Esquema relacional de FuturICT - Proyecto

El Observatorio de FuturICT

En el libro “Análisis estructural y de redes” de Josep A. Rodríguez. Es un pequeño manual introductorio, no siendo puramente ARS, trata el análisis estructural y de redes que presenta de forma básica y con ejemplos de investigación los elementos teóricos y metodológicos fundamentales. Tiene una pequeña introducción del análisis de redes en sociología y en el que comenta una serie de principios y características del análisis de redes:

El mundo esta compuesto de redes más que de grupos.
Podemos resumir las características fundamentales del análisis y aproximación estructural y de redes en elementos que los diferencian de otros tipos de análisis (A), características básicas del análisis y de sus unidades (B), y principios analíticos fundamentales (C).
Elementos diferenciadores:
A1. Importancia central de las relaciones entre unidades interactuantes.
A2. Los actores y sus acciones son vistas como interdependientes, en lugar de independientes y aut6nomos.
A3. Los ligámenes y relaciones entre actores son canales de transferencia y distribuci6n de recursos, sean materiales o inmateriales.
A4. Cuando se analizan individuos, se percibe el medio estructural de la red como espacio que provee oportunidades o limitaciones para la acción individual.
A5. La estructura (sea social, económica, politica, cultural, etc.) es definida como pautas relacionales relativamente permanentes.
Caracteristicas basicas en el analisis estructural:
B1. El comportamiento de los actores es interpretado en términos de condicionantes estructurales de su actividad, en lugar de ser resultado exclusivo de fuerzas internas (socialización en las normas).
B2. El análisis se centra en las relaciones entre unidades, en lugar de intentar agrupar individuos en categorías de acuerdo con sus atributos.
B3. Un tema central es ver cómo las pautas de relaciones afectan al comportamiento de los individuos de la red.
B4. Una estructura es vista como una red de redes, que puede o no estar dividida en grupos.

B5.  Los métodos analíticos utilizados se centran en las pautas y naturaleza relacional de la estructura social, y suplementan ( o suplantan en otros casos) los métodos estadísticos tradicionales que necesitan unidades de análisis independientes.

 

Principios analíticos:
C1. Los ligámenes son normalmente asimétricamente recíprocos, y difieren en contenido e intensidad. Son asimétricos en la cantidad y tipo de recursos en flujo y tambien en el contenido e intensidad, pero generalmente son recíprocos, dando lugar a partes estables del sistema social.
C2. Los ligámenes y lazos unen a los actores tanto directa como indirectamente. Por tanto, deben ser definidos en el marco de redes estructurales mas amplias. La simetría del ligamen pone en duda la creencia en la voluntariedad de la relación. Muchas relaciones se establecen con miembros de la red que a uno no le gustan. Son involuntarias, y vienen como parte del paquete de ser miembro de la red. Pero son muy importantes por los recursos que se transmiten a través de ellos. Así, normalmente los miembros de una red utilizan relaciones directas e indirectas, y a menudo atraviesan los límites de la red. De ahí la importancia del contexto estructural de cada red particular.

C3. Los puntos de una red no tienen por que ser personas individuales.Pueden ser grupos, estados, etc., o conjuntos de relaciones (clusters, o redes). Por ejemplo, en el caso de interlocking de directivos de corporaciones, lo importante es que un directivo une dos corporaciones, en lugar de que dos directivos estén en el mismo consejo de administración. Si existe un ligamen entre dos clusters, entonces todos los miembros de un cluster estan ligados a
los miembros del otro (a través de ligámenes internos).

C4. Los ligámenes asimétricos y las redes complejas distribuyen recursos escasos de forma diferencial. Los recursos no fluyen equitativamente. La densidad de los clusters y los tipos de relaciones estructuran el flujo de recursos.
Dependiendo de la posición estructural, los miembros de un sistema social difieren en el acceso a los recursos. El acceso desigual a estos dará lugar a mayor asimetría en las relaciones. Y a su vez, las relaciones asimétricas entre grupos normalmente dan lugar a redes jerárquicas y generan mayores diferencias en el acceso a los recursos.

 

C5. Las posiciones estructurales son a su vez recursos. El acceso a posiciones estructurales es en si mismo un recurso escaso porque determina el acceso a otros recursos. Los casos de los gatekeepers (que controlan el acceso a la red) o los brokers (que ligan dos redes) son ejemplos de posiciones que obtienen poder y mayor acceso a recursos por su posición estructural.

 

C6. Las posiciones estructurales no son inamovibles sino que están en movimiento. Las personas, y los recursos, fluyen a traves de las redes cuando cambian posiciones estructurales. Los movimientos de las personas son parte
de la llamada “agujeros estructurales” (Burt).

 

C7. Las redes estructuran actividades colaboradoras o competitivas entre actores para asegurarse recursos escasos. La competencia estructural por los recursos escasos es inherente al sistema social. Los grupos de intereses compiten por acceder a ellos. Este marco delimita las bases estructurales de la actividad (acción) política colectiva.

