas a lo largo de los ecosistemas: diferencias en la fortaleza de los vínculos depredador-presa incrementa la estabilidad de pequeñas redes,pero desetabilizan redes mayores.

Los ecosistemas naturales consisten en cadenas alimenticias entrelazadas, en las cuales animales individuales o especies de plantas actúan como depredadores o presas. Las redes alimenticias potenciales no sólo difieren por las especies que las componen, sino, además, por la variedad en su estabilidad. Las redes alimenticias observables son redes alimenticias estables con las relaciones entre sus especies restantes relativamente constantes durante largos períodos de tiempo.

El entendimiento de los sistemas complejos tales como las redes alimenticias presenta mayores retos para la ciencia. Ellso pueden ser examinados o por observación en su ambiente natural, o por simulaciones de computadora. Para lograr las simulaciones de computadora de tales sistemas, los científicos a menudo tienen que hacer asunciones que los simplifiquen, manteniendo el número de parámetros del sistema tan bajo como sea posible. Aún así, la demanda computacional de tales simulaciones es alta y su relevancia a menudo limitada.

Científicos del Max Planck Institute para la Física de Sistemas Compejos (MPIPKS) en Dresden, Alemania, han desarrollado un nuevo mñetodo que les permite analizar eficientemente el impacto de innumerables parámetro sobre sistemas complejos.

“Mediante el uso de un método llamado Modelamiento Generalizado, nosotros examinamos si una red alimenticia dada puede, en principio, ser estable, i.e., si sus especies pueden coexistir en el largo plazo,” dice Thilo Gross del MPIPKS. Los sistemas complejos pueden, de hecho, ser simulados y analizados bajo casi cualquier condición. “De este modo podemos estimar cuáles parámetros mantendrán al ecosistema estable y cuáles perturbaran su balance.” El método además puede ser usado para examinar otros sistemas complejos, tales como el metabolismo humano o la regulación de genes.

Generalistas en estabilizar, especialistas en desestabilizar

Aplicando este innovador enfoque de modelamiento junto con colegas en el International Institute for Applied System Analysis (IIASA) en Laxenburg, Austria, y la Universidad Princeton, Estados Unidos, los científicos tuvieron éxito descubriendo no sólo una, sino varias reglas universales en la dinámica de los ecosistemas.

La estabilidad de la red alimentaria es mayor cuando las especies en altos níveles tróficos se alimentan de múltiples especies de presas, y especies en intermedios níveles tróficos son alimento para múltiples especies de depredadores”, dice Ulf Dieckmann del IIASA

Los científicos además han identificado factores adicionales estabilizadores y desestabilizadores en los ecosistemas. Los ecosistemas con alta densidad de vínculos depredador-presa tieen menos probabilidades de ser estables, mientras que una fuerte dependencia de la depredación sobre la densidad de depredadores desestabiliza el sistema. Por otro lado, una fuerte dependencia de depredación sobre la densiad de presas tien un impact estabilizador sobre las redes alimenticias.

La diferencia entre pequeños y grandes sistemas

Otro hallazgo importante es que las redes alimenticias consistentes de sólo unas pocas especies se comportan cualitativamente distinto que redes consistentes de muchas especies. “Pequeños ecosistemas aparentemente siguen reglas distintas que grandes Sistemas”, dice Ulf Dieckmann. “Sistemas con pocas especies son más estables si hay fuertes interacciones entre algunas especies, pero sólo interacciones débiles entre otras. Para redes alimenticias con muchas especies, es cierto exactamente lo opuesto. Extremadamente fuertes o débiles vínculos depredador-presa en la naturaleza deben, por ende, ser para especies raras contenidas en una red alimenticia”, concluyó.

Trabajo Original:

Thilo Gross, Lars Rudolf, Simon A. Levin, Ulf Dieckmann
Generalized Models Reveal Stabilizing Factors in Food Webs
Science, August 6, 2009

Artículo original (en inglés) tomado del Max Planck Institute

Material Anexo (en inglés) tomado de la Revista Science

Sistema Complejo

SISTEMA COMPLEJO: "Un sistema hecho de un gran número de partes que interactúan de una manera no simple" (H. Simon 1965 p.63).

