EL VALOR Y DESAFÍOS DE LA CIENCIA DE LA COMPLEJIDAD

Un nuevo y convincente libro sugiere la necesidad de una revolución científica en la forma como se pone en práctica la ayuda a los necesitados. Pero hay desafíos clave.

La Ayuda a necesitados ha tenido cierto éxito, ayudando a sacar de la pobreza a mil millones de personas durante las últimas dos décadas. Pero establecer cuánto se ha hecho de una contribución es más complicado. Y ahora el reto es sostener eso y llegar a los siguientes mil millones que están más metidos en la pobreza que los primeros mil millones.

El investigador sobre Desarrollo Ben Ramalingam sostiene que lo hecho hasta ahora no va a cumplir con ese objetivo sin un replanteamiento fundamental. El libro de Ramalingam “Ayuda en el límite del caos”, publicado la semana pasada, hace que ese argumento sea convincente. Su documentación sobre los fracasos y sus interrogantes sobre los éxitos en la ayuda a necesitados – como en la erradicación de la viruela son impresionantes.

El libro aboga por una aplicación más cuidadosa y consistente de la misma clase de pensamiento científico que ha explicado cómo crecen los embriones o cómo mueren las galaxias: el análisis de sistemas adaptativos complejos, más ampliamente conocido como teoría de la complejidad.

La ciencia a menudo se aplica a sectores específicos de desarrollo, desde la salud hasta la agricultura y medio ambiente. Pero aquí, Ramalingam clama que la ciencia se sitúe realmente en el corazón de cada intervención de desarrollo – esencialmente desarrollo como ciencia.

El libro también cuestiona el modo en que las instituciones de desarrollo tienden a pensar de la ciencia, que  muestran que la ciencia no es más que un instrumento que se pone en un programa como una herramienta en una máquina. En lugar de ello Ramalingam y los teóricos de la complejidad argumentan que la ciencia puede dar forma al modo como concebimos los programas de desarrollo en sí mismos y lo que ellos deberían intentar lograr.

La ciencia de la complejidad no se trata de intervenciones para un mundo ordenado artificialmente, sino que se trata del entendimiento y documentación de las complejidades del mundo real, y este ha construido la capacidad para hacerlo. El enfoque es, como señaló David Dickson director fundador de SciDev.Net, prometedor. Y se aleja de la visión simplificada de la ciencia y la tecnología que la mayoría de ONGs típicamente tiene, como lo ha descrito Duncan Green de Oxfam.

Revelaciones del Pensamiento Sistémico

La estructura del libro refleja los sistemas adaptativos complejos que este describe. Al sumergirte en cualquier página a primera vista las ideas parecen vagamente familiares  y abrumadoras. Visto de este modo  el libro parece un tanto  repetitivo, haciéndose eco de la arrogancia y experiencia en mucha de la puesta en práctica sobre Desarrollo. Pero si se profundiza revela una estructura sutil e ideas genuinas sobre la aplicación del pensamiento de sistémico aplicados al Desarrollo.

Y es importante tener en cuenta que hay muchas opciones para poner en práctica – el libro no presenta un modelo único.

Me llama la atención que hay cuatro principios de la teoría de la complejidad para la Ayuda a necesitados y el Desarrollo. Primero, que la sociedad y la economía son, como la naturaleza, sistemas. De hecho las sociedades y las comunidades a menudo actúan como sistemas integrados en otros sistemas – piense en poblaciones vinculadas a políticas nacionales, instituciones tradicionales y mercados multinacionales. En segundo lugar los agentes en estos sistemas interactúan unos con otros y con su entorno constantemente y responden mutuamente a los cambios en ellos, esto significa que cada acción tiene una red de consecuencias en cascada, y el entendimiento de esta dinámica es crucial para entender el cambio.

En tercer lugar, a pesar de estas interacciones complejas, el comportamiento individual o institucional está gobernado por reglas simples que son el resultado de procesos evolutivos de adaptación, un ejemplo de esto podría ser la procreación en el mundo natural en que la variedad de formas en que los organismos tienen sexo está determinado por su entorno y respaldado por el impulso básico para mantener la especie.

Por último, este tiene una serie de implicaciones. Fundamentalmente, la necesidad de un mapeo comprehensivo del entorno, las redes, y la dinámica dentro de ellos, así como la necesidad de considerar el desarrollo como el facilitador de muchas acciones experimentales más que un diseño único, grande y estandarizado de intervenciones.

Las implicancias de todo esto son similares a los cambios de paradigma en las disciplinas científicas.

Desafíos de la Complejidad

Pero hay desafíos que enfrenta la aplicación de la teoría de la complejidad a la práctica actual del Desarrollo – muchas de ellas se reflejan en el libro en sí.

Ramalingam pone en claro que este no es un libro de instrucciones. Sin embargo, una descripción acumulativa clara de  sistemas adaptativos complejos desde la perspectiva de la planificación del Desarrollo ayudaría al argumento.

Alguien en algún lugar enfrentará el dilema de poner en práctica estas ideas – lo que se conocen el libro y en otros lados como “manera de pensar”- debido a que hay cuestiones prácticas complicadas alrededor de la implementación. Por ejemplo ¿Cómo conseguir el nivel de “zoom: adecuado para mapear a los agentes y las dinámicas cuando uno es consciente de que todo está conectado?

Una crítica constructiva y sustantiva de los sistemas adaptativos complejos para el Desarrollo podría ser útil. Esto es importante para el crecimiento de cualquier cuerpo de conocimiento científico.