En este libro estableció una tabla para diferenciar los procesos de red dirigidos a objetivos y los procesos de red serindípicos:

Una cartografía del mundo digital from Future Feeder

“Maps codify the miracle of existence.”
― Nicholas Crane, Mercator: The Man Who Mapped the Planet

Una carta náutica del Mar Mediterráneo hecho en el segundo cuarto del siglo XIV. De la Wikipedia http://en.wikipedia.org/wiki/Cartography

En el último libro de Verna Allee con Oliver Schwabe titulado “Redes de valor y la verdadera naturaleza de la colaboración” nos da pie para repensar los nuevos procesos de colaboración en entornos de redes (sobre todo en una perspectiva empresarial y de negocios). Ya en el anterior libro (The Future of Knowledge: Increasing Prosperity through Value Networks) hablaba de este concepto, pero anteriormente han hablado Clayton Christensen, Fjeldstad y Stabell, Normann y Ramirez como bien resumen el item de la Wikipedia. La vida de trabajo está cambiando completamente la creación de redes sociales y plataformas de colaboración permiten de una manera más humana centrada en la organización del trabajo. Sin embargo, el trabajo en las herramientas de diseño, estructuras, procesos y sistemas no están evolucionando tan rápidamente, y en muchos casos son simplemente inadecuadas para apoyar las nuevas formas flexibles y en red de trabajo.

“Redes de valor y de la verdadera naturaleza de la colaboración” [libro CC y en html] cumple con este reto con un enfoque sistémico, el hombre-red para la gestión de las operaciones de negocio y los ecosistemas. Modelando las redes de valor y el análisis de redes (ARS) ofrecen un mejor apoyo para el trabajo colaborativo, las actividades emergentes y complejas.

Con ejemplos de equipos de trabajo todos los días a través de redes complejas a gran escala, este libro simple y coherente presenta los conceptos básicos de diseño del nuevo trabajo colaborativo y la creación de redes de valor. Explica los conceptos fundamentales y muestra cómo asignar, analizar y aprovechar las redes de valor de una manera compatible con altos valores sociales y las prácticas éticas – y logra resultados rápidos de negocios.

Se trata de un trabajo publicado, escrito y editado por Verna Allee con Oliver Schwabe bajo una licencia Creative Commons. Esto significa que puede ser citada como cualquier otro libro o artículo, y las porciones pueden ser reutilizados con pleno reconocimiento (cita a continuación). No se permiten obras derivadas.

Allee, V., & Schwabe, O. (2011). Value Networks and the true nature of collaboration. Recuperado 12 de abril de 2011, desde http://www.valuenetworksandcollaboration.com/
Un artículo de hace unos años:
Allee, V. (2008). Value Network Analysis and value conversion of tangible and intangible assets. Journal of Intellectual Capital, 9 (1), 5-24. Recuperado de http://valuenetworks.com/docs/Value_Conversion_JIC_online_version_final_draft.pdf

En este gráfico los autores muestran los nuevos indicadores de las redes de valor:

El libro “Networks of the Brain” (2011) es uno de los libros más serios y científicos sobre las redes que se han escrito hasta ahora junto con “The Handbook of Brain Theory and Neural Networks” desde ya mítico “The Social Brain: Discovering the Networks of the Mind ” de Michael S. Gazzaniga (1987). Sporns nos da la perspectiva de lo que podría decir la ciencia de la redes sobre el cerebro. Comienza hablando de la Teoría de los Grafos, pero no desde una perspectiva matemática de la teoría de grafos. Sporns considera las interacciones tanto estructurales (instalación fija) como funcionales (dinámicos) entre nodos de la red cerebral y los módulos. “Módulos” se definen como comunidades de nodos con un gran número de interconexiones internas que pueden, en algunos casos, ser vistos como “super nodos” o nodos definidos a mayores escalas. Para adoptar la metáfora de lo “humano” en las redes sociales, las neuronas son análogas a las personas y sobre los módulos a distintas escalas son análogos a los barrios, ciudades y naciones. Una de las cuestiones que no trata muy por encima y es uno de los principios de las redes neuronales es su capacidad de auto-organización. Este es otro punto de investigación para llegar a entender como estamos hipertrofiados en las estructuras sociales y no desarrollamos formas de auto-organización. Algo que en nuestro entorno interno y externo si es frecuente.

Al igual que los sistemas sociales, las redes del cerebro muestran una sorprendente (anidada) modularidad jerárquica, fundamentalmente pequeñas redes dentro de redes más grandes en redes más grandes todavía, al igual que anidado muñecas rusas. Esta escala estructura de múltiples pueden ser responsables de gran parte de el complejo comportamiento del cerebro.

Las redes cerebrales abarcan varias escalas espaciales, desde la microescala con las células y las sinapsis individuales hasta los de macroescala con los sistemas cognitivo y los organismos encarnados/personificados (embodied/embodied cognition). Esta arquitectura se encuentra también en otros sistemas complejos (complex networks), por ejemplo, en el arreglo de múltiples escalas de las redes sociales, que van de las relaciones coherentes e interpersonales de los grupos sociales a las comunidades locales y los asentamientos urbanos y hasta llegar a las economías nacionales y mundial en cuanto a las organizaciones políticas. En los sistemas biológicos de múltiples escalas (propio de la neurociencia computacional), los niveles operan en aislamiento, en cambio, los patrones en cada nivel son muy dependientes de los procesos que se desarrollan en dos niveles: el inferior y el superior.

El cerebro es un ejemplo de ello como nos comenta Olaf Sporns. Estamos en que no se puede entender la función cerebral, a menos que pretendemos abordar el cerebro desde escalas múltiples y perspectivas, mediante la identificación de las redes que las células se unen en las poblaciones coherentes, organizan grupos de células en regiones cerebrales funcionales, integran las regiones de los sistemas, asi el cerebro y el cuerpo enlazado como un organismo completo. En esta jerarquía, el nivel de uno solo tiene el privilegio sobre los demás. La idea de que la función del cerebro puede ser totalmente reducido a la operación de las células o moléculas es tan mal concebida como la visión complementaria que la cognición se puede entender sin hacer referencia a sus sustratos biológicos. Sólo a través de interacciones de red multi-escala pueden las moléculas y las células dar lugar a la conducta y la cognición. El conocimiento de las interacciones en red, a través de múltiples niveles de la organización es crucial para una comprensión más completa del cerebro como un sistema integrado y holístico.

