Procela: Epistemic Governance in Mechanistic Simulations Under Structural Uncertainty

O artigo apresenta o Procela, um novo framework em Python que introduz governança epistêmica em simulações mecanicistas, permitindo a mutação estrutural em tempo real: o sistema pode adicionar dinamicamente novos mecanismos inexistentes no início, remover os que falham, alterar políticas de resolução de variáveis e executar experimentos que modificam o próprio grafo causal com reversão automática em caso de falha, demonstrado pela redução de erros e arrependimento cumulativo em modelos de resistência antimicrobiana.

O essencial

Imagine que você está tentando prever o clima de uma cidade, mas você não sabe se o clima é controlado por ventos, correntes oceânicas ou erupções vulcânicas. E pior: o clima muda de um dia para o outro, e às vezes é o vento, às vezes o oceano.

A maioria dos computadores (simulações) hoje funciona como um cozinheiro teimoso. Ele segue uma receita fixa: "Se o vento sopra, faz chuva". Se o mundo mudar e passar a ser controlado pelo oceano, o cozinheiro continua fazendo a receita do vento, e a previsão fica errada. Ele não sabe que a receita dele está obsoleta.

O artigo que você enviou apresenta o Procela, que é como dar ao computador um cérebro científico e a capacidade de questionar a si mesmo.

Aqui está a explicação simples, usando analogias do dia a dia:

1. O Problema: A Receita Rígida

Na ciência tradicional, criamos modelos (simulações) com regras fixas. Se estamos estudando a resistência a antibióticos em um hospital, podemos ter três teorias diferentes sobre como as bactérias se espalham:

• Teoria A: Elas se espalham pelo toque entre pacientes.
• Teoria B: Elas se espalham pela sujeira no chão e nas paredes.
• Teoria C: Elas se espalham porque usamos muitos antibióticos.

O problema é que, na vida real, não sabemos qual teoria está certa agora. O computador tradicional é forçado a escolher uma e ignorar as outras. Se a realidade mudar (ex: um vazamento de esgoto torna a "Teoria B" a mais importante), o computador continua insistindo na "Teoria A" e erra feio.

2. A Solução: O Procela (O Chefe de Cozinha que Redesenha a Cozinha)

O Procela não é apenas um "conjunto" de modelos que troca pesos. Ele é um sistema que realiza mutações estruturais em tempo real. Enquanto um conjunto tradicional (ensemble) apenas troca entre três mapas fixos, o Procela pode desenhar um mapa novo no meio da viagem, adicionar instrumentos que não existiam antes ou mudar como o capitão interpreta a bússola.

O Procela funciona através de um Gerente (Governor) que é totalmente agnóstico ao domínio (funciona para qualquer área, não apenas saúde ou clima). Este gerente possui quatro capacidades gerais:

1. Observar: Monitora sinais que você define para o seu domínio específico. O sistema não sabe o que é importante; ele apenas vigia o que você pedir para vigiar.
2. Decidir: Quando esses sinais cruzam certos limites, o gerente decide que algo precisa mudar.
3. Agir: O gerente executa ações drásticas na estrutura da simulação:
   • Adicionar novos mecanismos (teorias) que nem existiam no início.
   • Remover mecanismos que estão falhando completamente.
   • Mudar as regras de decisão (ex: mudar de "votação ponderada" para "quem tem mais confiança vence").
   • Rodar experimentos que alteram o próprio gráfico causal do sistema.
4. Aprender: O sistema guarda as configurações que deram certo e, automaticamente, reverte as mudanças que falharam, voltando ao estado anterior.