También queda sin resolver la idea de que este tipo de análisis de sistemas es indiferente de la agenda normativa en el corazón del trabajo en Desarrollo: No dejar a nadie atrás. De hecho, describir la sociedad como un ecosistema natural requiere un enfoque bastante desapasionado sobre el sufrimiento y el poder. Por supuesto el análisis de sistemas podría mapear las dinámicas de género por ejemplo, pero se necesita hacer más trabajo para construir los argumentos, y casos de estudio para esto.

Y es necesario que haya más estudios de impacto de la ciencia de la complejidad – no tanto por demostrar su valor sino más por la síntesis y revisión de sus aplicaciones. Por ejemplo, todos los enfoques, modelos y herramientas derivados del análisis de la complejidad a los que el libro hace referencia ofrecen igual valor a pesar de la clara diferencia en lo contextos aplicados y los recursos que se necesitan.

Podría ser útil evaluar estas aplicaciones en relación con las fortalezas y debilidades de los diversos objetivos o parámetros relativos. Una vez más, esto está más allá del alcance de este libro, pero es para que lo considere la práctica del Desarrollo.

Cuando se trata de aplicación, necesitan considerarse la disponibilidad y calidad de los datos. Para poner el problema en perspectiva, sólo cinco de los países del África Subsahariana tienen registros actualizados creíbles de sus datos nacionales. Demasiados sistemas de datos están muy fragmentados para enfrentar el reto del análisis de la complejidad.

Esto pone de relieve que el cambio requerido a través del desarrollo de la práctica de la teoría de la complejidad no puede ser exagerado. Esto implica una revolución en las estructuras de financiamiento, la dotación de personal y la comunicación. Como Ramalingam señala, ningún sistema puede cambiar si cambia por sí mismo. Así que estamos de vuelta en un problema fundamental: ¿Cómo llevar a cabo el cambio institucional y la transformación social en una escala que hace la diferencia?

Curiosamente el libro menciona la experiencia del Banco Mundial con el análisis de la complejidad en torno a diversos aspectos de la reforma política en el Sudeste Asiático. Una de las lecciones claves que surgió de esta experiencia fue  que los reformadores necesitaron encontrar espacios donde el cambio ya estaba en marcha, o que es aprovechado con mayor facilidad en el sistema, y facilita el cambio. Efectivamente esto significaba  escalar de nuevo la ambición del banco, e incluso su visibilidad. Teóricos de la complejidad podrían querer recordar esta lección ya que ello construye su argumento.

Pero ninguno de estos desafíos es tan grave como para que los profesionales del Desarrollo pasen por alto los sistemas adaptativos complejos. Al igual que las caricaturas del libro, sería una vergüenza terrible ignorarlas. Ramalingam ha dado el punto de partida de un debate crucial acerca del uso de la ciencia en el Desarrollo – Busque las reacciones de los personajes claves en las páginas de opinión de SciDev.net

Nick Ishmael Perkins

Director de SciDev.Net

@Nick_Ishmael

Tomado de SciDev.Net

Traducción propia

System Dynamics Conference 2013

Cambridge, Massachusetts USA

July 21 – July 25, 2013

La Conferencia anual de Dinámica de Sistemas reúne gente de todo el mundo para compartir importantes resultados de investigación y aplicaciones, y construirla comunidad de quienes están activos en el campo. Para el 2013 volveremos al área de Cambridge-Boston, a solo unos minutos del MIT donde Jay Forrester condujo este innovador trabajo. La Conferencia, con el tema de : Creando el Futuro desde adentro, enfatizará los estudios prospectivos con un enfoque en dinámicas generadas internamente.

Quiénes deben asistir?

• Académicos: Comunica los resultados de tus investigaciones y conoce acerca de investigaciones que se llevan a cabo en todo el mundo.
• Consultores: Demuestra el poder de la Dinámica de Sistemas en el trabajo con clientes y mira lo que otros están haciendo.
• Practicantes: Muestra lo que tu organización está haciendo y aprende lo que está ocurriendo en otras partes.
• Estudiantes Graduados: Comparte tus investigaciones desarrolladas, obtén retroalimentación y descubre probables direcciones y colaboradores de tu investigación.
• Educadores: Deja que la gente sepa lo que estás haciendo y mira lo que está siendo hecho con estudiantes en todos los niveles.
• Gerentes y Hacedores de Políticas: Dile a otros lo que ves como valioso y descubre nuevas direcciones hacia donde tu organización se puede mover.

Habrán presentaciones plenarias que mostrarán importantes trabajos en el campo, que se llevarán a cabo en paralelo con sesiones de posters que ponen a disposición las más actuales investigaciones, aplicaciones y trabajos en desarrollo. Hay un día completo de talleres de desarrollo de habilidades que cubren un amplio rango de tópicos, desde uso de software básico hasta técnicas de análisis avanzado.

Además habrá un panel de discusión, sesiones de grupos de intereses especiales, coloquios de estudiantes, talleres de asistencia en modelamiento, eventos culturales, ferias de proveedores, exhibiciones, demostraciones, reuniones de sociedades de negocios, y otras actividades relacionadas. El cronograma de la conferencia proveerá de un tiempo para el relajo social e interacción profesional.

La Conferencia internacional anual de la Sociedad se celebrará alternadamente en América del Norte y Europa, con ocasionales apariciones en Asía y la Cuenca del Pacífico. Estas Conferencias  y las reuniones de los Capítulos locales y grupos de intereses, introducen a nuevos interesados en el campo, mantienen a los practicantes conscientes de los actuales desarrollos, y proveen oportunidades de networking sin igual.

