چهار ویژگی کلیدی سیستم‌های پیچیده انطباق‌پذیر و دلیل مقاومت آن‌ها در برابر پیش‌بینی‌های بلندمدت

فروشندگان نرم‌افزارهای سازمانی و تحلیلگران اقتصاد کلان، معمولاً پلتفرم‌های تحلیل پیش‌بینانه خود را با ادعایی جسورانه بازاریابی می‌کنند: با داشتن داده‌های تاریخی کافی و توان پردازش ابری، می‌توان وضعیت آینده هر بازار، زنجیره تامین یا سازمانی را به دقت ترسیم کرد. اما واقعیت ریاضی سیستم‌های پیچیده انطباق‌پذیر (CAS) مستقیماً این ادعا را رد می‌کند.

سیستمی که از عامل‌های یادگیرنده تشکیل شده، صرفاً یک معادله پیچیده را اجرا نمی‌کند؛ بلکه در حین اجرا، معادله را بازنویسی می‌کند. وقتی یک مدل پیش‌بینی فرض را بر ثابت بودن قوانین می‌گذارد، در برابر سیستمی که فعالانه خود را با پیش‌بینی‌های همان مدل تطبیق می‌دهد، شکست می‌خورد. این فرض که داده‌های بیشتر به معنای آینده‌نگری بیشتر است، اساساً معماری محیط‌هایی را که در آن مشارکت‌کنندگان نسبت به خود محیط آگاهی دارند، اشتباه درک می‌کند.[4]

تمایز بین یک سیستم صرفاً «بغرنج» (Complicated) و یک سیستم واقعاً «پیچیده انطباق‌پذیر» (Complex Adaptive)، شالوده علم پیچیدگی مدرن است. یک موتور جت بغرنج است و میلیون‌ها قطعه ثابت دارد، اما رفتار آن کاملاً خطی و قابل پیش‌بینی است. با این حال، یک بازار مالی یا یک شبکه بهداشت و درمان، یک سیستم پیچیده انطباق‌پذیر (CAS) است.

بر اساس یک چارچوب الگوریتمی که در سال ۲۰۲۴ توسط محققان دانشگاه هادرزفیلد (University of Huddersfield) در نشریه Systems منتشر شد، یک سیستم تنها در صورتی به عنوان CAS شناخته می‌شود که از یک ارزیابی دو مرحله‌ای عبور کند. اول، باید شامل چندین عامل وابسته به هم باشد که رفتار غیرخطی از خود نشان می‌دهند. دوم، این عامل‌ها باید دارای حافظه، ظرفیت یادگیری و توانایی ایجاد فرآیندهای تکاملی کلان باشند.[1]

معماری بنیادین یک CAS در سال ۱۹۹۴ توسط جان هالند (John Holland) در موسسه سانتا فه (Santa Fe Institute) - یک مرکز تحقیقات نظری مستقل که در سال ۱۹۸۴ در نیومکزیکو تاسیس شد - فرموله گردید.

هالند هفت اصل اساسی یک CAS را شناسایی کرد که به سه مکانیسم (برچسب‌گذاری، مدل‌های داخلی و بلوک‌های سازنده) و چهار ویژگی کلیدی تقسیم می‌شوند. این چهار ویژگی که شامل تجمع، غیرخطی بودن، جریان‌ها و تنوع هستند، توضیح می‌دهند که چگونه تعاملات محلی بدون هیچ فرماندهی مرکزی که نتیجه را دیکته کند، به پدیده‌های جهانی و کلان تبدیل می‌شوند.[5]

«تجمع» (Aggregation) اولین ویژگی کلیدی است و توصیف می‌کند که چگونه عامل‌های فردی برای تشکیل متا-عامل‌های سطح بالاتر با هم گروه‌بندی می‌شوند. در یک سیستم بهداشت و درمان، پزشکان منفرد در قالب کلینیک‌ها جمع می‌شوند و کلینیک‌ها نیز شبکه‌های بیمارستانی را تشکیل می‌دهند. «غیرخطی بودن» (Nonlinearity)، ویژگی دوم، حکم می‌کند که کل سیستم هرگز صرفاً مجموع اجزای آن نیست.

تغییر ۲ درصدی در ورودی یک زنجیره تامین، به یک تغییر دقیق ۲ درصدی در خروجی منجر نمی‌شود؛ بلکه بسته به وضعیت دقیق شبکه در همان میلی‌ثانیه، ممکن است یک خرابی زنجیره‌ای عظیم ایجاد کند یا به طور کامل توسط ضربه‌گیرهای سیستم جذب شود.[3]

ویژگی سوم «جریان‌ها» (Flows) است. یک CAS به عنوان شبکه‌ای از گره‌ها و رابط‌ها عمل می‌کند که در آن منابع، سرمایه یا اطلاعات در گردش هستند. این جریان‌ها دارای اثرات ضریب‌فزاینده و حلقه‌های بازیافتی هستند، به این معنی که یک قطعه اطلاعات می‌تواند چندین بار از شبکه عبور کند و در هر عبور، رفتار عامل را تغییر دهد.

