Simulazione agent based in contesti d'impresa. Applicazione del modello Virtual Enterprise in JavaSwarm ad un'azienda reale

1 – Sistemi complessi e simulazione ad agenti in economia
L’economia e` detta la ‘triste scienza’. Triste perche´ studia la migliore alloca-
zione delle risorse, partendo dall’assunto che queste sono limitate. Comprende,
quindi, intrinsecamente l’esistenza della poverta`. Scienza perche´ pretende di spie-
gare la relazione tra variabili economiche con formule e modelli che sono considerati
scientifici.
Nella formulazione di una teoria o un modello della realta` definito scientifico
si deve cercare di essere oggettivi. Questo significa premunirsi contro i rischi di
errori sistematici e concettuali. Gli strumenti che vengono utilizzati per garantire
l’oggettivita` sono fondamentalmente tre: fare affidamento al carattere collettivo
della ricerca, usare il linguaggio quantitativo dei numeri, e adottare il metodo degli
esperimenti di laboratorio.
L’economia certamente utilizza il primo criterio, ritiene di utilizzare il secondo
mentre, nell’impostazione classica, non utilizzava gli esperimenti di laboratorio per
difficolta` pratiche e inadeguatezza del laboratorio per lo studio di fenomeni sociali.
Le scienze sociali, a volte, affrontano fenomeni intrinsecamente qualitativi e non
quantitativi, legati al comportamento soggettivo degli attori economici, difficilmente
misurabile e legabile con una relazione causa effetto, alle azioni da questi compiute.
Questo non e` un piccolo problema perche´, come afferma Feynman (2000):
Il principio cardine della scienza, quasi la sua definizione, e` che la verifica
di tutta la conoscenza e` l’esperimento. L’esperimento e` il solo giudice
della verita` scientifica.
Una buona teoria o modello per essere rigorosamente fondato deve essere:
• Preciso: esprimersi con il linguaggio dei numeri, e essere una teoria quanti-
tativa.
• Semplice: cioe` comprensibile da altri scienziati.
2
1.1– Le scienze cognitive
• Elegante: cioe` spiegare la realta` nel modo piu` generale possibile.
• Falsificabile secondo Popper: la scienza produce solo risultati provvisori
che non sono ancora stati falsificati. Un modello e` fondato se puo` essere
falsificato da un altro ricercatore.
• Essere in grado di fare buone previsioni: un buon modello consente di fa-
re delle previsioni quantitative dei fenomeni, che possono essere empiricamente
verificate.
Le scienze naturali possono dirsi, Colombatto (2001), scienze avanzate a pieno
diritto perche´ formulano teorie rigorosamente fondate e plausibili, mentre le scien-
ze sociali, tra le quali l’economia, limitano fortemente i dati empirici con i quali
confrontano le loro teorie e, seguendo l’approccio classico, sono destinate ad un’ine-
vitabile superficialita`, perche´ spiegano la realta` costruendo sistemi di equazioni con
una variabile in funzione di altre, o del tempo, ma senza spiegare come le diverse
variabili sono connesse tra loro e in che modo si evolvono seguendo certe traiettorie
di covariazione. Quando si passa da un livello di spiegazione macro ai comportamen-
ti umani che li generano ci si scontra con alcuni assunti inaccettabili, che minano
alla base i fondamenti stessi delle teorie economiche, primo tra tutti la razionalita`
olimpica e la macchina ottimizzatrice di Lord Robins.
Scienze come fisica o chimica si trovano di fronte ad un numero di variabili e ad
un grado di complessita` inferiori rispetto a quello in cui si incappa nello studio della
mente (psicologia cognitiva), della vita (biologia evolutiva) o della societa` (scienze
sociali).
