Πώς περιγράφουμε πολύπλοκα συστήματα για την επίλυση παγκόσμιων διλημμάτων

Η κοινωνία αντιμετωπίζει πολλές προκλήσεις από την ατομική υγεία μέχρι παγκόσμιες οικονομικές κρίσεις, ελλείψεις τροφίμων, εστίες ασθενειών και εθνοτική βία. Αυτά τα ζητήματα είναι εξαιρετικά περίπλοκα. Ο λόγος για τον οποίο δυσκολευόμαστε τόσο πολύ να τα αντιμετωπίσουμε οφείλεται στην πραγματικότητα σε ένα βασικό μαθηματικό πρόβλημα:Πώς μπορούμε να αναγνωρίσουμε τις σημαντικές πληροφορίες—τις πληροφορίες που καθορίζουν αποτελεσματικές παρεμβάσεις—σε μεγάλο όγκο δεδομένων;

Έχουμε περισσότερα δεδομένα για την κοινωνία μας από ποτέ, αλλά η διαδρομή από τα μεγάλα δεδομένα σε λύσεις που να μπορούν να υλοποιηθούν δεν είναι απλή. «Από τα μεγάλα δεδομένα σε σημαντικές πληροφορίες», ένα έγγραφο που συνοψίζει την έρευνα στο New England Complex Systems Institute, παρέχει ένα πλαίσιο που δείχνει ποιο είναι το πρόβλημα και πώς να σημειωθεί πραγματική πρόοδος στην επίλυση αυτών των προκλήσεων.

Ποια είναι η επιστημονική τροχιά για να οδηγηθεί ένας άρρωστος ή η οικονομία μιας χώρας που αντιμετωπίζει προβλήματα σε κατάσταση υγείας ή σταθερότητας; Φαίνεται ότι η σωστή προσέγγιση είναι απλή, αν και δύσκολη. Μελετήστε τα διαθέσιμα δεδομένα και φτιάξτε ένα μοντέλο. Προσομοίωση του μοντέλου, πρόβλεψη των επιπτώσεων των παρεμβάσεων - voila, το πρόβλημα λύθηκε. Αυτή η προσέγγιση φαίνεται λογική, αλλά υπάρχει ένα κρυφό ελάττωμα. Λειτουργεί μόνο εάν προσδιορίσουμε σωστά τις κατάλληλες ιδιότητες για μελέτη.

Τι γίνεται αν απλώς συνεχίσουμε να συλλέγουμε όλο και περισσότερες λεπτομέρειες για ένα σύστημα; Δεν θα ήταν σωστό το μοντέλο; Το πρόβλημα είναι ότι τα δεδομένα δεν τελειώνουν ποτέ. δεν μπορούμε να λάβουμε όλες τις μικροσκοπικές πληροφορίες για ένα σύστημα, ακόμη και για ένα μικρό σύστημα.

Η λύση του NECSI σε αυτήν την πρόκληση προέρχεται από μια νέα μαθηματική προσέγγιση για την περιγραφή συστημάτων που αναπτύχθηκαν αρχικά στη φυσική, συγκεκριμένα τη μελέτη της «ομάδας επανακανονικοποίησης» των μεταπτώσεων φάσης. Εξετάστε το σημείο βρασμού του νερού. Η μετάβαση προκαλεί μια ασυνεχή αλλαγή στην πυκνότητα. Αν αυξήσουμε την πίεση, αυξάνεται και η θερμοκρασία βρασμού. Η ασυνέχεια στην πυκνότητα μειώνεται μέχρι να εξαφανιστεί. Σε αυτό το σημείο, που ονομάζεται σημείο μετάβασης φάσης δεύτερης τάξης, το σύστημα έχει μια συμπεριφορά που δεν μπορεί να περιγραφεί από την ίδια την αλλαγή πυκνότητας. Αντίθετα, υπάρχουν διακυμάνσεις της πυκνότητας σε όλο το υλικό. Για να τα αντιμετωπίσει μαθηματικά, ο Ken Wilson ανέπτυξε ομάδα επανακανονικοποίησης για να αντιμετωπίσει τη συμπεριφορά ως συνάρτηση της κλίμακας.

