Distributional Uncertainty and Adaptive Decision-Making in System

1. El Problema: Limitaciones de los Modelos Actuales

El diseño de sistemas de ingeniería complejos (como sistemas ciberfísicos o robótica) requiere coordinar decisiones entre componentes heterogéneos bajo múltiples objetivos en conflicto y especificaciones inciertas.

• Enfoque Actual (Co-diseño Monótono): Los métodos existentes modelan cada subsistema como un "Problema de Diseño" (DP), que es una relación factible entre funcionalidades y recursos en conjuntos parcialmente ordenados. La incertidumbre se maneja tradicionalmente mediante intervalos (límites optimistas y pesimistas).
• Limitaciones Críticas:
  1. Falta de Expresividad Probabilística: Los intervalos solo permiten un razonamiento de "peor caso". No pueden representar riesgos probabilísticos (como restricciones de probabilidad, niveles de confianza o cuantiles) ni distinguir entre diseños "casi siempre seguros" y aquellos conservadores uniformemente.
  2. Incapacidad para Decisiones Adaptativas: Los modelos actuales no soportan naturalmente decisiones en múltiples etapas donde las elecciones posteriores se adaptan a observaciones intermedias (ej. resultados de pruebas o realizaciones de demanda).
  3. Pérdida de Información: Reducir distribuciones complejas a intervalos de confianza elimina los matices de las compensaciones (trade-offs) cuantitativas entre funcionalidad, recursos y riesgo.

2. Metodología: Marco de Incertidumbre Distribucional

Los autores proponen una extensión del marco de co-diseño monótono para manejar incertidumbre distribucional y decisiones adaptativas, utilizando herramientas de la teoría de la medida y la teoría de categorías.

A. Fundamentos Matemáticos

Para evitar patologías de medibilidad clásicas al definir distribuciones sobre problemas de diseño, el marco utiliza:

• Espacios Cuasi-Medibles (QMS) y Espacios Cuasi-Universales (QUS): Se definen sobre un espacio muestral $\Omega$ (generalmente un espacio de Polish). En lugar de fijar una $\sigma$-álgebra primero, se definen las variables aleatorias como ciudadanos de primera clase. Esto permite que los operadores de composición del co-diseño (serie, paralelo, retroalimentación) sean cuasi-medibles.
• Núcleo de Markov (Markov Kernels): Se utilizan para modelar la composición de distribuciones y las políticas de decisión adaptativa. Un núcleo de Markov $A \Rightarrow B$ representa una transición probabilística que permite re-parametrizar el proceso de diseño basado en observaciones previas.

B. Extensión del Co-diseño

1. Distribuciones sobre Problemas de Diseño (DPs): En lugar de un DP determinista, el resultado de un componente es una distribución sobre un espacio de QUS de DPs. Se demuestra que las operaciones estándar de co-diseño (serie, paralelo, traza, unión, intersección) se levantan a distribuciones, manteniendo la composicionalidad.
2. Modelado Adaptativo (MDPIs Distribucionales): Se introducen los "Problemas de Diseño Monótonos con Implementación" (MDPI) extendidos. La adaptividad se modela mediante una secuencia de núcleos de Markov donde:
   • Las especificaciones y decisiones se actualizan en etapas.
   • Las decisiones posteriores dependen de observaciones intermedias (ej. elegir un algoritmo después de observar el sensor específico instalado).
3. Consultas (Queries) y Observaciones: Se definen operadores para extraer métricas de riesgo de las distribuciones:
   • Probabilidad de factibilidad: Probabilidad de que un par funcionalidad/recurso sea factible.
   • Límites de confianza (Inner/Outer): Generalización de los intervalos que garantizan que el resultado caiga dentro de ciertos límites con una probabilidad $p$.
   • Recursos mínimos: Distribución de los recursos mínimos necesarios para cumplir una funcionalidad dada.

3. Contribuciones Clave

1. Marco Distribucional Composicional: Es el primer marco que maneja incertidumbre distribucional general sobre modelos de diseño composicional, manteniendo la estructura algebraica del co-diseño (categoría monoidal simétrica trazada).
2. Soporte para Adaptatividad Multi-etapa: Formaliza procesos de diseño donde las decisiones se toman secuencialmente a medida que se resuelve la incertidumbre, utilizando núcleos de Markov para re-parametrizar el espacio de implementación.
3. Herramientas de Evaluación de Riesgo: Introduce consultas que devuelven métricas probabilísticas (probabilidades de factibilidad, cuantiles, distribuciones de costos) en lugar de conjuntos factibles deterministas.
4. Validación Empírica: Demuestra la utilidad del marco mediante un estudio de caso en un Vehículo Aéreo No Tripulado (UAV).

4. Resultados del Estudio de Caso (UAV)

El artículo aplica el marco al diseño de un UAV para tareas de entrega, comparando tres escenarios:

1. Determinista: Parámetros fijos.
2. Incertidumbre por Intervalos: Parámetros con variación $\pm 5\%$ (peor/mejor caso).
3. Incertidumbre Distribucional Adaptativa: Parámetros con distribuciones Gaussianas truncadas y decisiones adaptativas.

Hallazgos principales:

• Superioridad de la Adaptatividad: El diseño adaptativo (donde se eligen el actuador y la batería después de observar los parámetros reales) reduce significativamente el costo esperado de vida útil en comparación con decisiones "aquí y ahora" (no adaptativas).
• Límites de los Intervalos: El enfoque basado en intervalos no puede capturar la diferencia entre un diseño que es robusto en promedio pero falla en casos extremos, y uno que es conservador uniformemente. El modelo distribucional revela que, para ciertos niveles de carga útil, cambiar de tecnología (ej. de una batería LCO a una LFP) basado en observaciones reduce drásticamente el costo, algo que el modelo de intervalos no cuantifica correctamente.
• Compensaciones de Riesgo: El marco permite visualizar no solo el costo promedio, sino también la "cola" de la distribución (resultados de alto impacto pero baja probabilidad), permitiendo a los diseñadores tomar decisiones informadas sobre la aversión al riesgo.

5. Significado e Impacto

Este trabajo representa un avance fundamental en la ingeniería de sistemas complejos:

• Puente entre Teoría y Práctica: Conecta la teoría abstracta de la incertidumbre (medida, probabilidad) con la ingeniería práctica de diseño de sistemas heterogéneos.
• Gestión de Riesgo Cuantitativa: Permite pasar de la "robustez de peor caso" (que a menudo conduce a sobredimensionamiento costoso) a una gestión de riesgo basada en probabilidades, optimizando el rendimiento esperado sin sacrificar la seguridad crítica.
• Flexibilidad en la Toma de Decisiones: Proporciona un lenguaje matemático riguroso para diseñar sistemas donde la información se adquiere progresivamente, permitiendo estrategias de "esperar y ver" (wait-and-see) que son imposibles de modelar con herramientas actuales.
• Futuro: Abre la puerta a la integración de aprendizaje automático (inferencia de distribuciones a partir de datos) y optimización de políticas adaptativas en el ciclo de diseño de sistemas ciberfísicos.

En resumen, el artículo propone una evolución necesaria desde modelos de incertidumbre estáticos y conservadores hacia un marco dinámico, probabilístico y composicional, esencial para el diseño de la próxima generación de sistemas autónomos inteligentes.