Procela: Epistemic Governance in Mechanistic Simulations Under Structural Uncertainty

El artículo presenta Procela, un marco de simulación en Python que introduce una gobernanza epistémica dinámica capaz de mutar su estructura causal en tiempo real ante incertidumbre estructural, permitiendo añadir o eliminar mecanismos, modificar políticas de resolución de variables y ejecutar experimentos que alteran el propio grafo causal con reversión automática en caso de fallo, logrando reducciones significativas en el error y el arrepentimiento acumulativo en la modelización de la resistencia antimicrobiana.

Lo esencial

Imagina que estás tratando de predecir el clima, pero tienes un problema: no estás seguro de qué reglas del juego están funcionando hoy. ¿Es un día de viento? ¿De lluvia? ¿O de calor extremo?

Normalmente, los simuladores por computadora (como los que usan los meteorólogos o los epidemiólogos) son como un reloj de cuerda: una vez que los configuras con un conjunto de reglas, esas reglas son fijas para siempre. Si el mundo cambia y las reglas dejan de funcionar, el reloj sigue marcando la hora incorrecta sin darse cuenta.

El artículo que presentas introduce Procela, una nueva forma de pensar sobre estas simulaciones. Aquí te lo explico con analogías sencillas:

1. El Problema: El "Reloj Roto"

Imagina que estás en un hospital y quieres saber cómo se propaga una bacteria resistente a los antibióticos.

• El modelo viejo: Elige una sola teoría (por ejemplo: "¡La bacteria se transmite por las manos de los enfermeros!") y la usa siempre.
• La realidad: A veces la bacteria se transmite por las manos, otras veces por el agua sucia, y otras veces porque usamos demasiados antibióticos.
• El fallo: Si el modelo sigue usando la teoría de "las manos" cuando en realidad el problema es "el agua", sus predicciones serán un desastre, pero el modelo no se dará cuenta de que está equivocado.

2. La Solución: Procela, el "Arquitecto de Estructuras"

Procela no es solo un simulador; es un sistema que puede reconstruirse a sí mismo mientras funciona. A diferencia de un "ensamble" tradicional (que es como tener tres mapas fijos y elegir cuál usar), Procela puede dibujar un mapa completamente nuevo en medio del viaje, añadir instrumentos que no existían antes, o cambiar cómo el capitán interpreta la brújula.

Funciona con un "Director de Orquesta" (el Gobernador) que tiene cuatro capacidades generales, independientes del tema que estés estudiando:

A. Las Variables son "Jueces con Memoria"

En un programa normal, una variable es como una pizarra que solo muestra el número actual. En Procela, la variable es un juez sabio que recuerda todo el historial.

• Imagina que varios expertos le gritan sus predicciones al juez.
• El juez no solo anota el número, sino que guarda: "¿Quién dijo esto?", "¿Qué tan seguro estaba?", "¿Cuándo lo dijo?".
• Si los expertos empiezan a gritar cosas muy diferentes, el juez sabe que hay confusión y que algo raro está pasando.

B. Los Mecanismos son "Teorías en Competencia"

En lugar de tener un solo motor, Procela tiene varios motores funcionando a la vez.

• Es como tener un equipo de detectives. Uno investiga el rastro de las manos, otro el rastro del agua, otro el rastro de los medicamentos.
• Todos trabajan al mismo tiempo. El sistema no elige a uno de antemano; deja que compitan y vea quién tiene más pruebas.

C. El Gobernador: El "Director de Orquesta" (Capacidades Generales)

Esta es la parte más genial. El Gobernador vigila al equipo y tiene cuatro poderes universales para manejar cualquier tipo de simulación:

1. Observar: Monitorea las señales que tú defines para tu propio campo (pueden ser errores de predicción, desacuerdos, o cualquier métrica que elijas).
2. Decidir: Si esas señales cruzan ciertos límites, el Gobernador decide que es momento de actuar.
3. Actuar: Aquí es donde ocurre la magia estructural. El Gobernador puede:
   • Añadir nuevos mecanismos que no existían al principio.
   • Eliminar mecanismos que están fallando constantemente.
   • Cambiar las reglas de decisión (por ejemplo, pasar de "votación ponderada" a "confianza más alta").
   • Ejecutar experimentos que alteran la propia estructura causal del sistema.
4. Aprender: Si un cambio funciona, lo guarda. Si un experimento falla, revierte automáticamente al estado anterior, como si nada hubiera pasado.