Fechas Claves

February 1, 2013 Opening date for paper submissions and workshop and session proposals. 

 March 19, 2013 Submission deadline for papers review, workshops, tutorials, and session proposals. 

 May 8, 2013 Notification of acceptance; Scholarship applications due. 

 May 15, 2013 Final abstracts due for printed Abstract Proceedings. 

 May 29, 2013 Presenter registration deadline; Papers of unregistered designated presenters removed from program. 

June 7, 2013 Tentative program schedule available. 

 June 24, 2013 Conference registration fee increase and deadline for hotel reservations. 

 July 21, 2013 PhD Colloquium; Policy Council Meeting. 

 July 22, 2013 Cambridge, Massachusetts Conference Opening! 

 August 16, 2013 Deadline for final papers for Web Proceedings.

Para más información contáctese con:

Roberta L. Spencer, Executive Director
System Dynamics Society
Milne 300 – Rockefeller College, University at Albany
Albany, New York 12222  USA
Ph: +1 518 442-3865    Fax: +1 518 442-3398
E-mail: conference@systemdynamics.org
www.systemdynamics.org

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.

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

Arquitectura de la Complejidad (parte III)

EVOLUCIÓN DE LAS REDES

La emergencia de estructuras de escala libre y de distribución de grado ley de potencias puede ser trazada bajo dos mecanismos. Estos mecanismos están ausentes de los clásicos modelos de grafos aleatorios, y más bien se presentan en varias redes complejas [11]. Primero, los modelos de la teoría de grafos tradicional asumen que el número de nodos en una red es fijo. En contraste, al WWW continuamente se expande añadiendo nuevos sitios web, mientras que la Internet crece con la instalación de nuevos routers, computadoras y vínculos de comunicación. Segundo, mientras que los modelos de grafos aleatorios asumen que los vínculos están aleatoriamente distribuidos, la mayoría de redes reales exhiben una preferencia adjunta. De hecho, es más probable que una persona enlace páginas web a documentos altamente conectados en la WWW, cuya existencia es harto conocida. Los motores de la red además tienden a conectar las computadoras de sus instituciones a través de nodos de gran ancho de banda, los cuales inevitablemente atraerán a otros consumidores y links.

Basados en el número creciente de nodos así como en la preferencia adjunta, se ha considerado un modelo simple en el cual un nuevo nodo es añadido a la red en cada instante de tiempo [11]. EL nuevo nodo luego es vinculado a alguno de los nodos ya existentes en el sistema (Figura 3). La probabilidad Π(k) que un nuevo nodo conecte a un nodo con k links sigue una regla de preferncia adjunta tal como:

Π(k)=k / (Σ ki) ... (2)

donde la suma es sobre todos los elementos de la red. Las simulaciones numéricas indican que la red resultante es de escala libre, y la probabilidad que un nodo tenga k vínculos viene (1) con exponente γ³ [11]. La naturaleza de la ley de potencias de la distribución es predicha por el enfoque basado en la ecuación de razón [19] así como de una solución exacta del modelo de escala libre [20]. Este simple modelo ilustra como el crecimiento y la preferencial adjunta conjuntamente llevan a la aparición de la jerarquía de hub que ejemplifican la estructura de escala libre. Un nodo con más links incrementa su conectividad más rápido que un nodo con menos links, debido a que el ingreso de nodos tiende a conectar a aquellos con mayor probabilidad tal como lo hemos descrito en (2). Este modelo conduce a un fenómeno de retroalimentación positivo de riqueza-a-ricos, el cual es evidente en algunos sistemas competitivos.

EL TALÓN DE AQUILES DEL INTERNET

Como la economía mundial ha vuelto crecientemente dependiente de Internet, surge una preocupación acerca de si la funcionalidad del Internet puede mantenerse aún bajo fallas y ataques hackers. Internet ha probado ser remarcadamente resilente contra fallos. Aunque alrededor del 3% de los routers están típicamente caídos en momentos particulares, nosotros raramente observamos disrupciones mayores en Internet. ¿Cómo Internet se puso tan robusta? Mientras significativa tolerancia al error se construyen en los protocolos que gobiernan las comunicaciones de “pasos de paquetes”, la topología de escala libre del Internet además juega un rol crucial en hacer esto más robusto.

Figura 3 El nacimiento de una red de escala libre. La topología de escala libre es una consecuencia natural de la naturaleza expansiva de las redes reales. Comenzando de dos nodos conectados (arriba a la izquierda), en cada panel un nuevo nodo, el cual sem muestra como un punto abierto, es añadido a la red. Al decidir donde vincularse, nuevos nodos prefieren adjuntarse a los nodos más conectados. Gracias al crecimiento y a la adjunta preferencial, emergen unos pocos hubs altamente conectados. Después [1].

El concepto de percolación provee un enfoque para el entendimiento de la tolerancia al error inducida por la escala libre del Internet. La teoría de percolación especifica que la remoción aleatoria de nodos de una red da como resultado una transición de percolación inversa, cuando una fracción crítica fc de nodos es removida, los fragmentos de red sobrantes no comunican las islas de nodos. Sin embargo, simulaciones de redes de escala libre no apoyan las predicciones de la teoría de percolación [21]

Ver parte 1

Ver parte 2

Arquitectura de la Complejidad (parte II)

... viene de la parte I...

El propósito de este artículo es ilustrar, a través del ejemplo de la dinámica humana, que un entendimiento minucioso de un sistema complejo requiere un entendimiento de la dinámica de la red así como la topología y arquitectura de la red.