El estudio de la conectividad del cerebro ya ha abierto nuevas avenidas teóricas y experimentales en muchas áreas de las neurociencias. Conectividad juega un papel importante en la neuroanatomía, el desarrollo neurológico, en la electrofisiología, la proyección de imagen funcional del cerebro, y la base neural de la función cognitiva.

El análisis de la arquitectura de red y conectividad ilumina una serie de problemas que afectan a la función integrativa del cerebro(cuerpo). Voy a resumir algunos de los puntos tratados por O. Sporns:

* Los sistemas nerviosos están compuestos por un gran número de elementos de los nervios que están interconectados por las sinapsis y las vías axonal. Los métodos cuantitativos de la ciencia puede probar las redes de los principios arquitectónicos que dan forma a la anatomía del cerebro.

* Las neuronas individuales participan en el complejo de respuestas fisiológicas. Estas respuestas son el resultado de la interacción entre las redes de un gran número de células nerviosas individuales conectados en los circuitos locales, así como entre las regiones del cerebro.

* Distintas características sensoriales dentro del cerebro y a través de las modalidades son representadas en diferentes partes de la corteza cerebral. Su integración como parte de un estado coherente o de percepción cognitiva es el resultado de la red de distribución de procesos en grandes partes del cerebro.

* Cuando una persona está cognitivamente en reposo o en silencio, el cerebro se involucra en un patrón característico de actividad neuronal dinámica, el perfil de espacio-temporal de este patrón es moldeado por una estructura intrincada de red de fibras nerviosas y de sus vías.

* Los cambios en la información sensorial o los resultado en tareas cognitivas son patrones muy específicos de activación cerebral. Estos patrones son los efectos de las perturbaciones dinámicas de una red compleja y continuamente activa.

* Los resultados de un trauma cerebral y su enfermedad son importantes y de largo déficit neurológico. Estos insultos son resultado en daños estructurales de la red, y la extensión y localización de la alteración pueden informar a las predicciones sobre la naturaleza y gravedad de la disfunción cognitiva, así como el potencial de recuperación y respuesta compensatoria.

* El rendimiento cognitivo presenta una variación significativa entre los individuos sanos. El análisis de la conectividad del cerebro comienza a establecer vínculos entre las variaciones individuales en el comportamiento/conocimiento y las variaciones en las redes del cerebro.

* Comportamiento y cambio cognitivo en el desarrollo y la vida entera. El crecimiento y la maduración de las conexiones anatómicas en el cerebro modifican el rango de respuestas neurales y las capacidades cognitivas.

* El cerebro y el cuerpo están dinámicamente juntos a través de ciclos continuos de acción y percepción. Haciendo que el movimiento corporal, las redes cerebrales pueden estructurar sus propios insumos y modular su propia dinámica interna (embodied, algo que ya he introducido en “La cognición corpórea: hacia un conocimiento en acción“).

Estas y otras preguntas clave de la neurociencia puede ser abordado de manera productiva y desde la perspectiva de redes complejas. Constituyen el tema central de la materia de este libro que he reseñado. Hay todavía mucho camino por recorrer. Hay que comenzar, creo yo, por definir las redes del cerebro y las medidas de esa red y luego cuales son los fundamentos de la conectividad cerebral.

La guerra red es algo todavía no muy bien definido pero demuestra que la muerte de Bin Laden es el signo de una guerra en una sociedad red llena de simbolismos e identidades que hacen posible estas estrategias identitarias y no instrumentales.
En todo esto de las teorías de la netwar hay uno vital para entenderlo es el swarming y que David de Ugarte y su Sociedad de las Indias Electrónicas es paradigmático, ya que escriben de este concepto en la netwar a través del documento “Swarming and the Future of Conflict” (2000):

En este mundo reticular, con una multiplicidad de agentes que actúan autónomamente, usando las redes para coordinarse, el conflicto es “multicanal”, se da simultáneamente en muchos frentes, emergiendo del aparente caos un “orden espontáneo” (el “swarming”) que resulta letal para los viejos elefantes organizativos (Nota: como ha pasado en las revueltas del norte de Africa)

Esta coordinación no requiere en la mayoría de los casos ni siquiera una dirección consciente o una dirección centralizada. Al contrario, como señalaba el propio profesor Arquilla: la identidad de red, “la doctrina común es tan importante como la tecnología”. La guerra en la sociedad red, la netwar, es una guerra de corso, en la que pequeñas unidades “ya saben lo que tienen que hacer” y saben que tienen que comunicarse entre si no para preparar la acción sino sólo a consecuencia de ella. La definición de los sujetos en conflicto, lo implícito, es más importante en este tipo de enfrentamiento que lo explícito (los planes o estrategias de combate).

Durante estos años han ido aprendiendo los Estados participantes de estas netwar, la más clarividente la lucha de occidente y EE.UU a la cabeza por la antiorganización de Al Qaeda que se ha hablado tanto de lo que es y se han dicho tantos apelativos e incluso que esta organización no existe, al no ser definible se escurre esa manera de operar tan escurridiza ante las estructuras de red de este tipo de guerras (la red cadena, la red estrella y la red malla). La estructura organizativa de Al Qaeda basada en células de militantes y redes de contactos clandestinos, muy parecida al modus operandi de los cárteles de narcotraficantes, le ha dado una muy amplia movilidad de acción y una gran dificultad para desarticularla.

