Perspectivas sobre o Humanismo Digital
Manifesto de Viena sobre o Humanismo Digital
Parte X Aprendendo com a Crise
[285]Eficiência vs. Resiliência: Lições da COVID-19
por Moshe Y. Vardi
Resumo Por que o mundo não estava pronto para a COVID-19, a despeito dos avisos, ao longo dos últimos 20 anos, da alta probabilidade de uma pandemia global? Este capítulo argumenta que o objetivo econômico da eficiência, focado em otimização de curto prazo, distraiu-nos da resiliência, a qual se foca em otimização de longo prazo. A computação também geralmente parece ter enfatizado a eficiência ao custo da eficiência. Mas a computação também descobriu que a resiliência também é possibilitada por redundância e distributividade. Esses princípios deveriam ser adotados pela sociedade na era “pós-COVID.”
Por volta de março de 2020, a COVID-19 (doença do coronavírus 2019) estava espalhando-se ao redor do mundo. A partir de uma epidemia local que irrompeu na China no final de 2019, a doença tornou-se uma pandemia violenta, do tipo que o mundo não tinha visto desde a epidemia de gripe espanhola de 2018. Por essa altura, milhares já tinham morrido, com o número final de mortos crescendo para os milhões. Tentando mitigar a pandemia, os indivíduos estava reduzindo viagens, entretenimento e mais, assim como exercitando “distanciamento social,” dessa forma causando uma desaceleração econômica. As empresas acumularam dinheiro e cortaram gastos para sobreviverem à desaceleração de duração incerta. Essas ações racionais por indivíduos e empresas estavam puxando a economia global para uma recessão profunda.
Observando as consequências econômicas dessa crise inesperada, William A. Galston pergunta, em uma coluna1 do Wall Street Journal de março de 2020, “E se a busca implacável por eficiência, a qual dominou pensamento empresarial americano por décadas, tornou o sistema econômico global mais vulnerável a choques?” Ele prosseguiu para argumentar que há um compromisso (trade-off) entre eficiência e resiliência. “A eficiência surge através da adaptação ótima a um ambiente existente,” ele argumentou, “enquanto a resiliência requer a capacidade para se adaptar a mudanças disruptivas no ambiente.”
[286]Um argumento similar foi feito por Thomas Friedman em uma coluna2 do New York Times de março de 2020: “Através dos últimos 20 anos, nós estivemos constantemente removendo amortecedores (buffers) naturais e criados pelo homem, redundâncias, regulações e normas que fornecem resiliência e proteção quando sistemas grandes – sejam eles ecológicos, geopolíticos ou financeiros – são estressados … Nós estamos removendo imprudentemente esses amortecedores a partir de uma obsessão com eficiência e crescimento de curto prazo, ou absolutamente sem pensar.”
Tanto Galston quanto Friedman estavam indicando que há um compromisso entre a eficiência de curto prazo e a resiliência de longo prazo. Esse compromisso também surgiu, em um cenário diferente, por Adi Livnat e Christos Papadimitriou (2016). A experiência computacional tem mostrado que recozimento simulado (simulated annealing), o qual é uma busca local – via uma sequência de mutações pequenas – por uma solução ótima, no geral, é computacionalmente superior a algoritmos genéticos, os quais mimetizam reprodução sexual e seleção natural. Por que então a natureza escolheu a reprodução sexual quase como o mecanismo exclusivo de reprodução exclusivo nos animais? A resposta de Livnat e Papadimitrious é que o sexo como um algoritmo fornece outras vantagens além da boa performance em termos de aproximação de uma solução ótima. Em particular, a reprodução sexual favorece genes que trabalham bem com uma variedade maior de genes, e isso torna a espécie mais adaptável a mudanças ambientas disruptivas, quer dizer, mais resiliente.
Dessa forma, o compromisso entre eficiência e resiliência pode ser vista como um compromisso entre optimização de curto prazo e de longo prazo. A natureza parece preferir a otimização de longo prazo à de curto prazo, focando-se na sobrevivência da espécie. De fato, Darwin supostamente disse: “Não é o mais forte da espécie que sobrevive, nem o mais inteligente. É o que é mais adaptável a mudança.”