Luego de un panorama de la topología de las redes complejas tales como la Internet y la WWW, se dan los modelos generados por datos para dinámicas humanas. Estos modelos motivan el estudio de las dinámicas de las redes y sugieren que la teoría de la complejidad debe incorporar la interacción entre la dinámica y la estructura. El artículo además advierte la noción que un entendimiento de la dinámica de la red es facilitada por la disponibilidad de grandes conjuntos de datos y las herramientas de análisis venidas del estudio de la estructura de la red.

EL PARADIGMA DE LA RED ALEATORIA

Las redes complejas fueron inicialmente pensadas como si fueran completamente aleatorias. Este paradigma tiene sus raíces en los trabajos de Paul Erdös y Alfréd Rényi quienes, ayudando a describir las redes en comunicaciones y ciencias de la vida, sugirieron en 1959 que las redes se modelaran como grafos aleatorios [7], [8]. Este enfoque tomaba N nodos y los conectaba con L vínculos colocados aleatoriamente. La simplicidad del modelo y la elegancia de la teoría permitieron la emergencia de las redes aleatorias como un campo de estudio de las matemáticas [7]-[9].

Una predicción clave de la teoría de las redes aleatorias es que, a pesar de la posición aleatoria de los vínculos, la mayoría de nodos son asignados aproximadamente con el mismo número de vínculos. Ciertamente, en una red aleatoria los nodos siguen la distribución de campana de Poisson. Encontrar nodos que tienen un número significativamente grande o pequeño de vínculos en una elección aleatoria es por lo tanto raro. Las redes aleatorias son también conocidas como redes exponenciales porque la probabilidad de que un nodo esté conectado a otros k nodos decrementa exponencialmente por el tamaño de k (Figura 1). El modelo de Erös-Rényi, sin embargo, plantea la pregunta del si las redes observadas en la naturaleza son aleatorias. ¿Podría el Internet, por ejemplo, ofrecer servicio rápido y sin cortes si las computadoras estuvieran conectadas aleatoriamente unas con otras? ¿O podrías leer este artículo si los químicos en tu cuerpo repentinamente decidieran reaccionar aleatoriamente unos con otros sin pasar por la rígida red química que normalmente obedecen? Intuitivamente la respuesta es no, debido a que suponemos que detrás de cada sistema complejo hay una red subyacente con una topología no aleatoria. El reto del estudio de la estructura de redes, sin embargo, es escarbar en las señales de orden de la colección de millones de nodos y vínculos que forman una red compleja.

LA WORLD WIDE WEB Y LA INTERNET COMO REDES COMPLEJAS

La WWW contiene más de un billón de documentos (páginas web) los cuales representan los nodos de una red compleja. Estos documentos están conectados por un localizador de recursos uniforme (URLs), los cuales son usados para navegar de un documento a otro [Figura 2(a)]. Analizar las propiedades de la WWW, un mapa de cómo las páginas web están conectadas unas a otras se obtuvo en [10] usando un robot, o web crawler, el cual empezó desde una página web dada y recolectó las páginas a las cuales esta vinculaba (link). El robot luego siguió cada link de salida para visitar más páginas, recolectando sus respectivos links [10]. A través de este proceso iterativo una pequeña pero representativa fracción de la WWW puede ser mapeada.

Debido a que la WWW es una red direccionada cada documento está caracterizado por el número kout de sus links de salida, y el número kin de sus links de entrada. La distribución del grado de salida (entrada) por lo tanto representa la probabilidad P(k) de que una web seleccionada aleatoriamente tenga exactamente kout (kin) links. Además la teoría de grafos predice que P(k) sigue la distribución de la ley de potencias mostrada en la figura 2(c) y descrita por:

P(k) ~ k ^{– γ}, (1)

Donde γ_out ≈ 2.45 (γ_in ≈ 2.1).

Como lo ilustra la Figura 1, mayores diferencias topológicas existen en una red con una distribución de conectividad de Poisson y una con una distribución de conectividad de ley de potencias. De hecho la mayoría de los nodos en una red aleatoria unidireccional tienen aproximadamente el mismo número de links dados por k ≈ (k), donde el grado promedio. El decaimiento exponencial de la distribución de Poisson P(k) garantiza la ausencia de nodos con una significativa cantidad de nodos mayores que k y por ello impone una escala natural en la red. En cambio la distribución de ley de potencias implica que nodos con pocos links son abundantes mientras un pequeño número de nodos tienen abundantes links. Un mapa del sistema de carreteras de los EEUU, donde las ciudades son nodos y las autopistas son vínculos, ilustran una red exponencial. La mayoría de ciudades se ubican en la intersección de dos a cinco autopistas. Por otro lado, una red de escala libre es similar a los mapas de rutas de avión que se muestran en los folletos de vuelos. Mientras la mayoría de aeropuertos son alimentados por unos pocos transportistas, unos pocos hubs, tales como Chicago o Frankfurt, tienen enlaces a casi todos los aeropuertos en EEUU y Europa respectivamente. De este modo, al igual que los aeropuertos más pequeños, la mayoría de documentos WWW tienen un pequeño número de links, y , si bien estos links no son suficientes por sí mismos para garantizar que la red esté totalmente conectada, los pocos altamente conectados hubs garantizan que la WWW se mantenga unida.