1.1 Le scienze cognitive
Le scienze cognitive, secondo la definizione proposta da Legrenzi (2002), hanno come
oggetto di studio la cognizione, cioe` la capacita` di un qualsiasi sistema, naturale
3
1 – Sistemi complessi e simulazione ad agenti in economia
o artificiale, di comunicare a se stesso e agli altri cio` che conosce. La natura di
questa capacita` e` stata, in vari modi, investigata da psicologi, filosofi, informatici,
economisti, linguisti, antropologi e biologi. Queste discipline hanno una loro storia
consolidata e metodi di studio collaudati. Le scienze cognitive non sono la semplice
somma di questi saperi, bens`ı la confluenza degli studi di molte discipline su alcuni
problemi specifici: i processi cognitivi.
E’ importante la terminologia utilizzata, e` diverso parlare di ‘scienza cognitiva’
al singolare o di ‘scienze cognitive’ al plurale.
Per ‘scienza cognitiva’ in senso stretto si intende (Legrenzi, 2002) lo studio di
un qualsiasi sistema, naturale o artificiale, che sia in grado di filtrare e ricevere
informazioni dall’ambiente circostante (percezione e selezione delle informazioni),
di rielaborarle creandone di nuove (pensiero), di archiviarle e cancellarle (ricordo
e oblio), di comunicarle ad altri sistemi naturali o artificiali e, infine, di prendere
decisioni e di agire nel mondo adattandosi ai suoi cambiamenti (decisione e azione)
e adattando il mondo a se stesso grazie alla creazione di artefatti.
Per ‘scienze cognitive’ si intende un campo di studio assai piu` ampio che com-
prende tutto cio` che ha a che fare con la capacita` creativa dell’uomo e con gli artefatti
da lui creati.
I processi cognitivi rivestono una importanza cruciale nella comprensione del-
le dinamiche dei sistemi socio-economici. Proprio attraverso i processi cognitivi gli
agenti economici possono apprendere le informazioni necessarie per prendere decisio-
ni economiche. Si puo` parlare di apprendimento ogni qual volta un agente economico
ha una comprensione imperfetta o incompleta del mondo in cui opera, per diversi
motivi:
• Per la mancanza di parte dell’informazione rilevante per le sue decisioni,
• A causa di un’imperfetta conoscenza della struttura del mondo,
4
1.2– Sistemi adattivi e sistemi complessi
• Perche´ dispone di un repertorio di azioni limitato rispetto a quelle virtualmente
accessibili ad un decisore onnisciente,
• Perche´ ha una conoscenza imprecisa e parziale dei propri obiettivi e delle
proprie preferenze.
L’apprendimento viene definito come il processo dinamico di modificazione di
tale conoscenza.
Le scienze cognitive studiano le varie forme di sapere tacito e esplicito che viene
generato dalle organizzazioni. Cos`ı come l’individuo non e` consapevole dei suoi
meccanismi cognitivi, le organizzazioni non sempre posseggono un sapere codificato
del loro modo di comportarsi e decidere. La questione e` stata studiata anche in
funzione dei suoi risvolti applicativi: essendo i saperi taciti1 molto piu` difficili da
trasferire di quelli codificati, le scienze cognitive possono fornire gli strumenti per
comprendere come avviene questo difficile processo.
Le scienze cognitive, infine, non si occupano solo di studiare i meccanismi co-
gnitivi della mente, ma hanno cercato di trasferire la nozione di adattamento, che
e` cruciale per comprendere l’evoluzione naturale della specie, allo studio dei si-
stemi complessi. Per questo motivo fanno parte delle scienze cognitive lo studio
degli algoritmi genetici, dei sistemi classificatori e, piu` in generale, delle simulazioni
agent-based.
1.2 Sistemi adattivi e sistemi complessi
I sistemi complessi adattivi sono stati studiati da Holland (1975), che li definisce:
gruppi di agenti legati in un processo di co-adattamento, in cui le mosse
di adattamento di ciascuno hanno conseguenze per l’intero gruppo di
individui.