3. Como Funciona na Prática (O Caso da Resistência a Antibióticos - AMR)

Para testar o Procela, os autores aplicaram essa estrutura agnóstica a um cenário específico: a propagação de bactérias resistentes em um hospital. Neste caso de uso, eles definiram sinais específicos para o gerente observar. É importante notar que esses sinais são exemplos deste domínio, e não algo que o Procela traz "de fábrica":

• Cobertura (Coverage): O gerente monitora a precisão das previsões de cada família de mecanismos. Se a família "sujeira no chão" parar de prever corretamente, o sinal de cobertura cai.
• Fragilidade (Fragility): O sistema detecta quando há um desacordo forte sobre qual intervenção aplicar (ex: um mecanismo diz "limpar o chão", outro diz "usar mais antibióticos").
• Sonda (Probe): O gerente realiza um experimento temporário: "Vamos desligar a teoria da sujeira por um tempo e ver o que acontece isoladamente". Se a previsão melhorar, ele mantém a mudança; se piorar, ele reverte a ação automaticamente.

O Procela percebeu que a teoria antiga não estava funcionando mais. Ele não apenas ajustou os pesos; ele mudou a estrutura da simulação, testando novas ideias e descartando as ruins em tempo real.

4. Os Resultados: O Poder de Errar e Corrigir

O resultado foi impressionante:

• O sistema tradicional (sem o gerente) errou muito porque ficou preso em teorias velhas.
• O Procela conseguiu reduzir o erro em mais de 20%.
• Ele aprendeu a identificar quando estava confuso e a testar novas ideias rapidamente, inclusive criando novas estruturas de previsão que não estavam no plano original.

A Analogia Final: O GPS que Aprende

Pense no Procela como um GPS inteligente:

• GPS Normal (Ensemble Tradicional): Tem três mapas fixos na memória. Se a rua foi interditada, ele apenas tenta alternar entre os três mapas existentes até encontrar um que funcione.
• GPS Procela: Se o tráfego estiver parado (sinal de erro), ele diz: "Esse mapa parece errado. Vou desenhar um novo caminho que não estava nos mapas originais. Vou testar esse novo trajeto por 5 minutos. Se o tráfego fluir, ótimo, uso esse novo. Se continuar parado, apago o novo e volto ao anterior".

Por que isso importa?

O Procela muda a forma como fazemos ciência e previsões. Ele transforma a simulação de um monólogo (onde o computador apenas executa ordens) em um diálogo (onde o computador questiona suas próprias suposições, testa hipóteses e aprende com os erros em tempo real).

Isso é crucial para problemas complexos e incertos, como pandemias, mudanças climáticas ou crises econômicas, onde as regras do jogo mudam constantemente e ninguém sabe a resposta certa de antemão. O Procela ensina o computador a ser um cientista, não apenas uma calculadora.

Resumo técnico

Resumo Técnico: Procela – Governança Epistêmica em Simulações Mecanísticas sob Incerteza Estrutural

1. O Problema: Limitações das Simulações de Ontologia Fixa

As simulações mecanísticas tradicionais operam sob a premissa de ontologias fixas: variáveis, relações causais e políticas de resolução são definidas antes da execução e permanecem estáticas. Embora eficazes em sistemas bem compreendidos, essa abordagem falha quando a estrutura causal real é contestada, não identificável ou sujeita a mudanças (regimes dinâmicos).

• Exemplo Crítico: Na disseminação de resistência antimicrobiana (RAM) em hospitais, existem múltiplas explicações concorrentes para a transmissão: contato entre pacientes, reservatórios ambientais ou pressão de seleção por antibióticos. Dados observacionais frequentemente não conseguem distinguir qual mecanismo domina em um dado momento.
• A Falha Atual: Forçar a escolha de uma única ontologia no início descarta a incerteza epistêmica. Métodos existentes (como média de modelos ou controle robusto) combinam previsões de modelos fixos, mas não questionam a validade dos próprios modelos durante a execução, nem alteram a estrutura do modelo em tempo real.

2. Metodologia: A Arquitetura Procela

O artigo introduz o Procela, um framework em Python (3.10+) que eleva a incerteza epistêmica de uma preocupação pré-simulação para um processo em tempo de execução (runtime). O sistema é construído sobre quatro abstrações fundamentais, onde a inovação central reside na mutação estrutural dinâmica da simulação, diferenciando-se radicalmente de métodos de ensemble ou re-ponderação estática.

2.1. Variáveis como Autoridades Epistêmicas com Memória

Diferente de variáveis tradicionais que apenas armazenam valores, as variáveis do Procela são autoridades que mantêm o histórico completo de hipóteses concorrentes.