H. Simon comenta esta definición como sigue:"En tales sistemas el todo es mayor que la suma de las partes, no en un sentido final metafísico sino en el importante sentido pragmático, dadas las propiedades de las partes y las leyes de su interacción no es un asunto trivial inferir las propiedades del todo. Frente a la complejidad, un reduccionista en-principio puede ser al mismo tiempo un holista pragmático" (p. 63)

Uno podría añadir que en algún sentido un sistema complejo es menos que la suma de las partes, debido a que éstas siempre abandonan algunas de sus propiedades mientras son inhibidas por restricciones resultantes de sus interacciones locales o globales.

El sistema complejo no es simplemente complicado pues estas restricciones generalmente son de varios tipos y recíprocamente restrictivas. La complejidad está organizada y los sistemas complejos presentan clausura organizacional.

Por supuesto, desde otro punto de vista la complejidad está en los ojos del observador como explica R. Rosen: "Definimos un sistema complejo como uno con el cual vamos a interactuar efectivamente en muchas maneras, las cuales requieren diferentes tipos de descripción" (1977 p.229)

J. L. Lemoigne propone las siguientes 9 características, cada una de las cuales aumenta la complejidad de un sistema

1) Ser identificable;

2) Ser activo;
3) Ser regulado;
4) Estar informado sobre su propio comportamiento;
5) Ser capaz de decidir su propio comportamiento;
6) Estar dotado de memoria;
7) Ser capaz de coordinar sus decisiones de comportamiento;
8) Ser capaz de imaginar o concebir nuevas posibles decisiones
9) Ser capaz de finalizarse por sí mismo.

(1990)

[Extraido del "Dicionario de Teoría de Sistemas y Cibernética" compilado por Charles Francois]

Cibernética, Ciencia de Sistemas, Teoría del Caos, Ciencia de la Complejidad

Cibernética, Ciencia de Sistemas, Teoría del Caos, Ciencia de la Complejidad, y algunas otras, son los nombres de una serie de acercamientos transdisciplinarios a una permanente necesidad científica de identificar y formalizar los principios generales que rigen el comportamiento de los sistemas complejos como entidades – comportamientos holísticos que no pueden ser deducidos a partir de las propiedades de sus componentes.

Cada uno de estos temas parecen haber empezado independientemente a partir de las interacciones entre un grupo de investigadores quienes encontraron que los principios generales que ellos descubrieron, en su campo particular de estudio, eran los mismos aunque a menudo con nombres distintos dependiendo de sus intereses específicos. Las personas identificadas como “fundadores” de las disciplinas de sistemas eran básicamente quienes generalizaban esos principios generales y sistematizaban la terminología. De este modo ellos a menudo descubrían una gran cantidad de nuevas aplicaciones y expresiones de éstas fuera de su campo original de investigación, lo cual permitía un entendimiento mucho más profundo de los fenómenos de sistemas- como un todo- que se resistieron a la comprensión del paradigma de la ciencia normal (reduccionismo). Uno de los grandes precursores de la aproximación a las totalidades fue el físico Erwin Schrödinger, en su ¿Qué es la vida? El mostró cómo la vida como una propiedad holística de ciertos sistemas complejos puede ser entendida desde los principios de la termodinámica general más que desde las propiedades de los aminoácidos, genes o células. Schrödinger es como un antecesor común de todos los acercamientos involucrados a la ciencia de sistemas, que los primeros cibernetistas llamaron “sistemas auto-organizados” los cuales son el objetivo principal de estudio de los investigadores de la complejidad hasta los días presentes (¡y con el mismo nombre!).

El punto es que la cibernética y la Teoría General de Sistemas emergieron independientemente de grupos un poco distintos de disciplinas establecidas, y con diferentes fundadores emblemáticos.

