UNIVERSIDAD YACAMBÚ VICERRECTORADO DE INVESTIGACIÓN Y POSTGRADO

INSTITUTO DE INVESTIGACIÓN Y POSTGRADO DOCTORADO EN GERENCIA

SEMINARIO AVANZADO LA SIMULACIÓN COMO HERRAMIENTA GERENCIAL

NOCIÓN CONCEPTUAL DEL MODELADO BASADO EN AGENTES (MBA)

Autor: Mg. Rixio Nuñez Carruyo

Lechería, Marzo de 2015

  2

INDICE

pp.

Introducción………………………………………………………………………… 3

Modelado Basado en Agente...….………………….………………………………. 4

El Agente……….………………………………………………………………... 5

Metodología del Modelado Basado en Agente………………………………...... 7

Tipos de Modelado Basado en Agente...………………………………………… 8

Beneficios del Modelado Basado en Agente...…………………………………... 9

Aplicaciones del Modelado Basado en Agente…...……………………………... 10

Conclusiones…………………..……...….………………………………………..... 13

Referencias Bibliográficas…………...….………………………………………...... 14

  3

INTRODUCCIÓN

El inicio del XXI, ha permitido avizorar lo que será el futuro de los avances

científico-tecnológicos en un corto plazo. De allí pues que, lo que parecía

inconcebible hasta hace muy poco hoy día practicamente pasa desapercibido. Un

ejemplo de este comentario se aprecia en el sector aeronautico, al punto de existir

aviones no tripulados llamados “drones”. Un hecho inimaginable apenas unos años

atrás. Asi de drásticos han sido los cambios y las innovaciones en el campo

tecnológico.

En este contexto, las ciencias computacionales han hecho aportes ilimitados a la

comunidad científica y la sociedad en general. Uno de ellos es la Simulación

Computacional y uno de sus más conspicuos proyectos, el Modelado Basado en

Agente (MBA).

Con este ensayo, intento apenas bosquejar algunos de los aspectos más

importantes del Modelado Basado en Agente, considerado como una herramienta de

investigación que facilita el estudio de fenómenos complejos a través de la

abstracción de la realidad, al recrear de forma controlada la dinámica operacional de

cualquier sistema, atendiendo cuidadosamente cada una de las multiples interacciones

que ocurren en la vida real, pero en este caso producidas en un laboratorio, lo cual

permite ganar tiempo y evitar gastos innecesarios en recursos.

  4

MODELADO BASADO EN AGENTES (MBA)

Hoy día, es innegable la coexistencia del fenómeno de la complejidad, en la

mayoría de las organizaciones empresariales grandes o pequeñas, instituciones

gubernamentales o en cualquier grupo social, congregados con la finalidad de

alcanzar algún objetivo colectivo. Quizás por la manera vertiginosa como suceden los

cambios en la dinámica del mundo moderno y el acelerado crecimiento de los

avances tecnológicos, se han generado novedosos esquemas productivos y por

supuesto nuevas formas de consumo, que van complejizando apresuradamente todos

los ámbitos de la sociedad.

Dentro de este marco, creo que es evidente distinguir una de la estrategias

emergentes en la nueva dinámica gerencial, me refiero a la simulación

computacional. Es una herramienta necesaria para conquistar el éxito en la gestión

gerencial del nuevo milenio, porque permite realizar una experimentación controlada

del cualquier ámbito del negocio, evitando riesgos y costos innecesarios, al no verse

interrumpido el normal desenvolvimiento del sistema real. Otro elemento importante

a destacar es que propicia la innovación, porque funciona como medio eficaz para el

entrenamiento y capacitación especializada del personal.