D. La Ejecución es el "Experimento Científico"

El sistema sigue un ciclo constante:

1. Detectar: "¡Oye, estamos fallando mucho!".
2. Hipótesis: "Creo que el problema es que nuestra estructura actual no sirve".
3. Experimento: "Vamos a cambiar las reglas o añadir una nueva teoría por un momento".
4. Evaluar: "¿Funcionó? ¿Mejoramos?".
5. Decidir: Si funcionó, lo dejamos. Si no, volvemos a lo anterior automáticamente.

3. El Caso de Estudio: El Hospital y la Bacteria (AMR)

Para probar esto, los autores lo aplicaron a una simulación de un hospital donde una bacteria cambiaba su forma de transmitirse (primero por antibióticos, luego por el agua, luego por contacto).

En este caso específico, el Gobernador utilizó señales definidas para el dominio médico (que no son fijas en Procela, sino que se configuraron para este experimento):

• Cobertura (Coverage): Medía qué tan precisa era la predicción de cada familia de mecanismos. Si un mecanismo dejaba de ser preciso, se marcaba como sospechoso.
• Fragilidad (Fragilidad): Medía el desacuerdo entre los mecanismos sobre qué intervención aplicar. Si los expertos no se ponían de acuerdo, el sistema sabía que había incertidumbre.
• Sonda (Probe): El sistema aislaba temporalmente un grupo de mecanismos para ver cómo funcionaban solos, sin la influencia de los demás.

El resultado:

• El modelo viejo (sin Procela): Se confundió terriblemente cuando el problema cambió. Sus predicciones fueron malas.
• El modelo Procela:
  • Cuando la bacteria cambió de "antibióticos" a "agua", el sistema notó que la teoría de los antibióticos fallaba (baja Cobertura) y que había mucho desacuerdo (Fragilidad).
  • El Gobernador actuó: eliminó la teoría de los antibióticos, añadió una nueva teoría sobre el agua que no estaba activa antes, y cambió las reglas de votación.
  • Resultado: Redujo el error de predicción en un 20% y tomó decisiones mucho mejores para controlar la infección.

La Gran Lección

La idea central es que los modelos no deben ser estáticos. En un mundo incierto, la mejor forma de predecir el futuro no es tener la respuesta perfecta desde el principio, sino tener un sistema que sea lo suficientemente inteligente para darse cuenta de que está equivocado y cambiar sus propias reglas sobre la marcha.

Procela es como darle al simulador la capacidad de decir: "No sé cuál es la verdad, así que voy a probar varias, vigilar cuáles fallan y cambiar mi estrategia en tiempo real". Es la diferencia entre un mapa de papel que se queda obsoleto y un GPS que no solo cambia de ruta, sino que redibuja el mapa completo si descubre que la carretera ha desaparecido.

Resumen técnico

1. El Problema: Limitaciones de las Simulaciones con Ontología Fija

El artículo identifica una falla fundamental en el paradigma actual de las simulaciones mecanicistas (utilizadas en epidemiología, clima, economía, etc.): la asunción de ontologías fijas.

• La Limitación: En las simulaciones tradicionales, las variables, las relaciones causales y las políticas de resolución se definen antes de la ejecución y permanecen estáticas.
• El Desafío: Esta aproximación falla cuando la estructura causal real del sistema es controvertida, no identificable o cambia dinámicamente. Un ejemplo clave es la propagación de la Resistencia Antimicrobiana (RAM), donde coexisten y compiten múltiples explicaciones causales (transmisión por contacto, reservorios ambientales y presión de selección por antibióticos).
• La Consecuencia: Forzar una elección de una sola ontología al especificar el modelo descarta la incertidumbre epistémica en el momento crítico, impidiendo que la simulación se adapte cuando la realidad subyacente cambia (cambios de régimen). Los métodos actuales (promedio de modelos, control robusto) operan dentro de la misma ontología fija y no cuestionan la validez de los modelos subyacentes.

