¿Por qué la optimización está en todas partes? (Y por qué debería importarte)

Permíteme que empiece con una pregunta: ¿cuántas decisiones has tomado hoy? Desde qué ruta elegir para llegar al trabajo, qué desayunar, cuánto tiempo dedicar a cada tarea... Todas estas elecciones, por mundanas que parezcan, tienen algo en común: estás intentando optimizar algo. Quizás minimizar el tiempo perdido, maximizar tu energía, o encontrar el mejor equilibrio entre esfuerzo y resultado.

La optimización no es solo un concepto matemático abstracto reservado para ingenieros y científicos. Es, en esencia, la manera racional de expresar algo profundamente humano: nuestro constante deseo y necesidad de elegir bien entre múltiples posibilidades. Y sí, incluso si las matemáticas no son lo tuyo, la optimización ya forma parte de tu vida diaria, te guste o no.

Y quizás, incluso si sabes qué significa optimizar matemáticamente, es muy probable que nadie te haya contado todavía por qué la optimización aparece literalmente en todas partes. Tampoco te habrán explicado cuáles son sus límites naturales, algo que resulta crucial para entender dónde podemos y dónde no podemos aplicarla con éxito. De hecho, me apuesto una cerveza contigo a que probablemente tengas ideas equivocadas al respecto.

Optimización: el arte cotidiano de elegir bien

Piensa en las decisiones que tomamos constantemente: queremos minimizar el tiempo en el tráfico, maximizar la calidad de lo que compramos por el dinero que gastamos, minimizar los efectos secundarios de un medicamento, maximizar los beneficios de nuestra empresa. Cada vez que usamos las palabras "maximizar" o "minimizar", estamos planteando implícitamente un problema de optimización.

Maximizar rentabilidades y minimizar riesgos son los principios racionales que guían nuestras decisiones económicas. Pero la optimización va mucho más allá: está presente en la ciencia, la ingeniería, las finanzas, e incluso, como veremos, en la inteligencia artificial.

Nuestra vida es, en el fondo, una gran sucesión de elecciones. Y optimizar es simplemente la expresión racional de nuestro deseo de elegir lo mejor posible.

Cuando la intuición no basta: la necesidad de las matemáticas

Ahora bien, ¿por qué necesitamos una representación matemática de estos problemas? ¿No podríamos simplemente confiar en nuestra intuición?

La respuesta es que, a medida que aumenta el número de variables, objetivos y restricciones, el problema de la elección se vuelve vertiginosamente complejo. Imagina que eres el director de una empresa que produce varios productos. Tienes que decidir cuánto producir de cada uno, considerando los costos de materiales, el tiempo de producción, la demanda del mercado, las limitaciones de tu fábrica, el personal disponible... Hay muchas posibilidades, y nuestra mente no está preparada para lidiar con todas ellas.

En problemas científicos, tecnológicos e industriales, no podemos valernos únicamente de la intuición. Necesitamos tomar decisiones desde la razón, con una aproximación científica, fundada, rigurosa y productizable. Aquí es donde la representación matemática se vuelve imprescindible.

Matemáticamente, un problema de optimización se define mediante dos componentes principales: una función objetivo (la cantidad que queremos maximizar o minimizar) y un conjunto de restricciones (las limitaciones que debemos respetar). Por ejemplo, podríamos querer maximizar el beneficio de una empresa (función objetivo) sujeto a restricciones de presupuesto, capacidad de producción y disponibilidad de recursos.

Las funciones objetivo se representarán mediante funciones matemáticas, y las restricciones se expresan por medio de ecuaciones o inecuaciones. En ambos casos, lo que estamos haciendo es sencillamente expresar de manera precisa una relación. El concepto de relación es uno de los pilares metafísicos de la existencia misma, y si quieres indagar más sobre ello, te recomiendo leer la sección 1.4 de Todo lo que puedo imaginar: el algoritmo del entendimiento.

Este tipo de representación matemática nos permite algo importantísimo hoy en día: aplicar métodos algorítmicos y computacionales. Los computadores pueden explorar ese maremágnum de posibilidades y descubrir soluciones óptimas que una mente humana nunca alcanzaría a encontrar.

Un ejemplo clásico es el problema del viajero (TSP, por sus siglas en inglés). Imagina que un vendedor debe visitar un conjunto de ciudades exactamente una vez cada una y regresar al punto de partida, minimizando la distancia total recorrida. Parece sencillo, ¿verdad? Pero aquí está el desafío: para 10 ciudades hay más de 3 millones de rutas posibles. Para 20 ciudades, el número supera los 2 trillones. Para 30 ciudades, las posibilidades sobrepasan la cantidad de átomos en el universo observable. Sin una representación matemática y algoritmos computacionales sofisticados, resolver este problema de manera óptima sería literalmente imposible para una mente humana.

La belleza oculta: leyes naturales como optimización

Cuando uno está dispuesto a echarle imaginación, la optimización esconde sorpresas realmente fascinantes. ¿Sabías que muchos de los principios físicos fundamentales que rigen nuestro universo pueden reescribirse como problemas de optimización?

