La estrategia para resolver un problema suele basarse en una aproximación mecanicista: reduzcamos el problema a sus partes constituyentes y entendamos las relaciones casuales entre los distintos componentes. Una vez entendemos la mecánica del problema podemos resolverlo y dar soluciones a otros similares. En otras ocasiones optamos por buscar regularidades estadísticas que nos describen el comportamiento de un determinado sistema; no entendemos su "mecánica" pero, si esas regularidades se mantienen, contamos con la información suficiente para resolver otros problemas similares. Esta última estrategia trabaja de modo retrospectivo. Pero se puede aplicar el mismo enfoque de un modo prospectivo: si queremos buscar la solución óptima a un problema, podemos ensayar diferentes soluciones e ir seleccionando aquellas que proporcionan la mejor respuesta, independientemente de las causas, y así progresivamente (en sucesivos ciclos experimentales) acabar encontrando una solución óptima. De nuevo, no conoceremos la mecánica del problema pero contaremos con una solución, un algoritmo, óptimo.
Esta última aproximación es en realidad la forma de funcionamieno de los algoritmos evolutivos, que basan la resolución de problemas computacionales en mecanismos que simulan la evolución biológica para la selección del algoritmo computacional óptimo. Los algoritmos genéticos son uno de los tipos de algoritmos evolutivos más utilizados y se basan en software que simula los mecanismos genéticos de los organismos biológicos (genes "empaquetados" en cromosomas y sometidos a procesos de mutación y recombinación). [Un buen sitio para empezar a profundizar en estos temas es el tutorial de informática evolutiva de JJ Merelo].
Los modelos basados en agentes forman parte de la misma familia de sistemas computacionales y permiten simular sstemas complejos (compuestos de nuemorosos agentes que interaccionan entre si, cada uno de ellos con un comportamiento simple pero con una respuesta colectiva compleja). [Aquí puede consultarse un buen repositorio de información sobre modelos basados en agentes, centrado en el campo de la economía computacional].
Los algoritmos evolutivos y los modelos basados en agentes han sido utilizados en el diseño y optimización de modelos empresariales, en particular en aspectos operativos como el diseño de la gestión de cadenas de suministro o de sistemas logísticos. Así, Icosystem utiliza este tipo de herramientas computacionales (en buena medida, en su caso, inspiradas por el comportamiento de los insectos sociales, un paradigma de agentes de comportamiento simple, los individuos, que producen una repuesta agregada compleja, la colonia). Por ejemplo, Icosystem han desarrollado sistemas computacionales para el diseño de mercados, de operaciones en la industria petrolera, la simulación del comportamiento de los consumidores, etc.
Hasta el momento, todas las aplicaciones de los algoritmos evolutivos se han basado en la simulación in silico de procesos para la identificación de diseños o algoritmos que después se aplican a la vida real. Pero, al menos en teoría, sería posible aplicar la estrategia de un algoritmo evolutivo directamente en el mundo real. De un modo muy simple, se podría replicar un experimento variando ligeramente alguno(s) de sus aspectos, medir sus resultados y seleccionar las variantes mejor adaptadas sobre las que se aplicarían nuevos experimentos. Si no se ha hecho hasta el momento es por una limitación obiva: el coste que supone replicar numerossas veces un proceo costoso (por ejemplo una cadena de suministro).
Pero, parece que empiezan a aparecer algunas experiencias de algortimos evolutivos que trascienden el mundo virtual para desarrrollarse en el mundo real (o al menos cuasi-real, dado que se han utilizado para la optimización de negocios en Internet). En realidad se trata de "aplicaciones" muy heterodoxas del los algoritmos evolutivos, pero que a mi modo de ver conservan la filosofía (y toda la potencia) de los algoritmos evolutivos. Joi Ito ha llamado la atención sobre un modelo de negocio que, a mi modo de ver, podría ser considerado un ejemplo de algoritmo evolutivo en tiempo real (sin fase de simulación previa): la "monetización" de los parques de dominios en Internet. Lo explica en su blog(The "parked domain monetization" business):
The trick is to sign up for millions of domain names; set up pages and run ads on them; after 1 day delete domains that have no traffic; after 3 days delete names that have some traffic; after 5 days delete pages with marginal traffic; keep the 1% of pages that have enough traffic to be worth keeping the domain. Because of the refund policy, the 99% of pages deleted before the 5 day grace period are refunded in full and the "monetizer" gets to keep the ad revenue generated over those 5 days. (This is called "domain tasting".)
