Ok, volvamos a los resultados originales del problema de El Farol Recordemos como se implementan los modelos en NetLogo Recordemos que Arthur sugirió que los agentes tienen una bolsa de esttrategias que las estrategias pueden venir de cualquier fuente Hay como un misterio ahí, al comienzo del juego Y luego consideran qué estrategia será la que tenga el mejor resultado para ellos al final, dada la performance de esa estrategia en el pasado Hacia el final de su trabajo, dice que si hubiera usado un AG (algoritmo genético) en vez de la bolsa de estrategias, el resultado iba a ser el mismo No voy a entrar en muchos detalles acerca de como funciona un algoritmo genético Hay algunos cursos en el sitio de Complexity Explorer que nos explican eso Pero, imaginemos que un algoritmo genético es un algoritmo de aprendizaje de máquina que básicamente emula los principios de la evolución biológica y que optimiza, o trata de optimizar el espacio de soluciones para un problema En este caso toma una estrategia, y las manipula tratando de obtener la mejor estrategia Fogel y colegas, en 1999, tomaron el desafío de Arthur y construyeron un AG para modelar el problema del Bar El Farol para optimizar las estrategias Básicamente al final de cada paso, cada individuo en el modelo, basados en su historia previa, ajustan los datos lo mejor posible y tratan de darse cuenta si irán o no al Bar en el próximo paso, usando el GA para optimizar las estrategias El mostró que una estrategia en particular fue usada, que el promedio de la concurrencia era menor que 60 que era lo que Arthur había propuesto que era 57 Una de las cosas que vio es que le permitía a cada individuo correr un algoritmo genético para 25 generaciones con 100 estrategias diferentes Eso implica mucho poder de computación en el caso original de Arthur, simplemente tenían una bolsa de 5 estrategias Cuando era un estudiante de posdoc me dio curiosidad si la concurrencia al bar al azar es de 50 porque la mitad del tiempo vas y la otra mitad no, y es como tirar al aire una moneda y la concurrencia planteada por Arthur es de 60 y la de Fogel y otros plantean que la concurrencia óptima es de 57 y si pensamos en agentes perfectamente racionales ellos pensarán en 50? no es tan obvio uno puede pensar que 50 es que todos los agentes están tratando de encontrar los datos y pueden usar tanto poder de computación como quieran dado el hecho de que consiguen todos los datos, uno puede predecir que el promedio será si el bar está lleno o no y el número es 50 o bien todos comienzan en el mismo punto todos llegan a las mismas predicciones en cuyo caso o bien todos van al bar o bien no van al bar cada semana y asumimos que esto se distribuye probabilísticamente y entonces será 50 que no sería realmente un promedio Si graficamos estos puntos, hacemos un gráfico, no es con datos reales, para nada uno puede pensar en cuanta gente, cuánta racionalidad o poder computacional nos permitirá tener acceso y el promedio de la concurrencia se muestra aquí y puede ser el caso que haya alguna clase de curva aquí y puede que para Arthur por la opción particular que él escogio y que lo llevó a una buena suposición llegando a este valor óptimo Podemos hacer un experimento para probarlo Trabajé con Forrest Stonedahl, quien también trabaja con Uri Wilensky y decidimos diseñar un algoritmo genético optimizar el espacio de las estrategias en el modelo de NetLogo de El Farol Y lo que hicimos fue tomar la cantidad del poder computacional que posee cada agente desde 0 a 20 generaciones y el punto acerca de lo que esto significa es que nos permite escalar los grados finales, cuanto esfuerzo ponen los agentes en tratar de predecir la generación para la próxima semana y corrimos el modelo 500 ticks, con un promedio de 30 corridas y medimos el promedio de concurrencia por semana para las últimas 100 semanas y lo que pudimos mostrar es que nunca llega a 60, pero a medida que se aumenta el poder de computación el promedio de concurrencia al bar baja, lo cual es interesante, porque entonces tenemos agentes que toman cada vez mejores decisiones y el sistema como un todo tiene una mejor performance en el trabajo original de Arthur hay algo parecido que implica que no es necesario que cada individuo y su decisión es igual a las decisiones y estrategias de todo el sistema y nuestro argumento fue que a medida que aumentamos el poder computacional cada individuo tendrá como los otros individuos y entonces la heterogeneidad del sistema bajará, lo que significa que la performance total del sistema también bajará El problema del Bar El Farol requiere de agentes heterogéneos para poder alcanzar el valor de 60 como máximo, sin incrementar el poder de computación Este es un ejemplo de como se puede combinar modelos basados en agentes con aprendizaje de máquina, con algoritmos genéticos puestos en cada agente para que puedan tomar las decisiones y también es un ejemplo de algo que hablamos antes, que es la adaptabilidad verdadera de los agentes, los agentes en este contexto están tomando diferentes decisiones, basados en sus experiencias pasadas y como resultado de ello aún cuando se les presenten las mismas situaciones Basado en lo que hice en el pasado, puedo usar diferentes estrategias para poder tomar mis decisiones, y como resultado puedo cambiar la manera de ver el problema Y sería injusto si no menciono que este problema no sólo nos inspiró a nosotros para hacer cosas interesantes, sino que hay muchos e interesantes modelos relacionados con el modelo de El Farol que uno puede investigar en NetLogo El Juego de la Minoría es una versión simplificada e idealizada de el problema de El Farol, que básicamente en cada paso del tiempo, cada agente tiene que decidir si quieren ser 0 o 1, por ejemplo y si uno está en la minoría y tiene 0 será recompensado pero si está en la mayoría no y esto es un lindo resumen de los mercados de acciones de la bolsa, uno puede comprar cuando todos venden y vender cuando todos compran si se quiere hacer algo de dinero De hecho Brian Arhtur, John Holland y otros construyeron un mercado de acciones artificial basados en algunos de los principios mostrados en El Farol Lo interesante fue que mostró que algunos de los principios del mercado de acciones en esta situación artificial, uno puede crear auges y caídas, perturbando los parámetros de los agentes, esto es algo interesante de discutir acerca del poder de computación, de la heterogeneidad debido a que muchos de los resultados del mercado de acciones artificial, están basados en el hecho de que hay una mezcla de agentes en la población Algunos son técnicos otros son fundamentalistas y así sucesivamente Este sistema no está directamente vinculado con El Farol pero creo que es un modelo muy interesante y es también un modelo económico, pueden mirarlo en NetLogo y se llama El juego de la cerveza de Raíz, o Cambio en la Demanda, también llamado el Juego de la Cerveza; fue desarrollado originalmente por John Sterman, él exploró los detalles, Es un juego muy interesante, en este caso es un poco diferente de los otros MBA que estuvimos hablando, ya que éste es un MBA de simulación participativa Aquí son seres humanos los que interactúan en vez de los agentes para tomar las decisiones acerca de como debe funcionar el mundo; en este caso uno trata de tomar decisiones acerca de cuánta cerveza de raíz se debe pedir, cerveza en el original pero como NetLogo es un paquete de software amigable para los niños, usamos cerveza de raíz El modelo muestra que pequeños retrasos en la cantidad de información pueden implicar grandes cambios en términos de oferta y de pedidos No voy a entrar en los detalles del juego pero si están interesados en racionalidad y juegos de oferta, o de cosas como que la gente no hace un buen trabajo cuando hay esperas en las cadenas de ofertas, yo les recomiendo que miren el juego de la cerveza de raíz Esto fue todo por esta semana, seguiremos con un breve resumen y discusión en la próxima unidad