FIGURA 1 Redes Aleatorias y de escala libre. El grado de distribución de una red aleatoria sigue la distribución de Poisson cerrada con la forma de una curva de campana, diciéndonos que casi todos los nodos tienen el mismo número de links, y que los nodos con un gran número de links no existen (a). Esto es, una red aleatoria es similar a una red nacional de carreteras en las cuales los nodos son as ciudades y los vínculos son las mayores carreteras que las conectan. De hecho la mayoría de ciudades son conectadas por aproximadamente el mismo número de carreteras (c). en cambio la distribución de grado de ley de potencias de una red de escala libre predice que la mayoría de nodos tienen sólo unos pocos links que se mantienen juntos por muy pocos hubs altamente conectados (b). Tal red es similar al sistema de tráfico aéreo, en el cual un gran número de pequeños aeropuertos están conectados unos a otros mediante unos pocos hubs mayores (d). Luego [1]

A diferencia de la distribución de Poisson, una distribución de ley de potencias no posee una escala intrínseca, y su grado promedio no brida mucha información acerca de la estructura de la red. La ausencia de una escala intrínseca en k en redes con distribución de grado de ley de potencias motivo el concepto de red de escala libre [11]. Una red de escala libre es por lo tanto una red cuya distribución de grado obedece la ley de potencias. Mediciones empíricas, sin embargo, que las redes reales se desvían del comportamiento simple de la ley de potencias. La mayoría de desviaciones típicas están en la parte plana del grado de distribución en los pequeños valores de k, mientras la minoría de desviaciones típicas se encuentran en el corte exponencial para valores altos de k. Esto es, un ajuste apropiado para el grado de distribución de redes reales tiene la forma de P(k)=P(k+k0)^(-y) .exp(-k/kx), donde k0 es el grado más pequeño del corte y kx es la longitud de la escala del grado más alto del corte exponencial. El comportamiento de escala libre de las redes reales es por lo tanto evidente sólo entre k0 y kx .

La topología de escala libre de la WWW motiva la búsqueda de topologías no homogéneas en otros sistemas complejos tales como el Internet. Así como la WWW, el Internet es una red física cuyos nodos son routers y dominios y cuyos vínculos son líneas telefónicas y cables de fibra óptica que conectan los nodos [Figura 2(b)]. Debido a su naturaleza física, se espera que el Internet sea estructuralmente diferente a la WWW, dónde añadir un link arbitrariamente a una página web remota es tan fácil como linkear una página web en una computadora en la habitación del costado. La red Internet, sin embargo, además parece seguir el grado de distribución de ley de potencias como se observa en [12] [Ver Figura 2(b)]. En particular el grado de distribución mostrado sigue una ley de potencias con exponente y=2.5 para el router de la red, y y=2.2 para el mapa de dominio, lo cual indica que el cableado del Internet está además dominado por muchos hubs altamente conectados [12].

19 Grados de Separación
Stanley Milgram mostró empíricamente en 1967 que dos personas cualesquiera están de 5 a seis “apretones de mano” alejados uno del otro. [13]. Esto es, la mayoría de humanos en la tierra parecen vivir en un pequeño mundo. Esta característica de las redes sociales es conocida como propiedad de los seis grados de separación (six-degrees of separation) [14]. Además los sociólogos sostienen repetidamente que los nodos en las redes sociales están agrupados en pequeños clusters. Estos clusters representan círculos de amigos y conocidos, y dentro de cada cluster un nodo está conectado a todos los otros nodos pero tiene sólo escasos vínculo con el mundo exterior [15]. La pregunta que surge es si el modelo del mundo pequeño es aplicable a la WWW y al Internet.

Debido a que no hay disponible un mapa completo de la WWW [16], se usan pequeños modelos de computadora de la WWW en [10], donde la distribución del vínculo coincide con la forma de medición funcional y donde las distancias más cortas entre cualesquiera dos nodos son identificados y promediados para todos los pares de nodos para obtener la separación promedio de nodos d. Repitiendo este proceso para redes de diferentes tamaños usando escalamiento de tamaño finito, un procedimiento estándar en mecánica estadística, se infiere en [10] que d=0.35+2.06.Log(N), donde N es el número de nodos de la WWW. Para los 800 millones de nodos de la WWW en 1999, el típico camino más corto entre dos páginas web aleatoriamente seleccionadas es pues alrededor de 19, asumiendo que cada camino existe, lo cual no está siempre garantizado debido a la naturaleza direccionada de la web. Como se muestra de forma empírica en [17], sin embargo, para 200 millones de nodos esta distancia es 16, en contraste con los 17 predichos en [10].

Estos resultados indican que la WWW representa un pequeño mundo y que el número típico de clicks entre dos páginas web es alrededor de 19, a pesar del número actual de más de 1 billón de páginas web. Además, la WWW muestra un alto grado de clustering [18], esto es, la probabilidad que dos vecinos de un nodo dado estén también linkeados es mucho mayor que el valor esperado para una red aleatoria. Finalmente, los resultados del reporte en [1] indican que el Internet además posee una estructura de pequeño mundo.

Arquitectura de la Complejidad (parte I)

Artículo de Albert-László Barabási. Pueden encontrar el original (en inglés) AQUÍ .

Estamos rodeados por Sistemas Complejos, desde células hechas por miles de moléculas hasta sociedades, una colección de millones de interacciones individuales. Estos sistemas exhiben señales de orden y auto-organización. El entendimiento y cuantificación de esta complejidad es un gran reto para la ciencia. La teoría cinética, desarrollada a finales del siglo XIX, muestra que las propiedades medibles de los gases, desde la presión hasta la temperatura, pueden ser reducidos al movimiento aleatorio de átomos y moléculas. En los 60's y 70's, investigadores desarrollaron enfoques sistemáticos para cuantificar la transición de desorden a orden en sistemas materiales tales como magnetos y líquidos. La Teoría del Caos dominó la búsqueda por entender el comportamiento complejo en los 80's con el mensaje que el comportamiento impredecible puede emerger de las interacciones no lineales de unos pocos componentes. Los 90's fue la década de los fractales, cuantificando la geometría de los patrones emergentes en sistemas auto-organizados, desde hojas hasta copos de nieve.