2. Metodología: El Marco Procela (Nivel de Framework)

Se introduce Procela, un marco de simulación en Python 3.10+ diseñado para elevar la incertidumbre epistémica de un problema previo a un proceso de tiempo de ejecución. La arquitectura se basa en cuatro abstracciones fundamentales que permiten la mutación estructural del sistema durante la ejecución:

A. Variables como Autoridades Epistémicas con Memoria

A diferencia de las variables tradicionales que solo almacenan valores, las variables de Procela:

• Mantienen un historial completo de hipótesis competitivas generadas en cada paso de tiempo.
• Cada hipótesis incluye el valor propuesto, un nivel de confianza, un identificador de fuente (mecanismo) y una marca de tiempo.
• Resuelven conflictos mediante políticas de resolución que pueden ser modificadas dinámicamente por el sistema de gobernanza.

B. Mecanismos como Unidades Causales (Teorías Científicas)

• Cada mecanismo codifica una hipótesis causal específica (una "teoría" científica).
• Los mecanismos leen variables, aplican transformaciones y escriben nuevas hipótesis en las variables.
• Innovación Clave: A diferencia de los enfoques de ensamble que simplemente re-pesan o silencian mecanismos existentes, Procela permite la adición y eliminación dinámica de mecanismos en tiempo de ejecución. El sistema puede inyectar nuevos mecanismos que no existían al inicio o descartar completamente aquellos que fallan consistentemente.

C. Gobernanza como Ciudadano de Primera Clase

Esta es la innovación central. La gobernanza permite la mutación estructural del sistema durante la ejecución basada en señales epistémicas. Se compone de:

• Invariants (Invariancias): Objetos que observan el estado del sistema (desacuerdos, decadencia de cobertura, conflictos) y disparan acciones si se violan condiciones. Se evalúan en fases PRE, RUNTIME y POST.
• Hooks (Ganchos): Objetos de primer nivel que pueden observar el estado completo del sistema y provocar cambios estructurales masivos. Estas acciones incluyen:
  • Adición/Remoción de Mecanismos: Insertar o eliminar componentes causales del grafo.
  • Cambio de Políticas: Modificar cómo las variables resuelven conflictos (ej. cambiar de votación ponderada a máxima confianza).
  • Experimentos Causales: Ejecutar pruebas que alteran temporalmente la topología del grafo causal.
• Ciclo de Vida y Aprendizaje: El sistema detecta anomalías, formula hipótesis de cambio estructural, ejecuta experimentos y evalúa la evidencia. Si un experimento falla (no mejora el rendimiento), el sistema revierte automáticamente el cambio estructural, asegurando que la simulación no se degrade.

D. Ejecutivo (Executive)

Orquesta la simulación, mantiene el estado de los números aleatorios, el contador de pasos y el sistema de registro (logging) para garantizar la auditoría completa de cada decisión, cambio estructural y reversión.

3. Estudio de Caso: Propagación de RAM en Hospitales (Nivel de Caso de Estudio)

Para validar Procela, se implementó un caso de estudio en una red hospitalaria con tres unidades interconectadas. Es importante destacar que las señales y estrategias descritas a continuación son instanciaciones específicas del dominio (RAM) y no componentes fijos del framework Procela.

• Escenario: Se simulan tres regímenes de transmisión que cambian con el tiempo (0-60 pasos: presión de selección; 61-110: contaminación ambiental; 111-160: contacto entre pacientes). La "verdad fundamental" (ground truth) es desconocida para los mecanismos de la simulación.
• Competencia: Tres familias de mecanismos compiten:
  1. Contacto: Asume transmisión por contacto directo.
  2. Ambiental: Asume transmisión por superficies/aire.
  3. Selección: Asume transmisión por uso de antibióticos.
• Señales Epistémicas Definidas (Instanciación del Dominio):
  • Cobertura (Coverage): Precisión predictiva de cada mecanismo.
  • Fragilidad de Política (Policy Fragility): Grado de desacuerdo entre mecanismos sobre qué intervención aplicar.
  • Error Reciente: Precisión actual de la predicción global.