در نهایت، «تنوع» (Diversity) نشان‌دهنده تغییرات مداوم در میان عامل‌هاست. با تغییر محیط، عامل‌ها برای پر کردن جایگاه‌های جدید سازگار می‌شوند و تضمین می‌کنند که سیستم هرگز در یک تعادل ایستا و ثابت باقی نمی‌ماند.[5]

در حالی که این چهار ویژگی نحوه عملکرد یک CAS را توضیح می‌دهند، رویکرد الگوریتمی به تفصیل بیان می‌کند که چرا این سیستم فعالانه در برابر پیش‌بینی‌های بلندمدت مقاومت می‌کند. مکانیسم اصلی که آینده‌نگری را مختل می‌کند، «حافظه» است.

همان‌طور که پل سیلیرز (Paul Cilliers) در سال ۱۹۹۸ اشاره کرد، خودسازمان‌دهی توانایی سیستم‌های پیچیده برای «توسعه یا تغییر ساختار داخلی به صورت خودجوش و انطباق‌پذیر به منظور مقابله با محیط یا دستکاری آن» است. عامل‌ها الگوهای رفتاری را به صورت پویا ذخیره می‌کنند، استراتژی‌های موفق را نگه می‌دارند و استراتژی‌های شکست‌خورده را کنار می‌گذارند؛ این بدان معناست که تاریخچه سیستم، قوانین پردازش آینده آن را به طور فیزیکی تغییر می‌دهد.[1]

از آنجا که عامل‌ها دارای حافظه و ظرفیت یادگیری هستند، «تابع برازش» (Fitness Function) سیستم - یعنی معیارهایی که تعیین می‌کنند کدام رفتارها موفقیت‌آمیز هستند - دائماً در حال تغییر است. تیم هارفورد (Tim Harford) در کتاب خود با عنوان «انطباق» (Adapt) در سال ۲۰۱۱ نشان داد که انطباق نیازمند تنوع، یک تابع برازش مناسب و انتخاب موثر است.

وقتی یک الگوریتم پیش‌بینی، نتیجه خاصی را پیش‌بینی می‌کند، عامل‌های درون CAS آن پیش‌بینی را مشاهده می‌کنند، از آن یاد می‌گیرند و رفتار خود را برای بهره‌برداری از آن تغییر می‌دهند. این حلقه بازتابی، پیش‌بینی اولیه را بی‌اعتبار می‌کند، زیرا خود پیش‌بینی به ورودی جدیدی تبدیل می‌شود که سیستم را تغییر می‌دهد.[4]

این انطباق پویا همان دلیلی است که مدیریت سنتی مبتنی بر نتیجه، اغلب در محیط‌های توسعه پیچیده با شکست مواجه می‌شود. مرکز توسعه جهانی (Center for Global Development) خاطرنشان می‌کند که اگرچه برنامه‌ریزی سنتی برای مشکلات ساده در محیط‌های پایدار کارآمد است، اما در منطقه مدیریت انطباق‌پذیر فرو می‌پاشد.

همان‌طور که النور ابراهیم (Alnoor Ebrahim) از دانشگاه هاروارد بیان می‌کند: «هیچ نوشدارویی برای اندازه‌گیری نتایج در زمینه‌های پیچیده اجتماعی وجود ندارد.» قوانین سیستم نوظهور هستند، به این معنی که دانش کامل از عامل‌های فردی در زمان صفر، از نظر ریاضی برای استنتاج ویژگی‌های کلان در زمان ده کافی نیست.[4]

فروشندگان سازمانی که «آینده‌نگری مبتنی بر هوش مصنوعی» را می‌فروشند، اغلب پردازش داده‌های بغرنج را با مدل‌سازی سیستم‌های پیچیده اشتباه می‌گیرند. آن‌ها فرض می‌کنند که نقشه‌برداری از ۱۰ میلیون گره یک زنجیره تامین جهانی، دیدگاهی قطعی از آینده آن ارائه می‌دهد. با این حال، از آنجا که گره‌ها عامل‌های مستقلی با توانایی اجتماعی و هدف‌جویی فعالانه هستند، توپولوژی شبکه در لحظه وقوع یک اختلال، به طور خودکار پیکربندی مجدد می‌شود. نقشه در همان ثانیه‌ای که کشیده می‌شود، منسوخ می‌گردد.[2]

شکست پیش‌بینی بلندمدت در یک CAS، یک نقص محاسباتی نیست که بتوان آن را با افزودن رک‌های سرور بیشتر حل کرد؛ بلکه یک ویژگی بنیادین از معماری سیستم است. تا زمانی که عامل‌ها استقلال خود را برای یادگیری و تنوع خود را برای انطباق حفظ کنند، سیستم رفتارهای نوظهوری تولید خواهد کرد که در هیچ مجموعه داده تاریخی وجود ندارد.

تنها استراتژی معتبر از نظر ریاضی برای مدیریت یک CAS، پیش‌بینی وضعیت دقیق آینده آن نیست، بلکه ایجاد حلقه‌های بازخورد سریع است که امکان انطباق مداوم و تکرارپذیر را با تغییر شرایط فراهم می‌کند.[1][4]