E contudo, nós temos educado gerações de cientistas da computação no paradigma de que a análise de algoritmo apenas significa analisar a sua eficiência computacional. Como a Wikipedia expressa:3 “Na ciência da computação, a análise de algoritmos é o processo de descoberta da complexidade computacional de algoritmos – o montante de tempo, armazenamento, ou outros recursos necessários para os executar.” Em outras palavras, a eficiência é a preocupação única do design de algoritmos. (É claro, o algoritmo tem satisfazer a sua funcionalidade intencionada.) The Art of Computer Programming,4 um texto fundacional em ciência da computação por Donald E. Knuth, é focado unicamente em eficiência. E quanto à resiliência? Citando novamente Galton: “A criação de sistemas resiliente significa pensar dura e antecipadamente sobre o que poderia dar errado e incorporar contramedidas efetivas nos designs.” Como nós podemos tornar os nossos algoritmos mais resilientes?
É claro, tolerância a falhas tem sido parte do cânone da construção de sistemas de computação por décadas. A citação5 de Jim Gray, no Prêmio Turing de 1998, refere-se à sua invenção das transações como um mecanismos para prover resiliência contra quedas (crash resilience) a bancos de dados. A citação6 de Leslie Lamport, no Prêmio Turing de 2013, refere-se ao seu trabalho sobre tolerância a falhas em [287]sistemas distribuídos. Mesmo assim, a ciência da computação ainda não internalizou completamente a ideia de que a resiliência a qual inclui confiança (reliability), robustez e mais, tem de ser empurrada até o nível algorítmico. O caso em questão é o ranqueamento de resultados de busca. O algoritmo original de ranqueamento do Google foi o PageRank,7 o qual funciona contando o número e a qualidade dos links para uma página para determinar quão importante é o website. Mas o PageRank não é resiliente à manipulação de links, consequentemente “otimização de motor de busca (search-engine optimization).”
Como indicado por Friedman e Galston, a busca sem descanso por eficiência econômica impediu-nos de investir em ficarmos prontos para uma pandemia, a despeito de muitos avisos ao longo das várias décadas passadas, e impulsionou-nos a desenvolver uma cadeia global de suprimento que está bastante longe de ser resiliente. A ciência da computação tem alguma coisa a dizer sobre a busca implacável por eficiência econômica? Bastante, realmente.
Eficiência econômica significa8 que bens e fatores de produção são distribuídos ou alocados para os seus usos mais valiosos, e o desperdício é eliminado ou minimizado. Os defensores do mercado aberto argumentam9 que através do interesse próprio individual e liberdade de produção e consumo, a eficiência econômica é alcançada e os melhores interesses da sociedade, como um todo, são satisfeitos. Mas eficiência e otimalidade não deveriam ser confundidas. O Primeiro Teorema do Bem-estar (First Welfare Theorem),10 um teorema fundamental na economia, expressa que, sob certas suposições, um mercado tenderá na direção de uma equilíbrio competitivo, ótimo de Pareto; quer dizer, a eficiência econômica é alcançada. Mas quão bem um tal equilíbrio serve ao melhor interesse da sociedade?
Em 1999, Elias Koutsoupias e Papadimitriou (Koutsoupias e Papadimitriou 2019) ocuparam-se de estudar a otimalidade de equilíbrios a partir de uma perspectiva computacional. Na análise de algoritmos nós frequentemente comparamos o desempenho de dois algoritmos (por exemplo, ótimo versus aproximado ou offline versus online) estudando a razão dos seus resultados. Koutsoupias e Papadimitriou aplicaram essa perspectiva ao estudo dos equilíbrios. Eles estudaram sistemas nos quais agentes não cooperantes compartilham um recurso comum e propuseram uma ração entre o pior equilíbrio de Nash possível e o ótimo social como uma medida da efetividade do sistema. Essa razão tornou-se conhecida como o “Preço da Anarquia,”11 visto que ele mede quão longe do ótimo tais sistemas não cooperativos podem estar. Eles mostraram que o preço da anarquia por ser arbitrariamente alto, dependendo da complexidade do sistema. Em outras palavras, a eficiência econômica não garantia que os melhores interesses da sociedade, como um todo, sejam satisfeitos.