Ahora bien, una de las técnicas desarrolladas en la simulación computacional es la

Modelación Basada en Agente (MBA). Cardoso, Bert y Podestá (2011), citados por

Ovalle (2014), plantean lo siguiente:

Los MBA ofrecen una herramienta para desarrollar modelos computacionales de como los agentes actúan e interactúan entre sí y con el ambiente que los rodea para describir patrones de comportamiento y organización emergentes de un sistema. A su vez, los MBA representan las retroalimentaciones que ocurren dentro del sistema y permiten evaluar como el comportamiento individual de los agentes es influenciado y se adapta por el funcionamiento del sistema (p. 19)

El MBA, es un programa informático que permite simular la interacción de

múltiples variables “probables” que pudieran afectar la gestión organizacional, lo cual

  5

es de gran utilidad para las ciencias gerenciales, porque logran estudiarse los diversos

escenarios que puedan presentarse en el futuro y en consecuencia, contribuir

efectivamente en el proceso de toma de decisión. Pabón, López y Galan, (2012),

expresan que el MBA es: “en definitiva, un proceso de abstracción de la realidad que

nos ayuda a entender los principios que la regulan y los fenómenos observados” (p. 5)

Respecto al origen de esta técnica de simulación, Gilbert y Troitzsch (1999),

citados por Quezada y Canessa (2010), expresan: “En el caso específico del modelado

basado en agentes (MbA), éste se inicia originalmente con autómatas celulares” (p. 228).

El modelo autómatas celulares es definido por Gilbert y Troitzsch (2005):

“es un mundo en el que se representa el espacio en forma de cuadrícula uniforme, el tiempo avanza por pasos y las "leyes" del mundo, están representadss por un conjunto uniforme de normas que computan el estado de cada célula, de su propio estado anterior y los de sus vecinos cercanos” (p. 131)

Por otro lado, Canessa y Riolo (2006), citados por Quezada y Canessa (op. cit.),

manifiestan una diferencia entre ambos modelos al decir: “en el MbA, los agentes –a

diferencia de los autómatas- pueden tener estados en los que se incluyen variadas

características mucho más elaboradas, tales como preferencias, creencias, memoria de

eventos recientes y conexiones sociales” (p. 228).

En fin, la evolución de las técnicas de modelado se fueron perfeccionando a tal

magnitud que hoy día no sólo son empleadas en el ámbito cuantitativo de la ciencia,

ya que el MBA es ampliamente utilizado en las ciencias sociales, para intentar

profundizar en la comprensión de los fenómenos que envuelven el comportamiento

humano, el cual como sistema adaptativo complejo, se encuentra sumergido en una

red de múltiples interrelaciones y variables, que lo hacen más impredecible.

El Agente

Bonabeau (2002), citado por Ovalle (2014), expresa una definición de agente: “son

considerados como una colección de entidades autónomas, capaces de evaluar

individualmente su situación y tomar decisiones en base de un conjunto de reglas” (p. 15).

  6

Otra definición la presenta Cardoso, Bert y Podestá (2011), citados por Ovalle (op. cit.),

al considerar que los agentes:

pueden ser átomos, células, animales, gente u organizaciones dependiendo de su aplicación. Los agentes tienen recursos propios como tierra o capital, también objetivos como maximizar su renta o disminuir riesgo y capacidades sensoriales, es decir, tienen información sobre atributos y estado de otros agentes y del ambiente (p. 15)

En otras palabras, los agentes son objetos que tienen incorporada una cantidad

determinada de estados y se encuentran situados en un contexto computacional,

donde pueden actuar y tomar decisiones libremente.

Wooldridge and Jennings (1995), citados por Gilbert y Troitzsch (2005),

mencionan algunas propiedades de los agentes:

• Autonomía. Los agentes operan sin que otros tengan el control directo de sus

acciones y el estado interno;

• Habilidades sociales. Los agentes interactúan con otros agentes a través de algún

tipo de "lenguaje" (un lenguaje de computadora, en lugar de lenguaje natural);

• Reactividad. Los agentes son capaces de percibir su entorno (que puede ser el

mundo físico, el mundo virtual de las redes electrónicas o un mundo simulado

incluso otros agentes) y responder a ellos;

• Proactividad. Así como reaccionan a su entorno, los agentes también son capaces de

tomar la iniciativa, y participar en el comportamiento dirigido a un objetivo (p. 173).