A pesar de estos avances conceptuales, no existe aún una teoría de la complejidad completa. Cuando intentamos caracterizar Sistemas Complejos, las herramientas de que disponemos fallan por diversas razones. Primero, los sistemas complejos no están hechos de componentes idénticos tales como los gases y los magnetos. Aún más, cada gen en una célula o cada individuo en una sociedad tiene su propio comportamiento característico. Segundo, mientras que las interacciones entre los componentes son manifiestamente no lineales, verdaderamente el comportamiento caótico es más la excepción que la regla. Tercero, y más importante, las moléculas y las personas no obedecen ni al desorden extremo de los gases, donde cualquier molécula puede colisionar con otra, o al orden extremo de los magnetos, donde los spins interactúan sólo con su vecindad inmediata en una rejilla periódica. Es más, en sistemas complejos, las interacciones forman REDES, donde cada nodo interactúa con sólo una pequeña cantidad de parejas seleccionadas cuyas presencias y efectos pueden ser sentidos en nodos muy lejanos.

Las redes exisen en todos los lugares y en todas las escalas. el cerebro es una red de células nerviosas conectadas por axons, mientras que las células son redes de moléculas conectadas por reacciones bioquímicas. Las sociedades, también, son redes de personas vinculadas por amistad, familia, y lazos profesionales. A una gran escala, redes de alimentos y ecosistemas se pueden representar como redes de especies. Por otro lado, las redes invaden la tecnología; como ejemplos tenemos la Internet, redes de energía eléctrica y los sistemas de transportes. Aún el lenguaje usado para transmitir pensamientos es una red de palabras conectadas por relaciones sintácticas.

A pesar de la pervasividad de las redes, sin embargo, su estructura y propiedades aún no son totalmente entendidas. Por ejemplo, los mecanismos mediante los cuales genes disfuncionales en una red genética compleja llevan a la producción del cáncer no es obvia, y la difusión rápida a través de redes sociales y de comunicación que llevan alas epidemias de enfermedades y los virus de computadotas aún no son bien caracterizados. Además, es importante entender cómo algunas redes continúan funcionando a pesar de fallas en la mayoría de sus nodos.

Investigaciones recientes están empezando a responder tales preguntas [1]-[6]. Hace unos pocos años los científicos han descubierto que las redes complejas tienen una arquitectura subyacente guiada po prinipios universales. Por ejemplo, muchas redes, desde la world wide web (www), los sistemas metabólicos de las células, hasta los actores de Hollywood, son dominados por un pequeño número de nodos que están altamente conectados a otros nodos. Estos nodos importantes llamados hubs, afectan en gran medida el comportamiento total de las redes. Como describimos en este artículo, os hubs hacen a las redes robustas contra fallas accidentales pero vulnerables a ataques coordinados.

(continua...)

Principios de la Ingeniería de Sistemas

Tomado de : http://sunwc.cepade.es/%7Ejrivera/org_temas/org_praxis/estructuras/s_e_estructura_org.htm

Principios fundamentales a seguir en la Ingeniería de Sistemas (IS):

Observación, consideración "holística"

La IS, es metodología "holística" (del griego, "holos"=todo): debe estructurar el tratamiento racional de proble­mas, o de los métodos para su solución, de tal forma que se tengan en cuenta "todos" los factores influyentes en la situación de problema.

En general, un enfoque de la IS difiere del tratamiento convencional de problemas en cuanto a su "generalidad", en su base lógica o mental, y en su búsqueda de los principios o factores más universales que puedan haber contribuído a provocar la situación-problema analizada.

Autopoiesis de los sistemas

La SE, como la Teoría general de Sistemas, parte del principio de que un sistema es construido como autocon­figurado y autodelimitado frente a su entorno, por "reducción selectiva de complejidad" conseguida desde el mismo sistema, y mantenida en su permanente auto-referencia y auto-reproducción ("autopoiesis").

El grado de complejidad de un sistema es siempre menor que el de su entorno. Esa complejidad se concreta en las relaciones entre las áreas de problemas, una empresa, p.ej., la reduce al seleccionar un segmento de mercado con determinadas necesidades a satisfacer.

Aprendizaje/Evolución

En el marco de la actividad empresarial de “creación de valor”, la INNOVACIÓN constituye quizá la actividad más importante (la que según Schumpeter constituía realmente la característica distintiva del Empresario-Emprendedor). Ahora bien, en la evolución del planteamiento de la ingeniería de sistemas era lógico que al querer extenderla a nuevos campos de trabajo hubiera que plantearse el tema de la innovación (en el dominio estudiado, es decir, en el campo de objetos) y el tema del aprendizaje del equipo o sistema-activo que realiza la configuración o ingeniería del sistema-solución.