Bertalanffy en Sistemas (desde la biología) y Wiener, McCulloch, Pitts, Ashby, etc., en Cibernética (básicamente desde la física y la neurofísiología). Nunca vinieron juntos realmente – mucho debido a sus personalidades difíciles, yo creo. Aunque ambas nos dieron una idea más profunda de cómo funciona la naturaleza, de alguna manera aún no era el momento para su reconocimiento por la ciencia “normal” institucional (Kuhn). Mucho de los científicos que enfocaron su trabajo desde el punto más general de esta “metaciencia” prefirieron no referirse a ella como “cibernética” o algo parecido, para “no asustar” a los lectores de sus disciplinas respectivas, o, si lo hicieron, al poco tiempo reformularon sus trabajos en términos más circunscritos a su ámbito, aunque ellos nunca perdieron su enfoque general.

Pero estos problemas complejos nunca estuvieron lejos en el mundo real. Un grupo nuevo y más joven de científicos interdisciplinarios cristalizaron la Teoría del Caos. La mayoría parecía no tener idea que mucha de sus muy fructíferas ideas habían sido generadas en la cibernética pero con otros nombres – recuerdo a Heinz von Foerster escribiendo algo sarcásticamente acerca de los “atractores extraños” en la teoría del caos, y mostrando cómo todas las ideas de ésta habían sido trabajadas antes por el cibernetista Ross Ashby. Pero la gente del caos descubrió nuevos principios generales y realizaron los fundamentos del comportamiento caótico con las matemáticas básicas de Poincaré y otros. También lo usaron para tener nuevas luces a problemas como la estructura de los anillos de Saturno y muchos otros tipos de sistemas dinámicos. El punto es que como nuestro conocimiento científico del mundo se expandía muy rápidamente así como la frustración de muchos científicos jóvenes respecto a la ciencia clásica normal. Y entonces, la rueda fue reinventada unas cuantas veces con nombres diferentes –jóvenes investigadores quienes sólo han oído e la cibernética cosas como sexo digital no han regresado y estudiado lo que hicieron otros anteriores como McCulloch, Ashby, etc., ellos siempre tuvieron sus propios problemas urgentes que resolver.

Tengo ahora la sensación que la Ciencia de la Complejidad puede ser el último gran paso en esta línea entera de pensamiento, y puede estar aquí para quedarse. Esto tiene sus orígenes en la Teoría del Caos pero va más allá de ella, y parece sostenerse en todas las disciplinas ,de la historia y la antropología a la física y astronomía (con el apoyo de la dura teoría de la física de materia condensada). Noto que cada vez más investigadores de la complejidad están usando ahora la Ley de Variedad de Ashby, McCulloch sobre heterarquías, de von Foerster sobre crecimiento “hiperexponencial” (ley de potencias) y singularidades en sistemas sociales, etc.. El trabajo de bertalnffy sobre patrones de crecimiento alométrico en sistemas biológicos es ahora reconocida como una ley de potencias básica universal y (yo creo) Mandelbrot lo observó en su estructura fractal (aunque algunos aún estén reinventando la rueda).

La Ciencia de la Complejidad está lentamente adquiriendo una base institucional en el mundo académico --Aunque con una poderosa oposición de la estructura disciplinaria clásica normal -- y se podría sostener. Ellos lograron entrar en el Instituto de Santa Fe y nuevos institutos estan abriendo aún en el tercer mundo. El punto es que la complejidad del mundo se está incrementando así como sus interacciones en él, y los problemas complejos resultantes están presdionando nuestra vida desde muchos ángulos. Muchos de estos problemas como el calentamiento global, amenazan nuestra propia existencia. La ciencia normal no puede tratar con ellos y a penas los trata como especulaciones: la ciencia normal demanda (y cree en ) predicciones exactas de eventos específicos; la gran evolución de este nuevo paradigma ha mostrado concluyentemente que los sistemas complejos auto-organizados generan comportamientos emergentes que son esencialmente impredecibles, pero tampoco son aletorios y son sólo entendibles en retrospectiva. La evolución de la ciencia desde las Conferencias de Macy en los lejanos 40's hasta las muchas Conferencias de Complejidad de hoy pueden ser vistas como un sistema adaptativo auto-organizado que tiene emergencias a partir de la interacción entre todas las disciplinas sobre las restricciones mutuamente generadas en nuestro finito mundo habitable.

Texto de John Earls