Continua Gilbert y Troitzsch (op. cit.), enumerando algunos atributos del agente al

momento de diseñar la simulación.

• El conocimiento y la creencia. Los agentes tendrán que basar sus acciones en lo que

saben acerca de su entorno (incluso otros agentes). Parte de la información que tienen

puede ser incorrecta, como consecuencia de la percepción defectuosa, la inferencia

errónea o conocimiento incompleto.

• Inferencia. Es la capacidad que tienen los agentes de inferir más información de ellos,

con base en un conjunto de creencias que poseen.

  7

• Modelos sociales. Algunos agentes pueden ser capaces de aprender acerca de las

interrelaciones entre los otros agentes en su mundo sin embargo, los agentes también

pueden tener modelos de otros aspectos de su mundo.

• Representación del conocimiento. Para construir sus modelos, un agente necesita

alguna forma de representar sus creencias.

• Objetivos. Dado que los agentes se construyen para ser autónomos y propositivos,

necesitan satisfacer alguna meta interna como la supervivencia, para que puedan

participar en la acción.

• Planificación. Un agente necesita tener alguna forma de determinar que

comportamiento es probable para alcanzar la satisfacción de sus metas.

• Idioma. Todos los modelos multiagente incluyen alguna forma de interacción entre

los agentes o como mínimo, entre los agentes individuales y el entorno en el que

existen.

• Emociones. Se relaciona con las dudas que aún existen sobre como moldear

emociones como la felicidad, la tristeza, el dolor y la ira.

Metodología del Modelado Basado en Agentes

Hasta ahora hemos observado la gran cantidad de variables que intervienen en el

proceso de modelado y el grado de complejidad que envuelve el estudio de patrones

de comportamiento individual y colectivo como las organizaciones, donde se generan

un cúmulo de interacciones difíciles de decifrar por la no linealidad de sus

componentes, al requerirse la transferencia de conocimiento y recursos, entre otros.

En este marco, Pavón, López y Galan (2012), nos presentan algunas de las etapas

básicas que debe seguir este método experimental de computación:

1. Abstracción del sistema objeto de estudio, para identificar el contexto y propósito

del modelo. Esto es fundamental porque las abstracciones que se hagan cuando se

construya el modelo estarán dirigidas por los objetivos del estudio que se quiera

realizar. Esta tarea es responsabilidad de los expertos en el dominio.

2. Diseño y especificación del MBA. Se trata de formalizar el modelo lo cual

requiere también completarlo (normalmente la especificación de los expertos tiene

  8

ambigüedades o aspectos no definidos suficientemente). Para realizar esta

actividad el modelador se apoyará en el paradigma de agentes.

3. Transformación en un modelo computacional que se adapte a las características de

la plataforma de simulación basada en agentes.

4. Programación del modelo sobre la plataforma de simulación basada en agentes.

5. Inferencia. Obtención de las conclusiones lógicamente derivadas por el

computador a partir de las premisas del modelo. Este proceso proporciona la

recogida de evidencia mediante los experimentos computacionales, esto es, los

resultados de la ejecución de las simulaciones.

6. Análisis de resultados para verificar el comportamiento del modelo computacional.

7. Interpretación de los resultados para permitir validar el modelo basado en agentes.

8. Aplicación al sistema objeto de estudio (Generalización) (p. 7)

Tipos de Simulaciones Basadas en Agente

La implantación en el computador de los MBA, pueden realizarse de diferentes

maneras. Al respecto, Gilbert, (2008), citado por García-Valdecasas, (2011), expresa:

“Se pueden distinguir tres enfoques distintos: sistemas de reglas de producción, redes

neuronales artificiales y lenguajes y entornos de programación” (p. 97). A

continuación se presenta un extracto concerniente a la información esencial de cada

uno de los enfoques:

a) Sistema de reglas de producción. Esta configuración a su vez, se encuentra

constituida por tres factores:

• Conjunto básico de reglas que determinan el comportamiento de los agentes,

conformadas por un componente de condición (indica al agente cuál tiene que ser

su estado para que se aplique una determinada regla) y por un componente de

acción (le dice al agente qué tiene que ser hecho para ejecutar dicha regla).