Podemos llamarles redes cédula, donde cada cédula no sabe de la otra cédula, son como nodos desconectados. Estrategias identitarias de Al Qaeda que son estratégicamente complejas de interceder.
A parte de redes cédula existe una definición más estable. Se trata de entenderla como una filigrana compleja de netocracia (Al Qaida como netocracia de David de Ugarte):

Es claro que Al Qaida es una parte de la netocracia islamista, la élite de prestigio de una red amplísima tanto geográfica como socialmente que no se articula como una pirámide de mando, sino sobre una enredadera de agendas, contactos y complicidades. Como en cualquier red, el verdadero capital no es otro que la confianza derivada y surgida de la identidad. El islamismo radical contemporáneo es -parafraseando la definición de la red académica que hacía Juan Urrutia- la suma de biografías y conversación.

Dentro de esa red, Al Qaida, la organización formal, es un grupo pequeño, una minoría propositoria cuyo objetivo es influir en los miembros y a través de ellos en el mundo. Alrededor de este núcleo se articulan una agenda de contactos con otros líderes de la red amplia y, con el tiempo, una telaraña más o menos amplia de activistas y simpatizantes en cuya identidad las tesis del núcleo han hecho mella. Gente que sigue los textos y amplifica los mensajes nacidos del nodo teórico, a la que se puede convocar y que suele participar en las acciones concretas que el núcleo propone a la red general. La arquitectura de cualquier netocracia en cualquier campo y a cualquier escala, como escribe Burk:

Esta división tripartita en un “núcleo”, una red de redes y un movimiento más amplio de simpatizantes militantes con objetivos más o menos coincidentes, se repite una y otra vez, en los ámbitos nacional, regional internacional, cuando examinamos la posición de Bin Laden en el movimiento más amplio de la militancia islámica moderna.

Revisando algunos artículo y papeles me encontré con artículo de prensa tras los atentados del 11M (2004). Se trata de “La guerra en red de Al Qaeda“[encontré versión en pdf] de Roman Gubern y publicado un 13 de marzo de 2004. Uno de mis grandes autores de lectura en medios y cine, en este repasa las características de esta no-organización:

Espero que nadie se escandalice si establezco un parangón entre esta estructura en red y la estructura comunicativa de Internet, con sus nodos de conexión, su capilaridad y su capacidad expansiva de carácter exponencial. De hecho, Al Qaeda, que significa en árabe la base, parece una réplica organizativa de tipo medieval a la modernidad estructural del ciberespacio global. Su globalidad no pasa por una red de fibra óptica, sino por los contactos fugaces y capilares en Salou, Hamburgo o Miami. Se trata de una estructura propia de la sociedad de la movilidad, que tanto ha glosado Virilio y que desmiente a Negroponte, cuando nos asegura con ingenuo tecnocentrismo que la movilidad de los bits ha reemplazado hoy definitivamente a la movilidad de las moléculas. En este modelo, la tradicional guerra de frentes ha sido sustituida por la guerra multipolar, por la intervención local sorpresiva, por la incursión invisible, por el salto instantáneo sobre objetivos juzgados como enemigos [...] La guerra en red también es un eco de la deslocalización tan de moda en el mundo moderno de los negocios. En realidad, en esta era de la globalización, su territorio es necesariamente el territorio deslocalizado de sus objetivos móviles, dispersos y oportunistas. Al ciberespacio virtual han opuesto una actualización de la alfombra persa voladora, que hoy está aquí y mañana está allí, atravesando fronteras de modo opaco e invisible.

Esta dualidad de visiones y estrategias hace que el mundo occidental sea torpe en la lucha en red y distribuida. La muerte de Bin Laden ha sido un acto de guerra swarming, relámpago y sorpresiva. Y que la torpeza inicial ha ido virándose a la lucha por medio de redes y no poniendo control, represalias, desinformación y demás formas de frontalidad contra el “enemigo”.
Nota: Cuando hablo de no-organización es por qué cuando surgió no se parecía, exceptuando otras no-organizaciones de Asia y del mismo Islam, a nada de lo que conociamos hasta esos momentos y tenias formas de movilidad complejas y no tenían un sitio concreto para operar. Algunos de los conceptos de rizomática (F. Guatari y G. Deleuze) están imbuidos en la propias formas ageográficas de Al Qaeda.

Este término es adaptado del inglés “Swarm Intelligence” y se trata de un enjambre/grupo que se define como una población de elementos interactuantes que son capaces de optimizar un objetivo global a través de la búsqueda de colaboración de un espacio (Kennedy, 2001). Los elementos o agentes pueden ser máquinas muy simples o muy complejas. Existen dos restricciones que deben observarse: se suelen limitar a las interacciones locales, por lo general la interacción no se realiza directamente, sino indirectamente a través del entorno. Es lo que se llama la estigmergía. La propiedad básica que los hace enjambres es su comportamiento de autoorganización, es decir, es el hecho de que una gran cantidad de procesos simples pueden conducir a resultados complejos y que explica muy bien Len Fisher en su último libro “The perfect swarm: the science of complexity in everyday life”

El comportamiento de las hormigas es el ejemplo más conocido de la inteligencia de enjambre. En muchas especies de hormigas tienen un depósito de una sustancia química llamada feromona. Es un medio de señales cuyas principales ventajas son el gran alcance y el evitar obstáculos, puesto que son arrastradas por el aire. Por ello, las hormigas no se comunican directamente entre sí, pero siguen rastros de feromona (dejando a sus propias feromonas, por lo que la pista se ve reforzado). El camino que conecta la fuente de alimento y el nido está optimizado, y además, no tienen ningún tipo de conocimiento global del problema por cualquiera de los agentes. Este proceso de comunicación indirecta en un enjambre se llama estigmergía (en el siguiente post hablaré de su importancia para una colaboración natural en grupos) como comentamos arriba. La posibilidad de que un sistema se quede atascado localmente es una solución mucho mejor, pero no la óptima no se conoce el estancamiento (Bonabeau, 1999).