• Cada variável armazena uma memória ordenada de hipóteses $(h_i, c_i, r_i)$, onde $c_i$ é a confiança e $r_i$ a fonte.
• Elas utilizam políticas de resolução (ex: votação ponderada, mediana, maior confiança) para arbitrar conflitos e produzir um valor resolvido.
• A memória é imutável e auditável, permitindo rastrear a origem de cada proposta e a evolução das políticas de resolução ao longo do tempo.

2.2. Mecanismos como Unidades Causais (Teorias Científicas)

Cada mecanismo codifica uma hipótese causal específica (uma teoria científica).

• Mecanismos leem variáveis, aplicam transformações e escrevem novas hipóteses nas variáveis.
• Múltiplos mecanismos podem competir para explicar o mesmo fenômeno.
• Distinção Crítica: Ao contrário de ensembles onde os modelos são fixos e apenas ponderados, os mecanismos no Procela podem ser adicionados ou removidos dinamicamente durante a execução, alterando a própria topologia causal da simulação.

2.3. Governança como Cidadão de Primeira Classe

A inovação central é a Governança Epistêmica: a capacidade do sistema de observar seu próprio estado epistêmico e mutar sua topologia estrutural em tempo real.

• Observação (Signals): O Governador monitora sinais definidos pelo domínio (não hard-coded no framework) que indicam o estado epistêmico (ex: desacordo, erro de previsão, cobertura).
• Decisão (Thresholds): Com base em limiares predefinidos ou lógicas de aprendizado, o Governador decide quando intervir.
• Ação (Structural Mutations): O Governador executa mutações estruturais profundas, incluindo:
  • Adição/Remoção de Mecanismos: Inserir novos mecanismos que não existiam na inicialização ou desabilitar permanentemente mecanismos falhos.
  • Alteração de Políticas: Mudar a política de resolução de variáveis específicas (ex: de média para mediana).
  • Experimentos Causais: Executar sub-simulações que alteram temporariamente o grafo causal para testar hipóteses estruturais.
• Aprendizado e Reversão: O sistema segue um ciclo de experimentação. Se um experimento estrutural falha (piora o desempenho), a alteração é automaticamente revertida, restaurando o estado anterior. Isso permite a exploração segura de novas ontologias sem degradação permanente.

2.4. Executivo

Orquestra a simulação, executando mecanismos, resolvendo variáveis, avaliando invariantes em fases (PRE, RUNTIME, POST) e mantendo o histórico de auditoria completo de todas as mutações estruturais.

3. Estudo de Caso: Disseminação de RAM em Hospitais

O framework foi instanciado para modelar a disseminação de organismos resistentes em uma rede hospitalar com três unidades interconectadas. Este estudo valida a capacidade do Procela de adaptar sua estrutura a regimes ocultos.

• Cenário: O "mundo real" (verdade fundamental) passa por três regimes ocultos:
  1. Seleção (0-60 passos): Pressão de antibióticos domina.
  2. Ambiental (61-110): Contaminação ambiental (ex: falha hidráulica) domina.
  3. Contato (111-160): Transmissão por contato domina.
• Mecanismos Competitivos: Três famílias de mecanismos tentam prever o número de pacientes colonizados, cada uma assumindo um regime diferente como verdade.
• Sinais Epistêmicos (Instâncias Específicas): Neste domínio, foram definidos sinais específicos para guiar a governança (nota: estes são domain-specific, não parte do núcleo do Procela):
  • Cobertura: Precisão preditiva de cada família de mecanismos.
  • Fragilidade de Política: Grau de desacordo sobre qual intervenção aplicar.
  • Erro Recente: Precisão atual da previsão agregada.

4. Níveis de Governança Implementados no Estudo de Caso

Foram testadas três estratégias de governança, utilizando os sinais específicos do domínio de RAM para acionar as mutações estruturais do Procela:

1. Governança de Fragilidade de Política:

   • Hipótese: Mudar a política de resolução (de média ponderada para "maior confiança") reduz o erro quando há alto desacordo.
   • Resultado: Falha. A troca para "maior confiança" piorou a precisão preditiva, pois a média ponderada é estatisticamente ótima sob certas condições de ruído. No entanto, forneceu informações diagnósticas valiosas sobre a instabilidade do sistema.