El modelo básico de la “máquina cibernética” (como “máquina trivial”) era realmente inadecuado pues el “regulador” con las magnitudes-meta que sirven para controlar los flujos de inputs desde la medición del flujo de outputs es independiente de la situación del entorno. Por eso es preciso pasar a un modelo de “doble bucle” en que esas mismas magnitudes de control sean modulables según el entorno y los mismos inputs. Von Foerster utilizó el modelo de la “máquina de Turing” para desarrollar su “máquina no trivial” en que los outputs (soluciones a los problemas planteados) no sólo serán ya resultado de la “transformación” de inputs en un primer circuito cibernético, sino también dependerán de que las magnitudes de control de ese primer sistema productor de solucioines sea modulado por un segundo sistema (el sistema observador) inserto también en el mismo entorno y sometido a los mismos flujos de inputs. Ese sistema superior (sistema observador y activo) deberá pues ser capaz de “aprender”, es decir, ser capaz de manejar nuevas magnitudes (en orden a definir nuevos objetivos y metas, y también nuevos criterios o magnitudes de control). Los outputs de este sistema superior – que han de ser los que controlen el sistema-objeto en configuración – se configuran pues como resultado de su actividad (resultante de haber “aprendido”), una actividad que – en forma paralela a la de la configuración del sistema-objeto a la que denominamos “ingeniería” – se denomina “imaginería” (“Imagineering”).

El término debe formular la idea de que el proceso de la configuración del futuro (del sistema-objeto solución) implica un “des-aprender” contenidos tradicionales, y un “aprender” creativo de nuevos conceptos etc. (Hamel/Prahalad 1994 [1]).

El sistema activo no puede permanecer anclado en una estructura fija, sino él mismo deberá evolucionar “aprendiendo” en interacción continua con el campo de problemas analizado en que se configura (en ingeniería activa) el sistema solución. Tal aprendizaje deberá concentrarse en las competencias clave (¡Gestión del conocimiento!).

Temporalidad: principio de la consideración dinámica- evolucionista

Se trata de no olvidar la dimensión temporal, y de flujo de las situacio­nes-problema. La IS impone como principio metodológico no restringir la consideración de ningún problema al punto temporal del presente, es decir, superar la visión estaticista para llegar a ver toda situación problema en su dimensión de flujo temporal.

La IS considera los sistemas-objeto como algo dinámico, como algo donde ocurren eventos. El "modelo" construído en el sistema-configurador tendrá que poder representar al sistema-objeto como secuencia de estados distintos en dependencia del tiempo. La variabilidad temporal del sistema se refiere a:

- los tipos e intensidades de las relaciones entre el sistema y el entorno

- los tipos e intensidades de las relaciones en el interior del sistema

- las mismas propiedades de los elementos del sistema

- la misma estructura u ordenamiento mutuo de los elementos del sistema.

Sólo en esta apertura a lo nuevo se crea la base para realizar una ingeniería de sistemas que incluso cree mercados futuros.

Principio de la estructuración (jerárquica o en redes) de sistemas:

La IS, como la Teoría de Sistemas, parte del supuesto de que la mayoría de los sistemas se configuran en su tratamiento y reducción de la complejidad mediante la "interpenetración" de subsistemas (antes se hablaba de "partes") que a su vez reducen externa a ellos y crean complejidad interna. En atención a la estructuración interna del sistema-2 (sistema-objeto) en subsistemas, y en atención a las capacidades del subsistema cognitivo, la IS propone que todo método de solución de problemas complejos realice una división (análisis) de la temática a estudiar, y que la estructure (síntesis).

Este trabajo debe realizarse por diferenciación progresiva, por aumento del grado de detalle en el estudio de los objetos tratados.

Aunque el trabajo de estructuración tradicionalmente siguió el procedimiento de desglose "jerárquico" (por ejemplo, en estructuras arborescentes, como el árbol de funciones en el primer Value Analysis), hoy se trabaja en desgloses en "networks" (la técnica del "hypertext", por ejemplo) que además mantienen entre sus nudos relaciones no deterministas (según el concepto lógico de los conjuntos difusos - fuzzy sets).

Exigencia de la "reducción de complejidad"

La metodología de la IS impone "delimitar" - por diferencia frente al entorno - el ámbito del problema a elaborar. Esa delimitación implica dejar fuera del campo de estudio ciertos aspectos, los considerados menos relevantes, y destacar otros factores. Se pide a los métodos concretos que ayuden a realizar esta selección: p.ej. como en el Pareto, o ABC. Asimismo se pide distingan síntomas aparentes de causas o factores profundos. También se debe delimitar el campo de lo "factible" frente al de lo "utópico". En esta delimitación se pide se cumpla la racionalidad de la "aurea mediocritas" (evitar la "hybris" o el exceso): hasta el mismo cumplimiento excesivo de la norma jurídica puede llevar a vulnerar la norma de justicia ("summum ius, summa iniuria" - máxima legalidad, máxima injusticia).

Diferenciar entre Sistema Configurador y Sistema Objeto

La metodología normativa de la solución de problemas en la IS exige la constitución de un "sistema-configurador" o sistema-acción (que abarque la situación concreta y sus entornos, incluyendo el o los sujetos encargados del tratamiento de problemas. Un ejemplo de tal creación de sistema de solución de problemas con­siderados desde un enfoque común se encuentra en la formación de un "proyecto" (de AV, etc.) o en la creación de una "transfunción" como la del "Controlling" o la "Logística". Crear un sistema implica trazar sus límites frente al entorno.

La metodología de la IS impone además delimitar - por diferencia frente al entorno - el ámbito del problema a elaborar. Esa delimitación implica dejar fuera del campo de estudio ciertos aspectos, los considerados menos relevantes, y destacar otros factores. Se pide a los métodos concretos que ayuden a realizar esta selección: p.ej. como en el Pareto, o ABC. Asimismo se pide distingan síntomas aparentes de causas o factores profundos. También se debe delimitar el campo de lo "factible" frente al de lo "utópico". En esta delimitación se pide se cumpla la racionalidad de la "aurea mediocritas" (evitar la "hybris" o el exceso): hasta el mismo cumplimiento excesivo de la norma jurídica puede llevar a vulnerar la norma de justicia ("summum ius, summa iniuria" - máxima legalidad, máxima injusticia).