Tomemos las ecuaciones de Newton, esas que usamos para diseñar puentes o calcular trayectorias de naves espaciales. Resulta que pueden expresarse como la minimización de una cantidad abstracta derivada de la energía llamada "acción". La acción es una magnitud que se calcula integrando a lo largo del tiempo la diferencia entre la energía cinética y la energía potencial del sistema. Esta formulación se conoce como el principio de acción estacionaria de Hamilton, y es considerado uno de los resultados más elegantes de toda la física.

Esta perspectiva abre la puerta al cálculo variacional, una disciplina matemática donde no buscamos valores óptimos de variables, sino funciones óptimas. El ejemplo clásico es el problema de la braquistócrona, planteado en 1696: ¿cuál es la curva por la que un cuerpo desciende en el menor tiempo posible entre dos puntos bajo la influencia de la gravedad? La respuesta es una catenaria, la misma curva que adopta una cuerda colgante. Por sus magníficas propiedades, esta forma aparece en construcciones como el Gateway Arch en St. Louis, una colosal catenaria de 192 metros de altura.

Inteligencia artificial: aprender optimizando

Otra conexión desconocida para las personas no técnicas es la que existe con la inteligencia artificial. ¡Cuando un algoritmo de inteligencia artificial "aprende" de los datos, lo que realmente está haciendo es resolver un problema de optimización!

El proceso funciona así: partimos de datos (instancias concretas) y queremos construir un modelo que capture los patrones subyacentes. El programador introduce un ansatz, es decir, una familia de modelos posibles dentro de la cual buscar. Por ejemplo, podríamos asumir que la relación entre variables es lineal, o podríamos contemplar modelos más complejos como redes neuronales.

El truco está en formular el aprendizaje como un problema de optimización: el mejor modelo es aquel que minimiza una cierta función de coste definida sobre el espacio de modelos. Esta función mide qué tan bien el modelo explica los datos observados. El algoritmo entonces busca el punto mínimo de esta función, y ese punto corresponde al modelo óptimo.

Así, cuando un sistema de IA aprende a detectar fraudes bancarios o a reconocer rostros en fotografías, lo que está haciendo bajo el capó es resolver un sofisticado problema de optimización.

¿Por qué la optimización aparece por todas partes?

¿Por qué la optimización aparece en tantos contextos diferentes?

La respuesta más elemental es que cualquier problema estructurado es, en el fondo, un problema de búsqueda: tenemos que localizar una (o varias) posibilidades especiales dentro de un conjunto grande de posibilidades. Y eso es precisamente lo que hacemos en optimización: distinguir los puntos óptimos (mínimos o máximos) del resto.

Ilustración de un punto mínimo local y global en una función

Los puntos se pueden generalizar a formas más complejas. Resulta enormemente bello asociar formas geométricas con soluciones a problemas de optimización, como hemos contado antes con la catenaria. Pero este fenómeno no deja de ser autoevidente cuando se comprende la esencia de la optimización, pues una forma geométrica no deja de ser una posibilidad entre otras que podamos dibujar dentro de un espacio geométrico, y por tanto es susceptible de ser representada como el máximo o mínimo de una optimización (solo que más abstracta).

La optimización matemática nos proporciona el marco riguroso para enfrentar racionalmente el problema de elegir entre un gran número de posibilidades. De aquí su ubicuidad: el ser humano reflexiona constantemente sobre qué decisión tomar para navegar en la complejidad del mundo.

Cabe afirmar que cualquier problema estructurado puede reescribirse como un problema de optimización.

Esto tiene enormes repercusiones en la industria.

Cualquier proceso industrial definido por operaciones prefijadas y métricas productivas cuantitativas puede optimizarse matemáticamente.

Reflexiona un minuto sobre esta afirmación para digerirla completamente. Cuando lo hagas, entenderás que cualquier progreso en tecnologías de optimización tiene una enorme capacidad de disrupción tecnológica.

Incluso problemas que no parecen de optimización a primera vista pueden reformularse como tales. ¿Un sudoku? ¡También puede plantearse como un problema de optimización! En consecuencia, podríamos afirmar que cualquier problema estructurado puede reescribirse como un problema de optimización. Otra cosa muy distinta es que seamos capaces de encontrar esa formulación, o que sea útil hacerlo en la práctica...

Los límites de la optimización matemática

Pero no todo es color de rosa. La optimización matemática, por poderosa que sea, tiene sus límites naturales. Funciona extraordinariamente bien en problemas estructurados: aquellos donde podemos definir claramente las variables del sistema, las relaciones que lo rigen, y las acciones que podemos realizar sobre el mismo.

Pero esto no es algo que se va a ocurrir siempre, y esto supone un obstáculo fundamental que muchos trabajando en inteligencia artificial actual parecen no tener en cuenta. Pero esto será un tema a tratar mejor en el siguiente post. Por ahora, espero haberte convencido de que la optimización, lejos de ser un concepto abstracto y distante, es una compañera constante en nuestro viaje diario por la vida. Cada vez que eliges racionalmente, estás optimizando. La diferencia es que ahora, quizás, eres un poco más consciente de ello.

¿Quieres saber más? Echa un vistazo aquí.