1 Per maggiori informazioni sulla conoscenza tacita e esplicita si veda la sezione 3.2
5
1 – Sistemi complessi e simulazione ad agenti in economia
Holland (1975), mostrava che, sotto determinate condizioni, modelli semplici
presentano sorprendenti capacita` di auto-organizzazione.
I sistemi complessi sono strettamente correlati con i sistemi non lineari. La
definizione di sistema non lineare di Holland (1975) afferma che:
un sistema non lineare e` un sistema il cui comportamento non e` uguale
alla somma delle singole parti che lo compongono.
Se, dunque, per studiare i sistemi lineari, si procede alla loro scomposizione ed
allo studio analitico di ciascuna delle sue parti, questo non puo` avvenire per lo
studio dei sistemi non lineari. Il comportamento di tali sistemi, infatti, dipende
dall’interazione delle parti, piu` che dal comportamento delle parti stesse. Occorre
quindi considerare il sistema non lineare come un tutto non uguale alla somma delle
parti e, dunque, occorre focalizzarsi sulle dinamiche di interazione fra gli elementi
che compongono il sistema.
I fenomeni complessi non possono essere studiati con strumenti matematici tradi-
zionali, ma si possono analizzare osservando l’interazione degli elementi del sistema,
nel tentativo di scorgere una qualche coerenza. Questo tipo di coerenze, tipiche dei
sistemi complessi, vengono definite ‘fenomeni emergenti’.
Il termine ‘complesso’ non e` sinonimo di ‘complicato’, nell’accezione di difficile.
Per complessita` si intende un fenomeno matematicamente definibile o un aggrega-
to organico e strutturato di parti tra loro interagenti, che assume proprieta` non
derivanti dalla semplice somma delle parti che lo compongono. Come esempio si im-
magini il motore di un’automobile, composto da molti meccanismi, anche sofisticati.
Il motore viene definito ‘macchina banale’ perche´ il suo funzionamento, per quan-
to difficile e complicato, e` il frutto della somma tra le parti che lo compongono, e
puo` essere studiato e scomponendolo in queste parti. In contrapposizione al motore
immaginiamo il ‘formicaio’, un insieme di formiche che interagendo tra loro sono in
grado di mantenere, per esempio, la temperatura all’interno del formicaio su valori
6
1.2– Sistemi adattivi e sistemi complessi
costanti e con minime variazioni tra estate e inverno. Il formicaio e` un sistema com-
plesso perche´ ogni singola formica non conosce il meccanismo di regolazione termica
dell’ambiente circostante ma, semplicemente dall’interazione di molte formiche, si
manifesta un fenomeno ‘complesso’. In questo secondo caso non e` possibile studiare
il formicaio studiando il comportamento delle singole formiche.
Mentre le scienze naturali pure sono in grado di prevedere nel dettaglio gli eventi,
le scienze dei fenomeni complessi possono solo azzardare un orientamento. Bisogne-
rebbe comunque (Hayek, 1937) mantenere la consapevolezza dello scarso potere pre-
dittivo dell’econometria che, limitando i fattori esplicativi solo a quelli misurabili,
ha portato agli insuccessi dell’interventismo macroeconomico keynesiano.
I sitemi sociali sono dunque sistemi complessi, cioe` sistemi nei quali molte cause
concorrono a creare un solo effetto e, nei quali, le relazioni fra le cause stesse sono
non lineari, nel senso che l’effetto di ogni singola causa non e` indipendente da quello
delle altre, per cui non puo` essere isolato.
I sistemi complessi sono generalmente composti da agenti che interagiscono; ogni
individuo interagisce solo con un ristretto numero di altri individui e, da queste
interazioni locali, emergono fenomeni globali complessi, che non sono ipotizzabili a
priori, pur conoscendo i singoli elementi ed i legami di interazione che intercorrono
fra loro. La cosiddetta ‘teoria del tutto’ non e` quindi sufficiente a spiegare i fenomeni
complessi perche´ il ‘tutto’ non e` la semplice somma delle sue parti.
