No es fácil predecir con precisión qué quieren los humanos y cuándo lo querrán.Somos criaturas exigentes que esperamos que el mundo ofrezca soluciones rápidas a nuestros cada vez más complejos y diversos problemas modernos.
En las últimas décadas, los investigadores han desarrollado una gama de soluciones matemáticas bastante efectivas que pueden asignar recursos en una variedad de industrias y escenarios para intentar mantenerse al día con las demandas diarias que les impone nuestra vida.Pero cuando una asignación realizada en un momento determinado afecta a asignaciones posteriores, el problema se vuelve dinámico y el paso del tiempo debe considerarse parte de la ecuación.Esto supone un obstáculo matemático, ya que requiere que estas soluciones tengan en cuenta ahora la naturaleza cambiante e incierta del mundo real.
También te puede interesar:
⢿Cuál es la regla de las revoluciones del 3,5%?
â¢Cómo transformar la visión del tiempo que tiene la sociedad
⢿Por qué Internet se está rompiendo?
Estos problemas se conocen colectivamente como problemas de asignación dinámica de recursos.Surgen en cualquier lugar donde encuentre un recurso limitado que deba asignarse en tiempo real.
Ya sea que esté esperando un taxi o una entrega al día siguiente, la lista de problemas de asignación dinámica de recursos y sus aplicaciones cotidianas es "casi interminable", según Warren Powell, ingeniero de la Universidad de Princeton que ha estado investigando estosproblemas desde los años 1980.
Pero los problemas de asignación dinámica de recursos no se refieren sólo a dar a los humanos lo que quieren, cuando lo quieren.También serán esenciales para abordar algunos de los problemas más fundamentales y complejos del mundo, incluido el cambio climático, ya que nos ayudan a asignar los recursos a menudo escasos y agotados de nuestro planeta de la manera más eficiente posible.
Pero veamos primero un ejemplo simplificado para ver qué es un problema de asignación dinámica de recursos y qué lo hace tan difícil de resolver.
Imagina que estás cocinando un asado para tu familia de cuatro.Optas por carne de res con todos los adornos, con la tranquilidad de saber que es el favorito de la familia.Pero justo cuando estás a punto de servir, tu hija anuncia que es vegetariana, tu pareja te envía un mensaje de texto para decir que llega tarde y tu hijo te dice que está invitado "algunos".amigos a cenar también.Luego, tu perro se escapa con el trozo de carne mientras tú intentas desesperadamente descubrir cómo vas a satisfacer las necesidades de todos estos (francamente) individuos muy exigentes y rebeldes.
Serán esenciales para abordar algunos de los problemas más fundamentales y complejos del mundo, incluido el cambio climático.
Este es un ejemplo trivial de un problema de asignación dinámica de recursos, pero demuestra algunos de los desafíos centrales que enfrentan los investigadores al abordar estos problemas.Para empezar, los parámetros que afectan la demanda cambian inesperadamente tanto en el corto como en el largo plazo.No hay manera de que usted pudiera haber predicho con precisión las nuevas necesidades dietéticas de su hija, la llegada tardía de su pareja o los invitados adicionales de su hijo mientras preparaba esta comida.
A largo plazo, la demanda de comida en casa también cambia día a día.Es posible que necesites alimentar a dos o 20 personas en cada sesión.De comida en comida, no tienes idea de quién querrá alimentarse, qué querrá ni cuándo lo querrá.Se puede hacer una suposición basada en experiencias previas, pero este no es un método sólido porque la naturaleza humana y muchos otros parámetros que afectan la demanda son impredecibles.
Las acciones de los individuos en este escenario también afectan el estado futuro del sistema.Cada vez que asignas una comida específica a una persona, esto cambia el sistema.Elimina tanto a una persona hambrienta como a la comida de su cocina.
"Todos los ejemplos [de asignación dinámica de recursos] deben abordar entradas y entornos cambiantes, que son muy dinámicos y difíciles de estimar y predecir, ya que la carga futura no depende estadísticamente de la carga actual", dice Eiko Yoneki,investigador principal que dirige el grupo de sistemas centrados en datos del Laboratorio de Computación de la Universidad de Cambridge."Un cambio desencadena otro cambio, y si se quiere controlar el sistema con decisiones precisas, se debe considerar el estado futuro del sistema".
Es más, a medida que más personas u opciones de comida entran a tu cocina, las cosas se complican aún más.Ahora tiene más formas de asignar una variedad de comidas diferentes a diferentes personas.Este número de combinaciones aumenta exponencialmente a medida que agrega más personas o comidas al sistema.
