Por Romina Andreani
Su nombre es Viktoriya Semeshenko, es física y actualmente se desempeña como investigadora adjunta del CONICET en el Instituto Interdisciplinario de Economía Política (IIEP), en la Facultad de Ciencias Económicas de la UBA.
Nació en 1979 en Minsk, Belarus. Vivió en distintos países, hasta que sus padres se radicaron en Taskent, Uzbekistan, cuando se disolvió la Unión Soviética. Se recibió en la Universidad en Tashkent; obtuvo una beca para hacer la maestría en Modeling and Simulation of Complex Realities, en el Centro Internacional de Física Teórica de Abdus Salam, en Trieste, Italia; y finalmente se doctoró en el Instituto Polytechnique de Grenoble, en Francia.
“Durante estos años conocí personas extraordinarios, profesores que me marcaron mucho mi camino, que me enseñaron y trasmitieron este interés por los sistemas complejos”, le cuenta a Newsweek Argentina, y confiesa: “Argentina fue una elección personal donde vivo hace ya bastante”.
Hoy, Viktoriya conduce el CSNetlab (ComplexSystem and Network Laboratory) en el IIEP, donde se dedican a abordar problemas de la sociedad, la economía y la industria con preguntas de investigación teórica y aplicada, mediante el uso de metodologías interdisciplinarias provenientes del análisis de sistemas y redes complejas, y de la inteligencia artificial, como el aprendizaje automático y la minería de datos y de textos. Además de la pasión por el conocimiento que ella contagia, hablar con esta científica es como asomarse al saber de un futuro inminente, que muy pronto será de manejo obligatorio para todos.
¿Y ahora quién podrá liderarnos? Cómo guiar a las organizaciones en tiempos de crisis
¿Cómo podría definirse específicamente el estudio de los “sistemas complejos”, más allá del sentido común, que nos inclina a pensar que todo escenario complicado podría calificarse así?
-Etimológicamente, complejidad procede del término latín “plexus”, que podría traducirse como “entrelazado”. Podemos decir que los sistemas complejos son aquellos en los que las interacciones hacen difícil separar los componentes y estudiarlos de forma aislada, debido a su interdependencia. Estas interacciones pueden generar información novedosa que limita la predictibilidad de forma inherente, ya que no está presente en las condiciones iniciales ni en las de contorno. Estas interacciones generan comportamientos emergentes que no se pueden predecir directamente a partir del análisis de los componentes individuales. Ejemplos comunes de sistemas complejos incluyen organizaciones sociales y económicas, ecosistemas, infraestructuras como la red eléctrica, el transporte o los sistemas de comunicación, los mercados financieros, las ciudades, entre muchos otros.
¿Qué otras características han observado de este tipo de sistemas?
– Muchos sistemas complejos se autoorganizan, alcanzando un estado organizado sin la presencia de una autoridad central o un control externo. Los ejemplos naturales se encuentran en ámbitos como el movimiento colectivo, las bandadas de pájaros, los bancos de peces, organizaciones sociales, etc. Uno de los ejemplos más emblemáticos es la “ola mexicana”. El término “ola mexicana” se utilizó por primera vez durante el Mundial de Fútbol celebrado en México, en 1986, y desde entonces se ha convertido en paradigma de diversos fenómenos en los que una perturbación inicial se propaga en forma de una única onda “plana”. También son adaptativos (por ejemplo, los sistemas biológicos o sociales), lo que implica que pueden modificar su estructura o comportamiento en respuesta a cambios en el entorno. Los componentes en estos sistemas pueden aprender o evolucionar, cambiando las reglas de interacción con el tiempo (por ejemplo, individuos en sistemas sociales).
Llevás muchos años investigando el tema. ¿Qué avances o cambios ha experimentado tu disciplina en lo que va del siglo XXI?
– Es muy difícil hablar de todos los avances, pero voy a mencionar algunos. Por un lado, cabe destacar el desarrollo de la teoría de redes complejas, que permite modelar y analizar sistemas formados por componentes interconectados, como redes sociales, biológicas o tecnológicas. La llamada ciencia de redes ha permitido estudiar propiedades como la robustez y resiliencia (capacidad de recuperación), los puntos críticos de estos sistemas, la propagación de información o enfermedades, la estructura jerárquica, el riesgo sistémico. Lo que ha sido crucial para el estudio de sistemas complejos es la disponibilidad y constante crecimiento del Big Data. Herramientas de lo que hoy se llama Ciencia de Datos han permitido el procesamiento de enormes volúmenes de datos en tiempo real, aplicando técnicas y metodologías de sistemas complejos para encontrar patrones emergentes. Los algoritmos de clustering, análisis de redes, y los métodos estadísticos avanzados han proporcionado herramientas críticas para comprender mejor la estructura y el comportamiento de los sistemas complejos.
Machine Learning y modelos de sistemas complejos son dos enfoques distintos dentro de la ciencia de datos. ¿Cuáles son sus diferencias y cómo pueden complementarse?
-Son dos enfoques que se operan con paradigmas diferentes. Machine Learning se centra en la inferencia y el descubrimiento de patrones a partir de los datos; mientras que los Modelos de Sistemas Complejos intentan entender las dinámicas internas y las interacciones de sistemas compuestos por múltiples componentes. La gran diferencia radica en la predicción vs. comprensión. A pesar de sus diferencias, estos enfoques pueden complementarse de manera efectiva, combinando la capacidad predictiva y adaptativa de ML con la comprensión profunda de las dinámicas del sistema complejo, conduciendo a modelos más robustos y complejos.