• Variables que almacenan el estado actual de cada agente.

• Un intérprete de reglas, para permitir seleccionar reglas con diferentes

componentes de acción cuyos componentes de condición se satisfacen.

  9

En resumidas cuentas, este sistema de reglas, permite a los agentes la percepción

de su entorno, recibir y enviar mensajes de otros agentes y seleccionar

comportamientos dependiendo de su estado actual.

b) Redes neuronales artificiales. Están constituidas por un conjunto de unidades

(neuronas), las cuales se encuentran distribuidas en tres tipos diferentes de capas:

• Capa de entrada. Recibe información del exterior;

• Capas ocultas. Procesan dicha información; y

• Capa de salida. Genera una respuesta.

Cada unidad está conectada a las unidades de la capa anterior y posterior a la capa

donde está situada. Las señales que ingresan son procesadas (transformación no

lineal), posteriormente se genera la salida a la capa siguiente. La gran ventaja de las

redes neuronales artificiales frente a los sistemas de reglas de producción, es que las

primeras pueden aprender debido a su estructura y funcionamiento, mientras que las

segundas no.

c) Lenguajes y entornos de programación. Los MBA también pueden desarrollarse

utilizando:

• Lenguajes de programación orientados hacia objetos, como Java, C++ o Visual

Basic;

• Entornos de programación que permiten crear, ejecutar y visualizar resultados sin

salir del sistema, como NetLogo, Swarm, Mason o Repast.

Las diferencias entre ellos radican en que los lenguajes son más rápidos y flexibles

de hecho, permiten programar cualquier modelo por complejo que éste sea. Por otro

lado, los entornos de programación son más fáciles de aprender y requieren invertir

menos tiempo para desarrollar un modelo.

Beneficios del Modelado Basado en Agente

Como en cualquier técnica, sistema o proceso que se desarrolle a través de la

experimentación científica, tiene virtudes y restricciones que deben ser tratados

habilmente por el estudioso que las emplea, para saber si efectivamente dicho

procedimiento, contribuye significativamente a comprender los fenómenos

  10

analizados. En este marco, a continuación se presenta lo expresado por Quezada y

Canessa (2010), en torno a los beneficios y limitaciones del MBA.

Beneficios Limitaciones • Es fácil modelar la emergencia de fenómenos

del tipo bottom up (la interacción de los agentes propicia comportamientos cualitativamente distintos a nivel global).

• Se pueden modelar agentes con

comportamientos heterogéneos. • Los agentes tienen racionalidad y

conocimiento limitado, permitiendo modelar individuos más “reales”.

• Se pueden realizar experimentos controlados,

difíciles de efectuar en el sistema real; permite efectuar “experimentos de pensamiento” (thought experiments).

• Se puede analizar minuciosamente la dinámica

del sistema. • Se puede cambiar fácilmente de nivel de

análisis. • Tamaño de muestra grande.

• Requiere validación del modelo: a) verificación (comprobar que el código computacional funcione según las especificaciones del modelo) y b) validación (que el modelo represente adecuadamente al sistema real).

• El modelo puede ser difícil de validar. • El estudio puede ser difícil de replicar en el

sistema real. • La descripción del modelo puede ser

incompleta, dificultando la replicabilidad de los resultados.

Cuadro 1. Beneficios y limitaciones del MBA. Adaptación propia tomando como

referencia a Quezada y Canessa (2010).

Aplicaciones del Modelado Basado en Agente

El MBA es una técnica de la simulación computacional que día a día se

implementa con mayor frecuencia, porque viabiliza el estudio la artificial de diversos

fenómenos presentes en sistemas complejos y ayuda en situaciones dificiles de

experimentar en la vida real, lo cual favorece su comprensión y resolución de

problemas.