Uns poucos anos depois, Constantinos Daskalakis, Paul Goldberg e Papadimitriou perguntaram (Daskalakis et al. 2006) quanto tempo leva até que agentes econômicos convirjam para um equilíbrio. Estudando a complexidade de computar equilíbrio de Nash mistos, eles forneceram evidência de que há sistemas nos quais a convergência a um semelhante equilíbrio pode tomar um tempo excessivamente longo. A implicação desse resultado é que é muito improvável que sistemas [288]econômicos alguma vez estejam em um equilíbrio, porque é muito provável que as variáveis subjacentes, tais como preços, suprimento e demandas mudem enquanto o sistema está fazendo o seu lento caminho na direção da convergência. Em outras palavras, equilíbrios econômicos, um conceito central na teoria econômica, são fenômenos míticos em vez de reais. Esse não é um argumento contra mercados livres, mas ele obriga-nos a enxergá-los através de lentes pragmáticas, em vez de ideológicas.
A nossa infraestrutura digital, a qual se tornou um componente-chave do sistema econômico nos países desenvolvidos, é um dos poucos componentes que não se curvou diante do estresse da COVID-19. De fato, em março de 2020, muitos setores da nossa economia mudaram com pressa para o modo TDC, “trabalhar de casa (working from home).” Esses trabalhar a partir de casa, ensinar a partir de casa e aprender a partir de casa foram possibilitados (a um grau imperfeito, em muitos casos) pela Internet. A partir das raízes mesmas da ARPANET nos anos de 1960, a resiliência, possibilitada pelas aparentemente distributividade e redundância, foi um objetivo de design primário para a Internet (Yoo 2018). Resiliência via distributividade e redundância é um dos grandes princípios da ciência da computação que merece mais atenção da comunidade de negócios.
Em resumo, a resiliência é uma necessidade social fundamental, mas sub-apreciada. Tanto a computação quando a economia precisam intensificar o seu foco sobre a resiliência. É importante notar que os mercados e as pessoas tendem a subprepararem-se para lucratividade baixa ou eventos de muito longo prazo. Por exemplo, o seguro de carro é ineficiente para o segurado (insurance holder), embora ele ofereça resiliência. Contudo, requer-se que as pessoas comprem seguros de carro porque muitos não comprarão de outra maneira. Em outras palavras, ação social é requerida para assegurar a resiliência. É importante lembrar esse ponto, visto que muitos argumentam que a COVID-19 é apenas o “ato de aquecimento (warm-up act)” para a crise climática.12
A grande questão é como o mundo PC (“pós-COVID”) diferirá do AC (“antes-da-COVID”). Fareed Zakaria escreveu13 em The Washington Post em outubro de 2020: “A pandemia virou o presente de pernas para o ar. Mas ela concedeu-nos uma chance para refazermos o futuro.” Matt Simon escreveu14 em Wired em dezembro de 2020: “A pandemia da COVID-19 trouxe sofrimento e trauma incalculáveis. Mas ela também oferece maneiras para as pessoas – e até sociedades – mudarem para melhor.” EU acredito que a resiliência tem de ser o foco social-chave no mundo PC.
[289]Referências
Daskalakis, C., Goldberg, P.W., e Papadimitriou, C.H. (2006) The complexity of computing a Nash equilibrium. STOC 2006: 71-78
Livnat, A. Papadimitriou, C.H. (2016) Sex as an algorithm: the theory of evolution under the lens of
computation. Commun. ACM 59(11), pp. 84-93
Koutsoupias, E. e Papadimitriou, C.H. (1999) Worst-case Equilibria. Proc. 16th Annual Symposium on Theoretical Aspects of Computer Science, Lecture Notes in Computer Science 1563, Springer, pp. 404-413
Yoo, C.S. (2018) Paul Baran, Network Theory, and the Past, Present, and Future of the Internet. Colo. Tech. LJ 17, p.161.
ORIGINAL:
VARDI, Y. V. Efficiency vs. Resilience: Lessons from COVID-19. In: GHEZZI, C. et al. (eds.). Perspective on Digital Humanism. Springer Cham: 2022. p. 285-289. Disponível em: <https://link.springer.com/book/10.1007/978-3-030-86144-5>
TRADUÇÃO:
EderNB do Blog Mathesis
Licença: CC BY 4.0
Nenhum comentário:
Postar um comentário