¿Cuál es el valor de los sistemas complejos en la economía real y cómo las empresas podrían aprovechar este enfoque?
– Los sistemas complejos permiten una mejor comprensión de cómo las interacciones dinámicas y no lineales entre los agentes económicos (personas, empresas, instituciones) dan lugar a comportamientos globales autoorganizados y fenómenos emergentes, como la formación de mercados organizados, eventos extremos como burbujas financieras, crisis económicas o cambios estructurales del mercado, adopción y propagación de innovaciones.
A diferencia de los enfoques tradicionales, que usualmente suponen equilibrios y relaciones lineales, los modelos de sistemas complejos toman en cuenta la naturaleza interconectada y adaptativa de la economía.
Por ejemplo, las cadenas de suministro y las redes de cadenas de valor global son sistemas complejos. Cada nodo (empresa, proveedor, cliente) interactúa con otros nodos, y perturbaciones en un nodo (como una falla en la cadena de suministro) pueden tener efectos en cascada a lo largo de toda la red. Usando la teoría de redes complejas, las empresas pueden identificar cuellos de botella, vulnerabilidades y puntos críticos en su cadena de suministro, mejorando su resiliencia ante interrupciones como pandemias o desastres naturales. Asimismo, las empresas pueden utilizar análisis de redes complejas para estudiar el comportamiento del consumidor, identificar influencers, tendencias emergentes y comunidades clave dentro de un mercado, con el fin de mejorar las estrategias de marketing al identificar patrones de consumo, cómo las ideas o productos se propagan a través de diferentes redes y cómo maximizar la influencia en puntos críticos de la red.
¿En qué áreas de la sociedad y el conocimiento el estudio de sistemas complejos ha generado nuevos enfoques prácticos aplicables a la vida real y la toma de decisiones?
– Desde la salud pública hasta las políticas públicas, los modelos de sistemas complejos permiten a los tomadores de decisiones simular escenarios, prever resultados inesperados y crear soluciones más resilientes y adaptativas en contextos caracterizados por la interconexión y la no linealidad. En Economía y Mercados Financieros, la ciencia de redes complejas ayudó a comprender las interconexiones entre instituciones y cómo las crisis financieras pueden propagarse a través de estas redes. Esto ha permitido identificar y entender los eventos de crisis en distintos mercados (TBTF: “too-big-to-fail”; TCTF: “too-central-to-fail”). En la Salud Pública y Epidemiología, se desarrollaron modelos epidemiológicos avanzados para comprender cómo las enfermedades se propagan a través de poblaciones. Modelos como el SIR (Susceptibles-Infectados-Recuperados) y modelos basados en agentes ayudaron a prever el curso de epidemias, como el COVID-19, y a tomar decisiones sobre intervenciones como cuarentenas, campañas de vacunación o distanciamiento social; mediante simulaciones, optimizar la distribución de recursos médicos (por ejemplo, camas hospitalarias o ventiladores) que proyectan las necesidades en función de la evolución de una crisis sanitaria. En Ciencias Sociales, los modelos de sistemas complejos han sido aplicados para comprender fenómenos sociales como la formación de opinión, la difusión de innovaciones y la movilización social. Estos modelos ayudan a analizar cómo las interacciones entre individuos (por ejemplo, en redes sociales) pueden llevar a cambios de comportamiento a nivel colectivo (polarización de opiniones, por ejemplo). En Urbanismo y Planificación Territorial, los sistemas complejos se usan para modelar el tráfico, el consumo de energía y la distribución de servicios, para modelar como mejorar la calidad de vida, reducir la congestión y minimizar el consumo de recursos.
Por qué Bill Gates no quiere que se detenga el desarrollo de la inteligencia artificial
Varios analistas de escenarios futuros de la industria y la economía señalan que a la revolución digital le sigue una evolución intensa de la logística. En este sentido, ¿ves oportunidades de sinergia entre la investigación académica de “sistemas complejos”, el auge de la IA y la industria logística?
-La evolución de la logística en el contexto de la revolución digital y el auge de la inteligencia artificial está creando oportunidades para integrar enfoques basados en los modelos de sistemas complejos con las nuevas tecnologías. La sinergia entre la investigación académica en sistemas complejos, la IA y la industria logística tiene el potencial de transformar la eficiencia, la resiliencia y la sostenibilidad del sector. Al integrar estas disciplinas, las empresas pueden desarrollar redes logísticas adaptativas, optimizar la gestión de cadenas de suministro globales adaptativas, crear nuevos modelos de negocio flexible ante la incertidumbre. Para darte algunos ejemplos: se puede desarrollar un sistema de logística que utilice IA para predecir retrasos en los envíos debido a condiciones climáticas o interrupciones geopolíticas, combinado con un modelo de red compleja que identifique rutas alternativas y optimice los recursos disponibles. También podrían implementarse simulaciones de riesgo sistémico en una red de transporte que integre IA para predecir eventos disruptivos y tomar decisiones preventivas, como ajustar rutas o redistribuir inventarios antes de que ocurran problemas graves. Y ya podemos imaginar un sistema de gestión de flotas de camiones autónomos que utiliza IA para anticipar patrones de tráfico en ciudades y carreteras, adaptando las rutas de los vehículos según las condiciones cambiantes en tiempo real, optimizando la entrega y reduciendo el consumo de combustible.