Al respecto, Garcia-Valdecasas, (op. cit.), considera tres factores esenciales al

momento de desarrollar la simulación. A continuación una síntesis de cada uno.

a) Modelos abstractos. Se fundamentan en el diseño y desarrollo de teorías que

permitan comprender la realidad a través de ejercicios computacionales sin

  11

embargo, uno de los segmentos dificiles de obtener es la validación es decir, la

demostración de que el modelo verdaderamente representa a la teoría y el otro es

la comprobación, relacionada con la robustez del modelo para medir su

sensibilidad ante la variación de los parámetros incorporados y por ende, estar en

capacidad de proyectar resultados apropiados.

b) Modelos de rango medio. Estos programas explican de forma general los

fenómenos sociales estudiados y sus resultados pueden ser aplicados a otros

fenómenos similares. Gilbert, (2008), citado por Garcia-Valdecasas, (op. cit.),

opina: “Debido a la naturaleza genérica de tales modelos, su validación consiste en

comprobar semejanzas cualitativas entre los modelos y los fenómenos a los que

pretenden representar, pero no se espera similitud cuantitativa” (p. 104). Un factor

importante a considerar durante la fase de diseño, es decidir qué elementos incluir

y cuáles deberían ser excluidos.

c) Modelos empíricos. Intentan representar el fenómeno social que se desea analizar,

acercandose lo más posible a la realidad, para poder predecir algún estado futuro

de dicho fenómeno. La validez del modelo esta reñida con la comprobación de la

exactitud entre la salida de la simulación y los datos obtenidos del fenómeno

objeto de estudio. El factor “azar” durante el desarrollo de la simulación implica

resultados distintos cada vez que se ejecute el modelo (p. 103).

En este orden de ideas, a continuación señalaré algunas categorías donde se ha

observado consecuentemente la aplicación de esta técnica de simulación

computacional.

a) Ámbito económico. Considero que este segmento de la sociedad es uno de los más

activos dentro de los estudios y análisis requeridos por empresarios, Jefes de

Gobiernos e investigadores, ávidos de comprender y pronosticar eventos

relacionados a este sector, ya que en la economía confluyen diversos fenómenos

que impactan en otras esferas de la sociedad como por ejemplo, la pobreza, el

subdesarrollo, la productividad y otros. Dentro de esta perspectiva, otro ejemplo

puede visualizarse en el estudio de los procesos de cadenas de suministro, muy

importantes hoy día porque impactan en la dinámica logística de las

  12

organizaciones, desde recibir sus insumos, tratar con clientes y socios comerciales,

hasta el despacho oportuno de sus productos. En este sentido, una de las

conclusiones es mencionada en la investigación realizada por Calderón y Lario,

(2007): “La tendencia más desarrollada y aplicada en estos últimos cuatro años es

la de emplear modelos de simulación con Multi-Agentes, dada la ventaja de éstos

para permitir que cada agente (cada empresa participante en la CS), tome

decisiones independientemente” (p. 143).

b) Gestión de los recursos naturales. Este es otro de los temas con equivalente nivel

de sensibilidad con el anterior, porque se relaciona al seguimiento de la gestión de

los recursos hídricos, minerales y otras riquezas naturales que a consecuencia de su

uso indiscriminado por parte de nosotros mismos, se han generado efectos

indeseables o catastróficos (cambio climático), como inundaciones o sequias, que

a su vez impactan en la reserva de suficientes fuentes energéticas y en la

devastación de territorios para usos agropecuarios que a fin de cuentas, afectan

todo el ecosistema y la sostenibilidad del planeta.

c) Tráfico aéreo. El apresurado avance de la tecnología ha forjado la sofisticación de

los sistemas, equipos y herramientas en el sector transporte, especialmente en el

aeronautico. Es tal la magnitud del desarrollo, que hoy día se habla de “drone” que

es un avión no tripulado, que puede ser controlado desde una ubicación remota,

como si se tratara de un videojuego y por si fuera poco, otra variante de estos

aviones es que puede volar de forma autónoma sobre la base de planes de vuelo

preprogramados, utilizando sistemas más complejos de automatización dinámica.