Un sistema complesso viene definito da Arthur et al. (1997) come un sistema
che possieda le seguenti caratteristiche:
1. La dinamica del sistema non deve avere un equilibrio globale.
2. Deve esistere interazione diffusa tra gli agenti del modello.
3. Non deve esistere un controllo centralizzato del modello.
4. Si deve creare una gerarchia a livelli con interazioni reciproche.
7
1 – Sistemi complessi e simulazione ad agenti in economia
5. Gli agenti devono imparare ed evolversi in funzione dell’ambiente e delle loro
interazioni.
Come risultato di tali proprieta` si ottiene un ambiente caratterizzato da razio-
nalita` limitata e da aspettative non razionali.
Per affrontare i ‘fenomeni complessi’ puo` essere utile la teoria dell’’individualismo
metodologico’ (cfr. cap. 3.3). Non potendo avere informazioni complete su stato e
circostanze in cui si trovano i singoli elementi sociali, mentali o biologici, si ipotizza
che essi si muovano a livello micro in base a certi principi: razionalita` orientata
allo scopo o al valore; significativita` delle connessioni tra neuroni o ricerca della
sopravvivenza. Ipotizzando alcuni meccanismi causali tra i singoli micro elementi ,
si immagina una metodologia di ricerca che conduca a predire l’emergere a livello
macro di certi tipi di ‘fenomeni complessi’ nella loro forma astratta di ‘modelli’
(patterns). Questi modelli sono i modelli simulativi.
1.3 La modellizzazione della realta`
I fenomeni complessi sono difficilmente studiabili con gli stessi strumenti utilizzati
per i sistemi semplici, come calcoli matematico-statistici e sperimentazioni in la-
boratorio. Il motivo risiede nel grandissimo numero di variabili che si dovrebbero
manipolare, che risulterebbe non gestibile con equazioni matematiche. I sistemi
complessi hanno anche delle componenti dinamiche di imprevedibilita` e caotiche,
che gli strumenti tradizionali hanno difficolta` ad affrontare.
Le simulazioni, e in particolare le simulazioni condotte mediante modelli ad agen-
ti adattivi, rappresentano il principale strumento per lo studio di fenomeni complessi
tipici delle scienze sociali.
Con il termine simulazione sociale si definisce dunque l’utilizzo di modelli di
teorie esplicite cerati ed eseguiti con l’ausilio del computer. Lo scopo e` ricreare e
8
1.3– La modellizzazione della realta`
studiare aspetti essenziali della socialita` e delle societa` naturali, siano esse umane,
animali o artificiali.
Per agente si intende l’unita` di popolazione osservata: una popolazione puo` essere
una societa` umana, una specie animale, un’azienda o, per esempio, una catena di
fornitura.
La simulazione puo` essere divisa in due fasi distinte:
1. La ‘modellizzazione’, ossia l’ideazione e la costruzione concettuale del modello
da simulare.
2. La ‘creazione’ vera e propria del programma di simulazione con il supporto di
strumenti informatici come quelli descritti nel capitolo [2].
Le scienze tradizionali utilizzano un processo di ‘analisi’ dei fenomeni, mentre le
simulazioni sono una tecnica di ‘sintesi’ dei fenomeni.
Analizzare i fenomeni significa partire dalla realta`, dividerla nei suoi componenti
e poi ricostruire i fenomeni reali mettendo insieme queste componenti mediante la
teoria e il ragionamento.
Le simulazioni seguono invece la via della ‘sintesi’ della realta`, dove sintesi vuol
dire partire dalle componenti per studiare cosa emerge quando queste componenti
vengono messe insieme e fatte interagire. I modelli cos`ı creati partono dalla de-
scrizione dei singoli componenti semplici, che vengono fatti interagire nel computer,
producendo il sistema complesso oggetto della teoria.