Joi Ito plantea que este negocio tiene un efecto neto negativo para la comunidad y reflexiona sobre como combatirlo al mismo tiempo que se sigue garantizando el legítimo derecho de devolución a los usuarios normales. Curiosamente, hasta Google trata de generar beneficios de esta práctica como lo demuestra que cuentan con una página de AdSense dirigidas a los negicios de "domain name parking".
Una parte de la discusión en los comentarios al post de Joi Ito se centra en debatir hasta que punto este negocio es o no legítimo o sus efectos son negativos. En un nuevo post, Investigating parked domain monetization, Joi Ito reconoce la complejidad de la cuestión y "congela" su opinión hasta que complete sus investigaciones sobre el tema como parte del consejo del ICANN (y de hecho ha lanzado un wiki sobre este tema en el sitio del ICANN).
No creo que este tipo de negocios tengan efectos negativos relevantes y me parecen legítimos dado que se adaptan a las reglas de juego. Pero mi objetivo aquí no es discutir esta cuestión sino la escalabilidad de la estrategia a otros tipos de negocio (estos si con efectos netos positivos sobre la "comunidad", usuarios y consumidores, y por supuesto para los empresarios emprendedores).
Los creadores de parques de dominios han dado la vuelta al diseño de un modelo de negocio. No tratan de comprender el comportameinto de los consumidores: cómo y porqué un usuario de Internet llega a un determinado dominio y entra en un anuncio situado en esa página. Para obterner esa información necesitaría por ejemplo desarrollar estudios etnográficos en los que se "observase" el comportaniento de los usuarios o aplicar métodos de minería de datos que permiten un reconocimiento estadístico de los patrones de comportamiento. En su lugar, estos emprendedores sui generis replican de una forma cuasi-experimental (no sabemos hasta que punto utilizan diseños experimentales) numerosas opciones (diferentes dominios y tipos de publicidad) y en función de los resultados de los experimentos eligen las mejores opciones (aquellos dominios más seleccionados por los usuarios). Este proceso se repite en varios ciclos "evolutivos" hasta quedarse con las mejores opciones. No les importan las razones de la elección, sólo el resultado final. De este modo, se puede desarrollar de un modo rápido un modelo de negocio muy rentable, sin necesidad de costosos y largos estudos de mercado.
Todo el mundo pensará que en realidad estos "cultivadores" de dominios se aprovechan de un nicho de negocio muy particular en el que con un coste mínimo (en realidad prácticamente nulo) se pueden desarrollar experimentos basados en algoritmos evolutivos en el mundo real (no como simulaciones). Pero, ¿hasta que punto este procedimiento puede extenderse a otros modelos de negocio?, ¿en qué otros nichos de mercado es posible, y rentable, esta estrategia?.
Internet se está convirtiendo en un elemento ubícuo de los modelos de negocio, de modo que estamos pasando de empresas reales y virtuales claramente diferenciadas a empresas "brick and mortar" que utilizan Internet como herramienta de organización, comunicación y comercialización (y también a empresas "de Internet" con partes "reales" cada vez más visibles). En este nuevo escenario empresarial, Internet puede permitir ensayar en tiempo real diferentes modelos de negocio utilizando la estrategia de los algoritmos evolutivos con un coste reducido y de un modo rápido. Pero además, algunos negocios "brick and mortar" puros, donde por ejemplo los clientes acuden a las tiendas a realizar sus compras, podrían obtener mejoras en el desarrollo de sus modelos de negocio aplicando experimentos "evolutivos".