Otra aplicación interesante de la técnica computacional es utilizada para el

entrenamiento militar y civil, de los pilotos. De hecho en algunos parques de

atracciones, existen unas “cabinas” que logran que su ocupante, perciba algunos

movimientos y situaciones particulares, como si estuviera en verdad piloteando un

avión.

  13

CONCLUSIONES

El Modelado Basado en Agentes (MBA), es una de las técnicas de la simulación

computacional, que permite a la gerencia economizar tiempo y recursos ya que hoy

día, es innegable la coexistencia del fenómeno de la complejidad en la mayoría de las

organizaciones empresariales grandes o pequeñas, instituciones gubernamentales o en

cualquier grupo social. Opino que el MBA adecuadamente implementado, permite el

análisis de las multiples variables que afectan el sistema estudiado y de esta forma,

poder visualizar los escenarios posibles y seleccionar la opción más conveniente para

alcanzar el éxito.

El MBA es ampliamente aplicado hoy día en las ciencias sociales porque permite

recrear las dinámicas asociadas a la teoría, al crear sociedades artificiales donde los

individuos y organizaciones pueden ser representados directamente con la finalidad

de estudiar la complejidad inherente a los fenómenos sociales y los efectos de sus

incesantes interacciones. Este hecho, permite disminuir la complejidad de todo el

sistema ya que a través del conocimiento de posibles tendencias de algunos elementos

de la sociedad, se reducen los niveles de incertidumbre.

Como toda herramienta cientifica, a pesar de las virtudes y beneficios que genera,

también tiene deficiencias o fallas. En lineas generales, quizás la mayor virtud es que

podemos experimentar en el laboratorio con el estudio de un fenómeno que requeriría

invertir mucho tiempo y cuantiosos recursos, además nos brinda la posibilidad de

anticipar posibles escenarios en el futuro. Una desventaja, es que el MBA tiene

algunas contrariedades derivadas de los procesos para verificar y validar sus modelos,

por consiguiente, se observa la dificultad para determinar si efectivamente los

resultados obtenidos en la simulación, corresponden al modelo o a defectos en la

programación; también, está la limitación de no poder comprobar que el modelo

implementado representa realmente al fenómeno que se pretende representar.

  14

REFERENCIAS BIBLIOGRÁFICAS 

Calderón, J. y Lario, F. (2007). Simulación de Cadenas de Suministro: Nuevas Aplicaciones y Áreas de Desarrollo. Información tecnológica, 18(1), 137-146. [Artículo en Línea]. Disponible: http://www.scielo.cl/pdf/infotec/v18n1/art18.pdf. [Consulta: 2015, marzo 7].

García-Valdecasas, J. (2011). La simulación basada en agentes: una nueva forma de explorar los fenómenos sociales. Revista Española de Investigaciones Sociológicas, 136(1), 91-109. [Artículo en Línea]. Disponible: http://reis.cis.es/REIS/PDF/REIS_136_041318592630667.pdf. [Consulta: 2015, marzo 5].

Gilbert, N. y Troitzsch, K. (2005). Simulation for the Social Scientist. Second Edition. McGraw-Hill Education.

Ovalle, D. (2014). Estado situacional de los modelos basados en agentes y su impacto en la investigación organizacional. Trabajo de Grado no publicado, Universidad del Rosario, Bogotá. Colombia.

Pavón, J., López-Paredes, A., Galán, J. (2012). Modelado basado en agentes para el estudio de sistemas complejos. Novática 218, pp. 13-18. [Artículo en Línea]. Disponible: http://papers.ssrn.com/sol3/papers.cfm?abstract_id=2252909. [Consulta: 2015, marzo 6].

Quezada, A. y Canessa, E. (2010). Modelado basado en agentes: una herramienta para complementar el análisis de fenómenos sociales. Avances en Psicología Latinoamericana/Bogotá (Colombia)/Vol. 28(2)/pp. 226-238. [Revista en Línea]. Disponible: http://revistas.urosario.edu.co/index.php/apl/article/viewArticle/1450. [Consulta: 2015, marzo 5].