Le simulazioni non servono soltanto a scoprire quali predizioni empiriche si pos-
sono derivare da una teoria una volta che la teoria e` stata formulata e realizzato il
programma per eseguirla nel computer. Le simulazioni servono anche per elaborare
le teorie, per esplorarne e valutarne le caratteristiche e le implicazioni mentre le
si sta ancora costruendo. Piu` specificamente con le simulazioni diventa possibile
sviluppare e valorizzare un metodo di ricerca che viene usato in modo implicito e
9
1 – Sistemi complessi e simulazione ad agenti in economia
spesso inconsapevole in tutte le scienze: il metodo degli esperimenti mentali. La
simulazione viene definita da Parisi (2001) un ‘esperimento mentale assistito dal
computer’. Il computer viene utilizzato per assistere il ricercatore nella costruzione
degli esperimenti mentali, ma questo non significa che lo scienziato non continui ad
elaborare teorie con metodi tradizionali, per confrontarle con i risultati degli espe-
rimenti al computer. Il ricercatore che utilizza le simulazioni finisce per elaborare
la teoria insieme alla simulazione, con un continuo processo di prove ed errori, che
si sviluppa in parte nella mente del ricercatore e in parte nella simulazione.
I principali vantaggi delle simulazioni al computer rispetto a tecniche sperimen-
tali tradizionali sono:
• La possibilita` di inserire gradualmente le diverse parti della teoria
nel programma. Questo significa poter modificare i dati gia` presenti, veri-
ficarne la coerenza interna ed esterna in ogni momento e osservare i risultati
generati dal computer. Questo vantaggio oggi puo` essere sfruttato appieno
proprio grazie a strumenti informatici come la programmazione orientata agli
oggetti e software per la simulazione agent-based come Swarm2.
• La grande flessibilita` offerta dalle simulazioni allo sperimentatore.
Negli esperimenti di laboratorio tradizionali bisognava studiare con attenzio-
ne tutte le variabili ambientali prima di eseguire ogni esperimento, perche´
risultava lungo, difficile e costoso ricreare lo stesso esperimento in condizioni
leggermente differenti. Oggi, grazie alle simulazioni di mondi artificiali, tempo
e causalita` sono determinati dallo sperimentatore, le caratteristiche ambientali
possono essere modificate, la rilevazione dei dati e` piu` precisa e l’esperimento
puo` essere ripetuto a piacere. In sintesi possono essere modificati i parametri
del modello che si studia in modo semplice e veloce.
2 Per una panoramica sul progetto Swarm si veda 2.2
10
1.4– Agenti semplici e razionalita` limitata
• La possibilita` di modificare comodamente i parametri di osservazio-
ne. L’osservatore influenza sempre il fenomeno osservato. Questo principio
e` molto rilevante nelle scienze sociali (si pensi all’influenza dell’intervistatore
sull’intervistato in un sondaggio). Rimane comunque importante nell’osser-
vazione di qualsiasi fenomeno, anche solo perche´ la percezione della realta` e`
sempre filtrata attraverso la soggettivita` dell’osservatore. La possibilita` di
modificare tutti i parametri dell’osservatore consente di isolare e studiare in
modo migliore il fenomeno. La velocita` di scorrimento del tempo e` partico-
larmente rilevante perche´ contribuisce a ridurre la durata della ricerca che, se
svolta nella realta`, potrebbe richiedere la ripetizione periodica delle osservazio-
ni, impegnando tempi considerevolmente lunghi. Casi particolari, ma spesso
rilevanti, si manifestano difficilmente in ambiti reali, o sono difficilmente osser-
vabili. La ripetizione della rilevazione e le variazioni delle condizioni possono
facilitarne l’osservazione nel tentativo di individuare fenomeni emergenti.
• La possibilita` di tenere sotto osservazione il modello. Le sonde3 consen-
tono di tenere sotto controllo tutte le variabili di ogni agente della simulazione,
anche senza dover preventivamente decidere quali saranno rilevanti. L’utilizzo
degli agenti virtuali consente di rilevare i dati facilmente, evitando errori e
senza determinare a priori quali grandezze osservare.