Esto es exactamente a lo que se puede enfrentar un gran hospital, por ejemplo, cuando intenta alimentar a todos los pacientes que entran por sus puertas.Lo mismo se aplica cuando se intenta tratar a estos pacientes.Los medicamentos que necesitan, que a su vez tienen una vida útil limitada, y el equipo necesario para el diagnóstico y el tratamiento cambiarán constantemente a medida que lleguen diferentes pacientes.También es necesario asignar recursos limitados, como escáneres de resonancia magnética, médicos y enfermeras.Para abordar esto y evitar que los costos se salgan de control, la dirección del hospital podría implementar modelos matemáticos para ayudar a coordinar todas estas cosas.
El problema es que la mayoría de los métodos existentes se basan en datos históricos para hacer predicciones.Este método no se adapta muy bien a este tipo de sistemas y no puede hacer frente ni siquiera a los cambios más pequeños.Si se produce un cambio, vuelven al punto de partida y empiezan a buscar una solución de nuevo.Estos problemas rápidamente se vuelven intratables desde el punto de vista computacional, incluso para un número bastante pequeño de personas y recursos, ya sea una comida o un escáner de resonancia magnética.
Los problemas de asignación dinámica de recursos también surgen de una variedad de escenarios diferentes y cada uno tiene sus propios problemas específicos.Por ejemplo, Yoneki está investigando las implicaciones de estos problemas para ayudar a que nuestros sistemas informáticos y aplicaciones funcionen más rápido y de manera más eficiente.
"Los sistemas informáticos modernos son complejos y es necesario ajustar muchos parámetros de configuración, incluida la asignación de recursos como la memoria, la capacidad de cálculo, la capacidad de comunicación y cualquier entrada a los sistemas", afirma."Los sistemas informáticos son dinámicos y se enfrentan a entornos en constante cambio, lo que requiere una metodología de control dinámico".
Las redes de telefonía móvil y la computación en la nube también dependen de la solución de estos problemas.
Por lo tanto, es casi seguro que la computadora en la que está leyendo este artículo esté luchando con algunos problemas de asignación dinámica de recursos en este mismo momento.Redes de telefonía móvilycomputación en la nubetambién dependen de la solución de estos problemas.
Las empresas de reparto también están abordando problemas dinámicos de asignación de recursos para acelerar las entregas.Por ejemplo, UPS desarrolló su sistema de navegación y optimización integrada en carretera (Orion) para optimizar sus rutas de entrega utilizando algoritmos avanzados.La empresa afirma que la solución le ha ahorrado 100 millones de millas al año, perootros informesRevelan las luchas del sistema en entornos urbanos complejos.
Las cadenas de suministro son otro “problema que nunca desaparecerá”, dice Powell, debido a la naturaleza compleja de los productos actuales.Por ejemplo, si desea fabricar un teléfono inteligente estándar, necesita coordinar cientos de componentes de todo el mundo, todos los cuales se reúnen en un orden específico en la fábrica."Las interrupciones en la cadena de suministro son un problema importante cuando se trata de satisfacer las necesidades de la sociedad", añade.
Nuestros suministros de energía también son cada vez más complejos y dependen de energías renovables impredecibles como la eólica y la solar.La producción de estas fuentes puede fluctuar enormemente, al igual que la demanda de energía en un momento dado.El costo de la energía también puede fluctuar: los precios de la electricidad pueden aumentar hasta 50 veces su promedio en un período de cinco minutos.
En verdad, será difícil encontrar una industria que no enfrente los desafíos de gestionar un problema de asignación dinámica de recursos de una forma u otra."Los precios de la electricidad, el rendimiento de las piezas en una cadena de suministro, los tiempos de viaje, las fallas de los equipos y el comportamiento de las personas son cuestiones con las que he tenido que lidiar", dice Powell."Este problema es tan rico que hay al menos 15 comunidades de investigación distintas trabajando en él desde diferentes perspectivas".
Este es un punto importante.La diversidad de problemas de asignación dinámica de recursos significa que es necesario que haya una estandarización en toda la industria de las diferentes técnicas y métodos computacionales utilizados para abordarlos.Powell es uno de los que intenta unir a las comunidades dispares que trabajan en problemas dinámicos de asignación de recursos."Nuestro enfoque no reemplaza ningún trabajo previo", afirma."Más bien, reúne todo este trabajo y ayuda a identificar oportunidades de fertilización cruzada".
Los avances en el aprendizaje automático ofrecen nuevas esperanzas para abordar los problemas dinámicos de asignación de recursos.