Elementos de la investigación

La inteligencia de enjambre es un creciente campo de investigación bastante activo y sus aplicaciones fuera de Internet son múltiples. Las técnicas de inteligencia de enjambre se han aplicado a muchos tipos diferentes de problemas. Los ejemplos van desde la muy general, el gráfico como colorante (Costa, 1995) o la satisfacción de restricciones (ver Zlochin de 2002, para una encuesta sobre este tema), a las aplicadas a problemas muy particulares como la asignación de tareas para los robots en una fábrica (Morley , 1996), la expedición de una flota de camiones (Gambardella, 1999), o incluso el diseño de un calendario conjunto de cursos universitarios (Socha, 2002). Hay un buen estudio de aplicaciones de robótica, junto con las explicaciones de los comportamientos diferentes de hormigas que los inspiraron (alimentación de los alimentos para el transporte colectivo o la construcción de nidos).

Aplicaciones a partir de agentes virtuales

La mayoría de las aplicaciones basadas en fenómenos de la inteligencia de enjambre se basan en grupos de agentes virtuales. Ellos muestran buenos resultados cuando se aplica a los problemas que se distribuyen espacialmente y cambian con el tiempo. Como muchos de los problemas de Internet se distribuyen y variables en el tiempo por la naturaleza, basado en la optimización de enjambre y técnicas de resolución de problemas se presenta con buenos resultados cuando se aplica a ellos.
Si nos centramos en aplicaciones orientadas a la red, la mayoría están relacionados con problemas de enrutamiento. Aunque ha habido mucha investigación sobre este tema (véase Steenstrup, 1995 para una buena encuesta), las técnicas de inteligencia de enjambre se adaptan especialmente a los grupos de los problemas a medida o que tienen unas ciertas similitudes unos de otros y que son inherentemente dinámicos y distribuidos.
En redes de paquetes como Internet, cada paquete puede seguir una ruta diferente hacia su destino. La función principal de una red de paquetes es asegurar la distribución eficiente de información entre sus usuarios. Hay tres cuestiones principales que deben tenerse en cuenta: el control de la congestión, la seguridad de la comunicación, y de enrutamiento. Ha habido muchos enfoques de enjambre basado en el problema de enrutamiento (ver Dorigo, 2004 para una encuesta). Nos centraremos aquí en el algoritmo AntNet en la forma que lo explica Dorigo (2004), ya que es un ejemplo representativo y muestra todas las características principales de los enfoques basados en enjambre (los agentes simples, la comunicación indirecta, y el comportamiento de enjambre de forma emergente). Se pueden encontrar más algoritmos de optimización en Bonabeau (1999) y Dorigo (2004).

El algoritmo AntNet

El algoritmo AntNet es distribuido y adaptativo, aplicando la distancia-vector al algoritmo de enrutamiento. Es un caso especial del algoritmo ACO sobre la base de hormigas artificiales y deposición de las feromonas. Los agentes de AntNet , al mismo tiempo, exploran la información en la red y el intercambio de la recogida. La comunicación entre los agentes es indirecta y asincrónica, mediada por la propia red (características para investigaciones en conceptos como estigmergía y autoorganización). En AntNet (Paper: AntNet: Distributed Stigmergetic Control for Communications Networks). En este artículo se presenta un enfoque diferente y cómo optimizar el aprendizaje de adaptación ante una situación o problema. Cada nodo mantiene dos tablas diferentes (aparte de la tabla de enrutamiento): una tabla de feromona, T, y una red de tráfico de modelo, M. Su construcción y el mecanismo de actualización se explica a continuación (Gutiérrez, 2007):
AntNet utiliza dos tipos de agentes artificiales en las hormigas: las hormigas adelantadas y las hormigas retrasadas. Las hormigas son independientes y no hay ni coordinación ni comunicación directa entre ellas. Las hormigas de adelante se generan en cada nodo, y se dirigen a otros nodos en relación con el tráfico generado del nodo: las hormigas de adelante se van hacia los nodos donde se está más de tráfico han enviado. Comparten las colas normales utilizados por los paquetes de datos, por lo que la experiencia de la misma carga de tráfico. Almacenan el camino para viajar hasta que llegan a su destino. Las hormigas con versiones anteriores se generan cuando una hormiga de adelante llega a su destino, y sigue el camino almacenados por la hormiga hacia adelante correspondiente. No todas las hormigas de adelante lleguen a su destino, como las hormigas que realizan un ciclo (visita un nodo ya visitado), que es más de la mitad de la edad de la hormiga que descartan. Las hormigas con versiones anteriores de uso de colas de alta prioridad en su camino de regreso.
Después de llegar a cada nodo, las hormigas seleccionan su próximo salto probabilístico de acuerdo con la matriz de feromonas (evitando, si es posible, los nodos que ya han visitado). Las feromonas de la matriz tienen un número de columnas igual al número de nodos en la red, y un número de filas igual al número de enlaces salientes (vecinos) del nodo. Todas las columnas suman uno y, para un determinado destino, que muestran la probabilidad (sin corregir) que una hormiga de adelante seguirá ese enlace. Esta probabilidad se corrige mediante una regla heurística que le da una mayor probabilidad a los vínculos con colas vacías de salida, así que el sistema es reactivo a las fluctuaciones de carga de la red. La misión de las hormigas a seguir es almacenar la ruta seguida a su destino y para registrar el tiempo necesario para llegar a todos los nodos a lo largo de ella.