4. Estrategias de Gobernanza Implementadas en el Caso de Estudio

Se probaron tres niveles de gobernanza utilizando las señales definidas anteriormente:

1. Gobernanza de Fragilidad de Política:

   • Hipótesis: Cambiar de una política de "votación ponderada" a "máxima confianza" reduce el error cuando hay alto desacuerdo.
   • Resultado: Fracaso. Cambiar a máxima confianza empeoró la precisión (la votación ponderada es óptima bajo ruido i.i.d.). Sin embargo, proporcionó información diagnóstica valiosa.

2. Gobernanza de Decadencia de Cobertura (Coverage Decay):

   • Hipótesis: Si una familia de mecanismos falla consistentemente (baja cobertura), desactivarla temporalmente mejorará las predicciones.
   • Resultado: Éxito significativo. Detectó cuándo un régimen cambiaba y desactivaba el mecanismo incorrecto, demostrando la capacidad de mutación estructural (remoción de mecanismos).

3. Sonda Estructural (Structural Probe):

   • Hipótesis: Aislar periódicamente cada familia para medir su rendimiento individual revela qué ontología se ajusta mejor al régimen actual.
   • Resultado: Éxito en toma de decisiones. Aunque mejoró menos la predicción que la decadencia de cobertura, optimizó drásticamente la elección de intervenciones.

5. Resultados Clave

Los experimentos se ejecutaron en 50 corridas independientes. Los hallazgos principales son:

• Reducción de Error: La gobernanza de decadencia de cobertura logró una reducción del 20.4% en el error absoluto medio (MAE) en comparación con la simulación sin gobernanza (baseline).
• Mejora en Toma de Decisiones: La sonda estructural logró una mejora del 69% en la diferencia acumulada (regret) respecto a la intervención óptima, demostrando que la simulación aprendió a elegir la política correcta (aislamiento, limpieza o gestión de antibióticos) en el momento adecuado.
• Tasa de Éxito de Experimentos: Los experimentos de gobernanza tuvieron una tasa de éxito del 71.4% cuando el error previo era alto (>1.0), indicando que el sistema detecta correctamente las "crisis epistémicas".
• Reversibilidad: Los experimentos fallidos se revirtieron correctamente, evitando la degradación a largo plazo del modelo.
• Auditoría: Todo el proceso (hipótesis, cambios estructurales, resultados) fue completamente auditable gracias al historial de memoria de las variables.

6. Contribuciones y Significado

Contribuciones Principales:

1. Arquitectura Conceptual: Formaliza la "gobernanza epistémica", donde la simulación no es un artefacto fijo, sino una hipótesis evolutiva que se auto-cuestiona mediante mutaciones estructurales en tiempo real.
2. Implementación Open Source: Procela es un framework de Python disponible públicamente que implementa estas abstracciones con trazabilidad criptográfica.
3. Validación Empírica: Demuestra que adaptar la estructura del modelo en tiempo real (añadiendo, eliminando o modificando mecanismos) mejora significativamente los resultados bajo incertidumbre estructural.

Significado e Implicaciones:

• Simulación como Método Científico: Procela internaliza el método científico dentro de la simulación. El sistema actúa como un científico autónomo que observa, hipotetiza, experimenta y actualiza sus creencias, incluyendo la capacidad de descartar teorías (mecanismos) enteras.
• Más allá del Promedio de Modelos: A diferencia del promedio de modelos bayesiano (que combina modelos fijos con pesos variables), Procela permite que el conjunto de modelos cambie estructuralmente (dinámica de adición/remoción).
• Aplicabilidad General: Aunque probado en RAM, el marco es agnóstico al dominio y aplicable a climatología, economía, ciencias sociales y robótica, siempre que existan teorías causales competitivas.
• Gestión de Riesgo Epistémico: Permite gestionar la incertidumbre sobre qué modelo es correcto, no solo sobre los parámetros de un modelo conocido, mediante la capacidad de reconfigurar el grafo causal en tiempo de ejecución.

En conclusión, Procela establece un nuevo paradigma donde las simulaciones modelan no solo el mundo, sino también su propio proceso de modelado, permitiendo la adaptación robusta en entornos donde la estructura causal es incierta y dinámica.