---

[1] Hamel G./Prahalad, C.K. (1994): Competing for the Future. Boston.

Encuentro de Sistemas Complejos

Encuentro de Sistemas Complejos

Applicattion of Complex Systems Methods in Engineering

Valparaiso, Chile

14 al 16 de Enero 2008

Los sistemas complejos, desde la célula hasta la ecoesfera, resultan de procesos de evolución y de adaptación. Presentan propiedades emergentes: el nivel microscópico subyacente hace emerger formas organizadas en el nivel macroscópico. Este, a su vez, influencia hacia el nivel microscópico. Las propiedades emergentes son robustas y se pueden estudiar desde diferentes puntos de vista. Ello depende de la clase de sistemas adaptativos complejos que se considere.

El aporte de las disciplinas formales para la modelación de sistemas complejos, ya sean naturales o artificiales, es considerable. ¿Qué sería de la modelación de sistemas complejos sin las transiciones de fase, la renormalización, los estados críticos auto- organizados de la física estadística, sin los sistemas dinámicos de la matemática, sin los sistemas discretos o los autómatas celulares y sin la informática?

La comprensión de los sistemas adaptativos complejos pasa necesariamente por su modelación. Algunos modelos quedan doblemente restringidos, según las reglas habituales de la ciencia: por un lado, deben ser lo más parsimonioso posible, con un contenido teórico inteligible; por el otro, deben permitir la reconstrucción del conjunto de datos que provienen de la observación de esos sistemas. La novedad, sin embargo, proviene de la cantidad de datos acumulados sobre los sistemas complejos, que hoy conoce una expansión muy rápida. No sólo bajo la forma de datos numéricos en patrones 1D, sino también de imágenes 2D y 3D. En ese flujo creciente de datos, la cuestión es detectar los patrones espacio- temporales a ser sometidos a las reconstrucciones racionales de la modelación y de la simulación. Dicha reconstrucción pone en acción métodos inductivos cada vez más sofisticados, con el apoyo de medios computacionales cada vez más poderosos. La actividad de reconstruir datos es, por naturaleza, interdisciplinaria. Ella permite asociar directamente cada disciplina con los especialistas provenientes de las disciplinas formales: matemáticas, informática y física.

Es justamente, en este ir y venir entre la adquisición de datos sobre la base de hipótesis modeladoras y su reconstrucción por medio de la modelación, que una ciencia de los sistemas complejos puede desarrollarse. Los sistemas complejos son objetos esencialmente pluridisciplinarios. Para un mismo objeto, hay teorías diferentes y heterogéneas de las cuales pueden dar cuenta: las actividades neuronales pueden pensarse, a la vez, como ecuaciones dinámicas y como estructura lógica para un determinado contenido.Queda aún mucho por hacer en el plano teórico-sobre la base de lo realizado en el siglo XX- de modo de tener conceptos y modelos que provean explicaciones elegantes a los fenómenos emergentes.

Objetivos

• Presentacion de la Sociedad de Sistemas Complejos (SC).
• Identificar áreas de trabajo conjunto, crear posibles equipos de colaboracion cientifica, analizar posibles acuerdos y proyectos en el area de los sistemas complejos y sus aplicaciones.
• Estudio para una propuesta de curso permanente y transversal de SC en los postgrados de Facultad de ciencias

Workshops

I Reconstruccion de dinamicas de comunidades cientificas: un ejemplo de la cognicion social

1. David Chavalarias :vice presidente de la Sociedad de Sistemas Complejos. Phd en ciencias cognitivas, CREA Ecole Polytechnique. Post-doctorado en sistemas complejos.
2. Jean phillipe Cointet :Phd student en sistemas complejos, CREA Ecole Polytechnique y TSV-INRA.
3. Carla Taramasco :responsable del comite "acciones en latino america" de la Sociedad de Sistemas Complejos. Phd student en sistemas complejos CREA Ecole Polytechnique.

II Desde los pixeles hasta los campos morfo- genéticos: Análisis, modelación y aprendizaje sobre embriogénesis

1. Emmanuel Faure: Phd student en ciencias cognitivas y sistemas complejos CREA Ecole Polytechnique.
2. (P) Masatoshi Funabashi: Phd student en matematica CREA Ecole Polytechnique.
3. (P) Miguel Luengo : Phd Student en ingenieria Universidad Politecnica de Madrid.

Por confirmar (P)

Ingeniería y Sistemas Complejos

Tomado de: Complejidad

La gran diferencia entre los sistemas biológicos y los de ingeniería es que los primeros son adaptativos y los segundos son fruto del diseño. Pero el abordamiento de la complejidad por parte de la Ingeniería (de Sistemas)* , hace que los sistemas de ingeniería se puedan considerar como sistemas complejos (redes de energía eléctrica, autopistas, organizaciones, Estados).

Algunas ideas, sin duda interesantes en este respecto, las expuso Julio Ottino, profesor de Ingeniería de la Northwestern University, en un comentario sobre >>> ingeniería de sistemas complejos <<< publicado en Nature en 2004.

Notas:

* Agregado mio.

CONFERENCIAS EN CIENCIA E INGENIERÍA DE SISTEMAS // UNI - Perú