La misión de las hormigas de atrás es la actualización de las feromonas y las matrices en el modelo de tráfico. El modelo de tráfico de la matriz tiene tres filas, y para todos los almacenes de destino posible de la media (μd) y el tiempo de la varianza (σd) para llegar allí, así como el mejor momento durante las iteraciones máximas del pasado. Cuando una hormiga de atrás llega a un nodo, el nodo de la matriz M se actualiza con los valores almacenados en la memoria de la hormiga (recogidos por la hormiga con interés correspondiente). La media de ambos se actualizan de forma que los valores más recientes tienen más peso que los antiguos. La actualización de la matriz T feromonas se realiza de una manera que depende de una medida de la bondad asociadas con el tiempo de viaje experimentado por la hormiga hacia adelante. El valor de feromonas que se corresponde con el nodo de destino y el enlace de salida de las hormigas que se incrementan (valores pequeños de feromonas se incrementan proporcionalmente más). Los demás valores se reducen en consecuencia (la evaporación de feromonas virtuales) para que la columna de resumen a uno.
Por último, los paquetes de datos en un escenario AntNet se envían probabilísticamente. Las tablas de rutas se calculan a partir de tablas de feromonas para elevar cada probabilidad a un factor, por lo tanto aumentan las probabilidades altas y dejan de lado las bajas.
AntNet se ha simulado y en comparación con otros algoritmos de estado es una técnica de ruta distribuida llamada Bellman-Ford.

Otros algoritmos.

Existen otros algoritmos de optimización en estadios de enjambre:

• Optimización de la colonia de la hormiga (Ant Colony Optimization)
• Optimización del enjambre de la partícula (Particle Swarm Optimization)
• Búsqueda estocástica de la difusión (Stochastic diffusion search)
• Gravitacional algoritmo de búsqueda (Gravitational search algorithm)
• Gotas de agua inteligentes (Intelligent Water Drops)
• Rio dinámico de formación (River formation dynamics)

Existen muchos más algoritmos que optimizan los procesos y acciones de emjambre (swarming).

Inteligencia de enjambre aplicada a grupos sociales

Hay varias aplicaciones que se basan en personas reales en lugar de agentes virtuales, pero sin embargo muestran características de los comportamientos de enjambre. Ejemplo de ello es cuando una gran cantidad de personas que interactúan sin ninguna comunicación directa entre ellos, la comunicación indirecta a través de algún tipo de entorno (de aprendizaje), y sus patrones emergentes, no se relacionan con comportamientos individuales.
Hay dos formas que se pueden analizar en grupos sociales desde esta perspectiva:
1) El filtrado colaborativo.
Se basa en la premisa de que las personas que buscan información debe ser capaz de hacer uso de lo que otros ya han encontrado y evaluado.
Los sistemas tradicionales de filtrado colaborativo (Dron, 1999) almacena las preferencias y las evaluaciones de los usuarios con respecto a varios elementos (de las novelas y canciones, a los recursos de aprendizaje en una clase). Esas preferencias permiten a otros usuarios a ver lo que sus compañeros preferidos, y utilizar esta información como guía para sus acciones.
En los últimos años, el crecimiento del comercio electrónico ha estimulado el uso de sistemas de filtrado de colaborar como los sistemas de recomendación. Por lo tanto, el objetivo de un sistema moderno de filtrado colaborativo puede enunciarse como la predicción de la utilidad de un determinado tema para un usuario particular, sobre la base de gustos anteriores del usuario y las opiniones de otros usuarios con gustos similares.
Modernos sistemas de filtrado colaborativo puede ser clasificados en dos tipos: basados en memoria y basados en su modelo. Los primeros en utilizar una base de datos de usuario-elemento para generar una predicción. Estos sistemas utilizan técnicas estadísticas para encontrar un conjunto de usuarios (vecinos) que tienen un perfil similar de acuerdo con el usuario de destino. Modelo basado en algoritmos de filtrado colaborativo proporcionan recomendaciones para un tema concreto, en primer lugar el desarrollo de un modelo de valoraciones. Algoritmos en esta categoría adoptan un enfoque probabilístico y visualizan el proceso de filtrado colaborativo como calcular el valor esperado de una predicción de usuario, teniendo en cuenta su calificación en otros artículos. El proceso de construcción de modelos se realiza mediante diferentes técnicas, tales como las redes bayesianas, el análisis semántico latente o los enfoques basados ​​en reglas.

2) Secuenciación adaptativa de colaboración.
La secuenciación de adaptación es uno de los principales retos en la actualidad en el ámbito de la educación basada en la Web o en cursos virtuales a distancia. Se puede afirmar que el problema de seleccionar el orden en que se presentan un conjunto de unidades para el estudiante (en una secuencia) con el fin de hacer su aprendizaje lo más exitosa posible, teniendo en cuenta las capacidades y necesidades de cada estudiante (personalización). Estos estudiantes diferentes maximizan su aprendizaje con diferentes secuencias de actividades: algunos se beneficiarán de una secuencia con un enfoque de arriba hacia abajo, mientras que otros prefieren lo contrario, secuencias más largas de ejercicios para los temas que se encuentran especialmente difícil puede ser preferible, así como más corto para los conjuntos de temas que ya conocen, y algunos prefieren actividades con una gran cantidad de texto escrito, mientras que otros aprenden más con los recursos gráficos, etc.
Aunque los estudiantes diferentes prefieren diferentes secuencias de aprendizaje, sus preferencias muestran cierto grado de correlación, como en el caso anterior. Por otra parte, el problema de la secuenciación es una de optimización de la ruta (“encontrar el camino que maximiza el aprendizaje”) como hace las técnicas de swarming planteadas aquí.