L’indagine su ambiti virtuali risulta, quindi, molto vantaggiosa rispetto allo studi
tradizionale in laboratorio, pe l’analisi dei fenomeni definiti ‘complessi’.
1.4 Agenti semplici e razionalita` limitata
Con modelli basati su agenti si possono ottenere risultati interessanti, grazie al loro
elevato grado di indipendenza e alla capacita` di adattare il loro comportamento alle
3 Le sonde sono strumenti informatici utilizzati nel progetto Swarm, cfr. 2.2
11
1 – Sistemi complessi e simulazione ad agenti in economia
caratteristiche dell’ambiente in cui operano.
La simulazione agent-based viene utilizzata con due finalita`:
1. Simulazione basata su agenti a reti neurali artificiali, o algoritmi evolutivi
con regole in grado di riprodurre, anche se in maniera molto semplificata, i
comportamenti umani. In questi modelli gli agenti sono dotati di capacita` di
apprendimento e sono capaci di modificarsi e adattarsi in base all’interazione
con l’ambiente fisico o sociale.
2. Studio di fenomeni emergenti. I fenomeni emergenti vengono osservati median-
te la ricostruzione di sistemi capaci di auto-organizzazione, i quali si modificano
per rispondere a cambiamenti sopravvenuti nell’ambiente, contribuendo cos`ı,
a modificare l’ambiente stesso.
Fenomeni complessi, di una certa importanza, risultano emergere gia` con l’impe-
gno di agenti capaci di reagire, in modo prestabilito, a stimoli semplici; il compor-
tamento di simili agenti risulta, pero`, ancora influenzato dalle scelte di chi redige il
programma. Quando si ricercano fenomeni emergenti bisogna porre particolare at-
tenzione alle cosiddette ‘false emergenze’, cioe` fenomeni che sembrano mostrare una
qualche forma di coerenza, che in realta` e` solo apparente, e non implica una relazio-
ne o regola. Come esempio si pensi alle costellazioni: le stelle, come osservate dalla
Terra, appaiono disposte in costellazioni, quindi sarebbe ipotizzabile una regola che
accomuni gli astri appartenenti alla stessa costellazione. In realta` i corpi celesti sono
disposti nello spazio in modo molto diverso da come appaiono dalla Terra, stelle vi-
cine sono molto lontane tra loro e vice versa. La regolarita` delle costellazioni non ha
alcun fondamento nello spazio. Questo esempio e` anche interessante per mostrare
come il punto di vista, o piu` in generale l’osservatore, sia importante nell’analisi di
un fenomeno, sia esso naturale o ricreato nel computer.
12
1.4– Agenti semplici e razionalita` limitata
Quando la determinazione delle regole di comportamento avviene in base a tecni-
che di intelligenza artificiale, invece, l’azione di ogni agente risulta essere conseguen-
za del grado di apprendimento del medesimo, permettendo di garantire l’autonomia
sufficiente a promuovere lo sviluppo di fenomeni innovativi. Le tecniche di intelli-
genza artificiale utilizzate nella generazione degli agenti artificiali fanno capo a due
paradigmi: le reti neurali artificiali e i metodi evolutivi (algoritmi genetici, classifier
system e genetic programming).
Il meccanismo delle reti neurali per la costruzione di agenti adattivi si basa
sull’apprendimento con il quale gli agenti imparano ad essere coerenti con i target sui
quali viene esercitata la rete neurale, correggendo contemporaneamente le congetture
effettuate sulle azioni da compiere e sugli effetti di tali azioni. In questo modo
gli agenti sviluppano una sorta di ‘capacita` cognitiva’, anche se limitatissima, che
consente loro di reagire agli stimoli dell’ambiente.