Η εργασία του NECSI επεκτείνει αυτές τις έννοιες σε μια γενικευμένη θεωρία πληροφοριών πολλαπλής κλίμακας. Σε αυτή την προσέγγιση, δίνεται στα δεδομένα ή στις πληροφορίες μια συγκεκριμένη κλίμακα. Διαφορετικές ιδιότητες ενός πολύπλοκου συστήματος επηρεάζουν τη συμπεριφορά του σε διαφορετικές κλίμακες. Όταν θέλουμε να αλλάξουμε τη συμπεριφορά ενός πραγματικού συστήματος, συνήθως θέλουμε να επηρεάσουμε τη μεγαλύτερη κλίμακα. Ως εκ τούτου, οι ιδιότητες που είναι πιο σημαντικές για τα μοντέλα μας θα είναι αυτές που μπορούν να εμφανιστούν στη μεγαλύτερη κλίμακα.

Αυτή η προσέγγιση είναι μια τεράστια απλοποίηση. Αντί να μελετήσουμε όλα τα δεδομένα και όλες τις αλυσίδες αιτίας και αποτελέσματος που επηρεάζουν τη συμπεριφορά ενός συστήματος από τη μοριακή κλίμακα και πάνω, μπορούμε να εστιάσουμε μόνο στις συγκεκριμένες πληροφορίες που έχουν σημασία. Ωστόσο, αυτή η προσέγγιση απαιτεί τη δική της μαθηματική επεξεργασία που μπορεί να είναι δύσκολο να εφαρμοστεί στην πράξη. Ωστόσο, όταν γίνεται η προσπάθεια, η θεωρία πληροφοριών πολλαπλής κλίμακας μπορεί να παρέχει λεπτομερείς οδηγίες σχετικά με το ποιες παρεμβάσεις μπορούν να οδηγήσουν στις αλλαγές που θέλουμε να κάνουμε στην ανθρώπινη υγεία ή την κοινωνία.

Η NECSI έχει εφαρμόσει με επιτυχία αυτές τις μεθόδους σε μια σειρά από προβλήματα του πραγματικού κόσμου. Μια ανάλυση έδειξε ότι η Αραβική Άνοιξη επιταχύνθηκε από την αύξηση των τιμών των τροφίμων. Αυτές οι τιμές αυξήθηκαν με τη σειρά τους από τη μετατροπή του καλαμποκιού σε αιθανόλη και την κερδοσκοπία στην αγορά γεωργικών προϊόντων στις Ηνωμένες Πολιτείες. Μια άλλη ανάλυση διαπίστωσε ότι ο μεγαλύτερος προγνωστικός παράγοντας βίας σε πολλές χώρες είναι η γεωγραφική κατανομή των εθνοτικών ομάδων.

Σωστά προβλέψαμε ότι θα υπήρχε ένα δραματικά μεγαλύτερο ξέσπασμα του Έμπολα πριν από το ξέσπασμα της Δυτικής Αφρικής. Στη συνέχεια, προβλέψαμε σωστά ότι οι έλεγχοι υγείας από πόρτα σε πόρτα θα εμπόδιζαν γρήγορα την εξάπλωση του ιού. Σε όλες αυτές τις περιπτώσεις, η προσέγγισή μας ξεμπέρδεψε τον περίπλοκο ιστό αιτίας και αποτελέσματος για να βρει τις πιο σημαντικές ιδιότητες και μοχλούς για την επίλυση ορισμένων από τις μεγαλύτερες προκλήσεις της κοινωνίας.

Η μελέτη, From Big Data To Important Information δημοσιεύτηκε πρόσφατα από την Yaneer Bar-Yam στο περιοδικό Complexity .