2. Governança de Decaimento de Cobertura:

   • Hipótese: Se uma família de mecanismos tem baixa precisão contínua, ela deve ser desabilitada temporariamente.
   • Resultado: Sucesso. O sistema detectou regimes incorretos e removeu os mecanismos inadequados da execução ativa.
   • Impacto: Redução de 20,4% no erro de previsão médio em relação à base (sem governança).

3. Governança de Sonda Estrutural (Structural Probe):

   • Hipótese: Isolar periodicamente cada família para medir seu desempenho individual revela qual ontologia melhor se adapta ao regime atual.
   • Resultado: Melhor para Decisão. Embora a melhoria na previsão fosse moderada (9,31%), esta estratégia obteve a maior melhoria na diferença cumulativa de decisão (69%), escolhendo intervenções mais próximas da ótima.

5. Resultados Principais

• Redução de Erro: A governança de decaimento de cobertura reduziu o erro médio absoluto em 20,4% e a variância em 14,7% comparado à simulação estática.
• Taxa de Sucesso de Experimentos: Os experimentos de governança tiveram uma taxa de sucesso de 54% a 71%, sendo mais bem-sucedidos quando o erro pré-experimento era alto (crises epistêmicas).
• Gestão de Falhas: Experimentos estruturais falhos foram revertidos com sucesso, prevenindo degradação de longo prazo e demonstrando a segurança da mutação dinâmica.
• Trade-off Previsão vs. Decisão:
  • Decaimento de Cobertura: Otimiza a precisão da previsão ao eliminar ontologias erradas.
  • Sonda Estrutural: Otimiza a qualidade da decisão (escolha de intervenção), evitando catástrofes mesmo com melhoria modesta na previsão bruta.
• Auditabilidade: Todo o histórico de hipóteses, decisões de governança e mutações estruturais foi registrado e auditável.

6. Contribuições e Significado

Contribuições

1. Arquitetura Conceitual: Formaliza a governança epistêmica como um processo de mutação estrutural em tempo de execução, onde variáveis são autoridades com memória e mecanismos são teorias concorrentes sujeitas a adição/remoção dinâmica.
2. Implementação Open-Source: Framework Procela disponível, permitindo auditoria total e mutação estrutural, distinguindo-se de abordagens de ensemble estático.
3. Validação Empírica: Demonstra que simulações podem "testar suas próprias suposições" estruturais, adaptando-se a mudanças ocultas através de experimentação e reversão automática.

Significado e Implicações

• Simulações como Cientistas Autônomos: O Procela internaliza o método científico na simulação. O modelo não é mais um artefato fixo, mas uma hipótese evolutiva que se auto-avalia e reestrutura.
• Superação da Média de Modelos: Vai além da combinação estática de modelos, permitindo que o conjunto de modelos mude estruturalmente (descoberta de adequação do modelo) através da adição e remoção de mecanismos.
• Aplicabilidade Geral: O framework é agnóstico ao domínio. Os sinais de governança e as mutações são definidos pelo usuário do domínio, permitindo aplicação em climatologia, economia, ciências sociais e robótica, sempre que houver incerteza sobre a estrutura causal.
• Transparência e Confiança: A rastreabilidade criptográfica das fontes de hipóteses e ações de governança permite a supervisão humana em sistemas autônomos de alto risco.

Conclusão

O Procela estabelece um novo paradigma onde as simulações modelam não apenas o mundo, mas também o seu próprio processo de modelagem. Ao tratar a incerteza epistêmica como um processo em tempo de execução e permitir a mutação estrutural dinâmica (adição, remoção e alteração de mecanismos e políticas), o framework permite a adaptação sob incerteza estrutural, demonstrando melhorias mensuráveis na precisão preditiva e na qualidade das decisões em cenários complexos e dinâmicos.