I metodi evolutivi sono una tecnica che si basa sull’imitazione del processo di
evoluzione neurale: le regole sono assoggettate a procedimenti di riproduzione ed
estinzione, atti a garantire la sopravvivenza di quelle che permettono di ottenere i
migliori risultati. Si procede valutando ciascuna regola per stabilire quali fra esse
dovranno contribuire alla formazione di nuove istanze, cioe` riprodursi, e quali saran-
no sostituite dalle nuove regole. La ripetizione ciclica del procedimento consente un
graduale perfezionamento del patrimonio normativo e le mutazioni delle condizioni
ambientali.
In base a questi meccanismi ogni agente sara` in grado di interagire con l’ambien-
te. I processi di interazione si sviluppano attraverso effetti di variabili ambientali
sull’agente, in modo da costruire una ‘coerenza interna’. La capacita` di agire sul-
l’ambiente indica banalmente che l’agente deve essere integrato nel sistema, non e`
quindi un entita` astratta e indipendente. L’influenza deve avvenire in entrambe le
13
1 – Sistemi complessi e simulazione ad agenti in economia
direzioni; l’agente deve essere influenzato dall’ambiente, ma anche l’ambiente de-
ve evolversi in funzione degli agenti che lo popolano. Questo meccanismo appare
chiaramente nel modello di borsa SUM. Questo modello, descritto in Terna (2000a),
studia il comportamento di diverse popolazioni di agenti borsisti che operando in
un mercato virtuale contribuendo, con le loro azioni, a formare il prezzo di merca-
to. Si e` potuto osservare un interessante fenomeno emergente, semplicemente come
conseguenza delle interazioni degli agenti si formano bolle inflazionistiche.
Gli agenti comunicano tra loro ad un livello locale, non e` necessario il controllo
da un livello superiore. Per poter costruire questo meccanismo e` necessario dotare
gli agenti di intelligenza. Questo problema e` stato affrontato in Minsky (1987), che
sostiene si possa rappresentare la mente come una societa` di agenti che vengono
paragonati a neuroni, ognuno di questi agenti ha funzioni distinte. La mente emerge
dall’interazione tra questi agenti, proprio come l’intelligenza umana e` frutto dell’in-
terazione tra i neuroni, i quali sono entita` autonome ed hanno la proprieta` di poter
essere utilizzati in molte differenti sequenze di interazione per realizzare attivita` di-
verse. Secondo questo principio Minsky (1987) arriva a sostenere che ‘l’intelligenza
puo` emergere dalla non-intelligenza’.
Ambiente non strutturato Ambiente strutturato
Agenti senza mente Possono determinare risul-
tati aggregati complessi,
con il rischio della poca
plausibilita` dei risultati
Possono determinare risul-
tati aggregati complessi e
plausibili
Agenti con mente Possono determinare risul-
tati aggregati complessi e
plausibili
Possono determinare risul-
tati aggregati complessi e
plausibili, con la eventua-
lita` di risultati di rilievo a
livello micro-individuale
Tab. 1.2. Risultati delle simulazioni del modello SUM con agenti dotati di mente
e privi di mente in diversi contesti
14
1.4– Agenti semplici e razionalita` limitata
Secondo Terna (2002) nei modelli ad agenti con interazione non sono necessa-
ri agenti particolarmente sofisticati per creare situazioni complesse; la capacita` di
learning e la struttura esterna agli agenti sono pero` determinanti per la qualita` dei
risultati. Esistono quindi, in accordo con la classificazione di Terna (2002b), diversi
tipi di simulazioni, a seconda che si utilizzino agenti ‘con mente’ o agenti ‘senza
mente’4. I risultati che si ottengono da simulazioni in abienti strutturati e non
strutturati utilizzando i due tipi di agenti sono descritti in tab. 1.2
4
Il termine ‘mente’ non deve essere inteso in senso cognitivo o psicologico. In questo caso per
mente si intende solo la capacita` di adattamento degli agenti all’ambiente prodotta dall’utilizzo di
reti neurali artificiali.
15