Futuro

En cualquier caso, muchas de las aplicaciones más prometedoras de las técnicas de inteligencia de enjambre se están desarrollando en Internet y proceden del ámbito enjambre social. Filtrado colaborativo es un campo activo en algunas aplicaciones comerciales, como el sistema de recomendación Amazon.com (Linden, 2003), mientras que la investigación sobre la secuencia de colaboración puede conducir a una mejor comprensión de la forma en que el usuario navega por la Web.

Aunque el problema de la secuenciación trae similitudes con otros problemas de optimización de ruta, existen diferencias que deben tenerse en cuenta. En primer lugar, el camino tiene que ser optimizado para cada usuario. El camino que es “óptimo” para todo el mundo puede no ser óptima para cada estudiante. Esto es especialmente crítico para los sistemas e-learning. El enfoque adoptado por Gutiérrez (2006) es una mezcla de ambos en colaboración tradicionales de filtrado y sistemas de secuenciación de colaboración, dando a los estudiantes información sobre el desempeño de sus pares y las medidas adoptadas por ellas (como grupo, no individualmente). Este enfoque pone al estudiante en un estado metacognitivo cuando se enfrentan con sus compañeros a los resultados o resolución de probelmas y trae algunas similitudes con el método propuesto en Valigiani (2006), aunque en ese caso la comparación se hace entre los alumnos y el nivel de ejercicios.

Ver el siguiente post con algún video: Swarm Intelligence (15 de febrero de 2011) por Andrés Schuschny.

Referencias:

Abraham, A., Grosan, C., & Ramos, V. (2006). Swarm intelligence in data mining. Springer.
Blum, C., & Merkle, D. (2008). Swarm intelligence: introduction and applications. Springer.
Bonabeau, E., Dorigo, M., & Theraulaz, G. (1999). Swarm intelligence: from natural to artificial systems. Oxford University Press.
Coello, C. A. C., Dehuri, S., & Ghosh, S. (2009). Swarm Intelligence for Multi-objective Problems in Data Mining. Springer.
Dorigo, M. (2010). Swarm Intelligence: 7th International Conference, ANTS 2010, Brussels, Belgium,September 8-10, 2010. Proceedings. Springer.
Dorigo, M., Blum, C., & Birattari, M. (2008). Ant colony optimization and swarm intelligence: 6th international conference, ANTS 2008, Brussels, Belgium, September 22-24, 2008 ; proceedings. Springer.
Dorigo, M., & Stützle, T. (2004). Ant colony optimization. Cambridge, Mass: MIT Press.
Dron, J., Mitchell, R., Siviter, P,& Boyne, C. (1999). CoFIND: Experiment in n-dimensional collaborative filtering. In Proceedings of WebNet 99.

Freire, M. (2007). Encyclopedia of Internet Technologies and Applications. Information Science Publishing.
Gambardella, L. M., Taillard, E., & Agazzi, G. (1999). MACS-VRPTW: A Multiple Ant Colony System for Vehicle Routing Problems with Time Windows. Istituto Dalle Molle Di Studi Sull Intelligenza Artificiale. Recuperado a partir de http://portal.acm.org/citation.cfm?id=870474
Huang, Y., & Liu, C. (2009). Applying Adaptive Swarm Intelligence Technology With Structuration in Web-based Collaborative Learning. Computers & Education, 52, 789–799. Recuperado a partir de http://www.scribd.com/doc/31566493/Huang-Applying-Adaptive-Swarm-Intelligence-Technology-With-Structuration-in-Web-based-Collaborative-Learning
Gutiérrez, S., Pardo, A., Delgado, & Kloos, C. (2006). Some ideas for the collaborative search of the optimal learning path. Proceedings of Adaptive Hypermedia 2006.
Gutiérrez, S., Pardo, A., & Delgado, C. (2007). Swarm Intelligence Applications for the Internet. En Encyclopedia of Internet Technologies and Applications. Hershey, PA: Information Science Publishing.
Kennedy, J., Eberhart, R. C., & Shi, Y. (2001). Swarm intelligence. Morgan Kaufmann. Recuperado a partir de http://www.swarmintelligence.org/SIBook/SI.php
Li, F., He, X., & Xu, J. (2010). A new learning model for swarm intelligence based on Q-learning. En Intelligent Control and Automation (WCICA), 2010 8th World Congress on (págs. 2769-2775). Presented at the Intelligent Control and Automation (WCICA), 2010 8th World Congress on. doi:10.1109/WCICA.2010.5554902
Lim, C. P., Jain, L. C., & Dehuri, S. (2009). Innovations in Swarm Intelligence. Springer.
Miller, &. (2007). Swarm Theory. [[National Geographic Magazine]]. Recuperado a partir de http://www7.nationalgeographic.com/ngm/0707/feature5/
Miller, P. (2007). Swarm Theory. Recuperado a partir de http://www7.nationalgeographic.com/ngm/0707/feature5/
Nedjah, N., & Mourelle, L. D. M. (2006). Swarm intelligent systems. Springer.
Surhone, L. M., Timpledon, M. T., & Marseken, S. F. (2010). Swarm Intelligence: Collective Behavior, Decentralization, Self-organization, Artificial Intelligence, Cellular Automaton, Swarm Robotics, Swarm, Ant Colony Optimization, Particle Swarm Optimization. Betascript Publishers.
Swarm intelligence: from natural to artificial systems. (2006). . Oxford University Press.
Tan, Y. (2010). Advances in Swarm Intelligence: First International Conference, ICSI 2010, Beijing, China, June 12-15, 2010, Proceedings. Springer.
Valigiani, G., Lutton, E., Jamont, Y., Biojout, R., & Collet, P. (2006). Automatic rating process to audit a man-hill. WSEAS Transactions on Advances in Engi- neering Education, 3(1), 1-7.
Winkler, R. (2005). Swarm intelligence: review and application. University of Northern Colorado.
Wong, L., & Looi, C. (2010). Swarm intelligence: new techniques for adaptive systems to provide learning support. Interactive Learning Environments. doi:10.1080/10494821003714681
Yao Xinsheng, Xu Guangyin, Cui Yan, Fan Shasha, & Wei Jianguang. (2009). Application of the swarm intelligence in the organization of agricultural products logistics. En Computer Science & Education, 2009. ICCSE ’09. 4th International Conference on (págs. 77-80). Presented at the Computer Science & Education, 2009. ICCSE ’09. 4th International Conference on. doi:10.1109/ICCSE.2009.5228522

