Idealmente, quisiéramos poder predecir todos los fenómenos, porque así podríamos actuar antes de llegar a situaciones no deseadas. >> Sin embargo, sabemos que la predicción tiene límites inherentes por la complejidad. Las interacciones relevantes de un sistema complejo, pueden generar información que no está presente ni en condiciones iniciales ni de frontera, por lo que no podemos saber a priori el estado futuro del sistema. [MÚSICA] >> Afortunadamente, para complementar la predicción limitada, tenemos adaptación. De hecho, es el pan de cada día de los seres vivos, ya que nos tenemos que enfrentar a un entorno de ciertas regularidades, pero que siempre están cambiando; es por eso que encontramos muchas técnicas de adaptación inspiradas en la naturaleza. Podemos definir “adaptación” como la habilidad de un sistema de cambiar de comportamiento en presencia de una perturbación. Si el cambio de comportamiento perjudica al sistema, sería una mala adaptación; pero normalmente se busca que el cambio sea en beneficio del sistema, en otras palabras, que le permita alcanzar sus metas. La predicción es muy similar, en el sentido que también se usa para alcanzar las metas de un sistema; sin embargo, se busca que el cambio de comportamiento se dé antes de que se presente una perturbación. Hay distintas maneras de formalizar las metas de un sistema; una es usando un espacio de parámetros, esto es, considerando todas las variables relevantes como una dimensión cartesiana, y observando la relación que las entradas tienen con las salidas. En problemas de optimización, tratamos de encontrar el mejor valor entre todos los parámetros, el cual produzca valores máximos o mínimos de una o más variables de salida, en función de las variables de entrada. Por ejemplo, si tenemos dos variables XY de entrada y una de salida, de tal manera que Z es igual a una función de XY, podemos representar su relación en tres dimensiones: X, Y y Z. A este espacio de parámetros también se le conoce como "Paisaje de aptitud", porque podemos encontrar picos y valles, donde la altura de cada conjunto de coordenadas de entrada nos determinan qué tan buena es la salida. Con este formalismo, para resolver un problema, sólo tenemos que encontrar el valor óptimo de las variables de entrada. Esto no es trivial, como veremos en otros cursos, pero una vez que encontremos una solución suficientemente buena, ya podremos predecir qué decisión tomar y en qué momento, para lograr el mejor desempeño posible. Esto es si el problema no cambia. Los problemas estáticos nos dan espacios estacionarios, mientras que los problemas dinámicos nos dan espacios no estacionarios. Para los espacios estacionarios, necesitamos predicción; mientras que para los espacios no estacionarios, necesitamos adaptación. No es que una técnica sea mejor que otra, simplemente son apropiadas para problemas distintos. No podemos comparar un martillo con un desarmador, si no sabemos si nos enfrentamos a clavos o a tornillos. Es por eso que, antes de empezar a desarrollar un programa de inteligencia artificial, es imprescindible identificar el tipo de problema que intentaremos atacar, ya sea estacionario o no estacionario. [MÚSICA]