Un rico conjunto de herramientas de gestión operativa ha sido muy eficaz en las últimas décadas para abordar los problemas dinámicos de asignación de recursos, ayudando a las aerolíneas, empresas de logística y redes de carreteras del mundo a aumentar su desempeño de diversas maneras.Sin embargo, la "alta dimensionalidad", donde es necesario tener en cuenta muchos parámetros diferentes, y la incertidumbre "sigue siendo un desafío", según Powell.
Los avances en el aprendizaje automático ofrecen nuevas esperanzas para abordar los problemas dinámicos de asignación de recursos.Una técnica de inteligencia artificial llamada aprendizaje por refuerzo profundo permite que un algoritmo aprenda qué hacer interactuando con el entorno.El algoritmo está diseñado para aprender sin intervención humana, siendo recompensado por su desempeño correcto y penalizado por su desempeño incorrecto.Al intentar maximizar las recompensas y minimizar las sanciones, se puede alcanzar rápidamente un estado óptimo.
El aprendizaje por refuerzo profundo permitió recientemente que el programa AlphaGo de DeepMind de Google derrotara al campeón mundial de Go.El sistema empezó sin saber nada sobre el juego de Go y luego jugó contra sí mismo para entrenar y optimizar su rendimiento.Si bien los juegos son una prueba de concepto importante para las técnicas de aprendizaje por refuerzo profundo, aprender a jugar no es el objetivo final de dichos métodos.
Yoneki y su equipo han estado trabajando para proporcionar una alternativa viable a la heurística generada por humanos para ajustar el rendimiento en sistemas informáticos mediante el aprendizaje por refuerzo profundo.El sistema informático que han estado desarrollando puede ampliarse para resolver problemas de toma de decisiones que antes eran computacionalmente intratables.Aborda la cuestión de la complejidad computacional y también puede responder a parámetros cambiantes en tiempo real.
Los sistemas que emplean este enfoque ya se han utilizado para optimizar el rendimiento del sistema en áreas que incluyen la gestión de recursos, la optimización de pagos de dispositivos y la refrigeración del centro de datos."Estas aplicaciones están apenas en el comienzo y abren un mundo completamente nuevo de oportunidades", dice Yoneki.
Un equipo de investigadores de una startup de inteligencia artificial llamada Prowler.io, con sede en Cambridge, Reino Unido, también está utilizando su propio enfoque de aprendizaje automático para abordar problemas dinámicos de asignación de recursos.Sus algoritmos proporcionan incentivos para inducir un comportamiento específico en el sistema.En un contexto del mundo real, esto podría equivaler a introducir peajes inteligentes para incentivar a los conductores a utilizar carreteras específicas y minimizar la congestión del tráfico y la contaminación.
A medida que nuestras poblaciones continúan creciendo y nuestra hambre de servicios a pedido aumenta, la complejidad de los problemas dinámicos de asignación de recursos solo se intensificará.
Pero todavía queda mucho trabajo por hacer en el campo del aprendizaje automático, afirma Yoneki.
"El uso del aprendizaje por refuerzo hará avanzar los problemas de asignación dinámica de recursos, pero requiere una gran cantidad de datos para construir un modelo de aprendizaje por refuerzo, y todavía se encuentra en una etapa experimental, especialmente en sistemas informáticos donde se deben tratar parámetros más complejos".que simples casos de juego”, afirma.âLa investigación sobre este tema está avanzando rápidamente.â
Todavía estamos lejos de resolver este conjunto único de problemas, ya que las técnicas y los recursos computacionales actuales rápidamente se quedan sin fuerza cuando intentamos abordar la complejidad y la naturaleza aleatoria del mundo real.Pero a medida que nuestras poblaciones sigan creciendo y nuestra hambre de servicios a pedido aumente, la complejidad de los problemas dinámicos de asignación de recursos y su impacto en nuestra vida cotidiana no harán más que intensificarse.
Y si no comenzamos a abordar los problemas dinámicos de asignación de recursos ahora, no solo tendremos dificultades para poner la cena en la mesa: el mundo entero podría paralizarse.
--
Únase a un millón de futuros fans dándole Me gusta en Facebook, o síguenos en Gorjeoo Instagram.
Si te gustó esta historia, suscríbase al boletín semanal de características de bbc.com, llamado "Si solo lees 6 cosas esta semana".Una selección cuidadosamente seleccionada de historias de BBC Future, Culture, Capital y Travel, entregadas en su bandeja de entrada todos los viernes..A