Vídeo grabado para el curso “Redes Sociales: Nuevos Modelos y Herramientas de Aprendizaje”. Gracias a la Universidad de Ourense y soporte para grabarlo desde la Universidad de Vigo. Si se ve mal aquí, podéis hacer click para abrir en nueva pestaña en video flash:

Este obra está bajo una licencia de Creative Commons Reconocimiento-NoComercial-CompartirIgual 3.0 Unported.

Todo es un virus expansivo que se transmite a velocidades de vértigo, memes embebidos en el propio entorno digital como si fueran “epidemias” ambientales como lo expresa Malcolm Gladwell en The Tipping Point.
Redes de innovación hay muchas y de tipologías diversas. Hoy nos centramos en las redes colaborativas de innovación, llamadas “Collaborative Innovation Networks” (COINs).
Peter A. Gloor las estudio en su libro “Swarm Creativity: competitive advantage through collaborative networks” lo define como un ciberequipo de personas automotivadas, con una visión colectiva, habilitado por la web para colaborar en la consecución de un objetivo común por el intercambio de ideas, información y trabajo.
Funciona y tiene como base transparencia interna en las organizaciones y una comunicación directa. Todos los miembros colaboran y comparten conocimiento unos con otros y no a través de jerarquías. Como dice la definición los miembros se unen con una visión compartida, ya que intrínsicamente están motivados para hacerlo y tratan de colaborar para avanzar en el desarrollo de una idea.
Las tres características que definen un COIN son:
•    Innovar a través de la creatividad masiva de colaboración.
•    Colaborar en un estricto código ético.
•    Comunicarse en contacto directo con las redes.
Los cinco elementos esenciales de una red de innovación en colaboración (Peter Gloor lo denomina código genético) son:
•    Evolución de redes de aprendizaje.
•    Principios éticos firmes.
•    Se sustentan sobre la confianza y la auto-organización.
•    Poner el conocimiento al alcance de todos.
•    Operar con honestidad y transparencia interna.
Los beneficios que tiene la implementación de un COIN son:
•    Hace de las organizaciones más innovadoras y colaborativas.
•    Se hacen más ágiles todos los procesos.
•    Infunden conocimiento externo a la colaboración.
•    Descubrir oportunidades de negocios ocultos.
•    Se liberan sinergías de actuación.
•    Reducen los costos y reduce el tiempo de comercialización.
•    Ayuda a localizar expertos y recompesas a colaboradores ocultos.
•    Las organizaciones con este método son más seguras.

Uno de los estudios para una mejor retroalimentación son los flujos de datos que nos situán cartográficamente en las debilidades y fortalezas del entorno de trabajo. Esos flujos tienen unas métricas por medio ARS (Análisis de Redes Sociales) como TeCFlow, Ucinet, Pajek, VisOne, Agora, NetMiner entre otros y que se utilizan para comprender los patrones temporales de comunicación de las redes sociales (estos “signos honestos” nos “hablan” de comportamiento y actitudes. La optimización de ese flujo de conocimiento  permite ver dinámicamente los datos insertados de diferentes maneras y formatos. Esa dinámica de grupos es compleja y emergente. Con TeCFlow podemos llegar a predecir determinados comportamientos que pueden ser corregidos con  otras dinámicas de actuación y no con acciones de mandato jerárquico.
Todas las partes son importantes y su capital humano que operan como “enjambres creativas”.
Hablar de la inteligencia de enjambre es para otro post largo, pero decir que aunque es empleado en décadas anteriores para la robótica y la inteligencia artificial. Es cada vez más frecuente el uso de algoritmos de optimización en el trabajo colaborativo y auto-organizado de redes sociales. Se optimiza las formas de actuación como enjambres inteligentes. Los agentes o boids cada vez estarán más presente en ecosistemas digitales, donde lo natural y lo artificial tienen un objetivo común de optimización de los resultados. Una verdadera empresa al estilo de “incubación” constante. Uno de los puntos débiles es la capacidad de automotivación, algo bastante obtuso en la cultura competitiva empresarial en la que todavía nos encontramos. Creo que este autor no lo ha desarrollado dentro de los canones y formas de la ecosistemas vivos.

Las tres capas de su infraestructuraestán representas en este gráfico que Peter A. Gloor en su web:

Una de las plataformas que ha usado estas técnicas es SpinConnect . No tiene vinculación con la innovación abierta de Henry Chesbrough pero si que hay alguna concomitancia.

[Actualización] Bibliografía y webgrafía sobre este tópico:

Este obra está bajo una licencia de Creative Commons Reconocimiento-NoComercial-CompartirIgual 3.0 Unported.