Toma de decisiones en inteligencia artificial
Contenidos
Para aprovechar al máximo el valor contenido en los datos, las empresas necesitan introducir la Inteligencia Artificial (IA) en los flujos de trabajo y, a veces, quitarnos a los humanos de en medio. Tenemos que evolucionar de los flujos de trabajo impulsados por los datos a los impulsados por la IA. No se trata de una mera jugada de automatización, que es un beneficio marginal de la integración de la IA en las decisiones. Por el contrario, nos permite superar nuestras limitaciones inherentes como procesadores humanos (bajo rendimiento y sesgo cognitivo) asignando a las máquinas el procesamiento de los enormes volúmenes de datos que producimos y dejando que los humanos apliquemos el juicio, la cultura, el valor y el contexto a las opciones de decisión que las máquinas pueden producir.
Muchas empresas se han adaptado a un enfoque “basado en datos” para la toma de decisiones operativas. Los datos pueden mejorar las decisiones, pero requieren el procesador adecuado para sacarles el máximo partido. Muchos asumen que ese procesador es humano. El término “impulsado por los datos” incluso implica que los datos son curados por -y resumidos para- ser procesados por personas.
Pero para aprovechar al máximo el valor que contienen los datos, las empresas deben incorporar la inteligencia artificial (IA) a sus flujos de trabajo y, en ocasiones, quitarnos de en medio a los humanos. Tenemos que pasar de los flujos de trabajo basados en los datos a los basados en la IA.
Algoritmo de toma de decisiones Ai
Hoy en día, hacer más con menos es un principio clave que impulsa la estrategia empresarial en muchos sectores que requieren muchos recursos. Las empresas buscan obtener un mayor rendimiento de la inteligencia artificial (IA) y el aprendizaje automático (ML) que simplemente grandes conocimientos. Necesitan tener acceso a recomendaciones que les ayuden a simplificar las complejas decisiones sobre cómo asignar los escasos recursos, cómo programar las tareas y cómo hacer frente a las limitaciones. Un reciente informe de validación técnica del Enterprise Strategy Group (ESG) cita la necesidad de mejorar la eficiencia operativa como el tema general que impulsa el interés por la IA y el ML.
Siempre me ha fascinado el poder de las matemáticas para resolver los problemas de la industria. Cuando viajo a conferencias, oigo a los clientes describir la complejidad de su proceso de decisión típico y sus limitaciones, y cómo tardan días o semanas en encontrar una solución.
Empezaré con mi propia definición de la IA aplicada al negocio de la toma de decisiones. Considero que la IA permite el uso de datos para analizar y formalizar el proceso de toma de decisiones y, opcionalmente, automatizar la decisión. Basándome en esto, creo que hay varios ingredientes necesarios para el éxito de la IA:
El factor humano en la toma de decisiones basada en la inteligencia artificial
La toma de decisiones se refiere a la estrategia o método de decisión. Es un proceso que implica ideas y decisiones sobre determinados acontecimientos. Es un proceso complejo en términos de operaciones. Incluye la recopilación de información, el procesamiento, los juicios y las conclusiones. La inteligencia artificial (IA) es una materia que estudia las simulaciones informáticas y evalúa ciertos procesos de pensamiento y comportamientos inteligentes de los seres humanos (como el aprendizaje, el razonamiento, el pensamiento, la planificación, etc.). La IA se basa principalmente en los principios de la inteligencia computacional, permitiendo que los ordenadores tengan una inteligencia similar a la de los cerebros humanos. Para los problemas de toma de decisiones, la IA y el aprendizaje automático (ML) pueden ayudarnos a tomar las mejores decisiones. Las herramientas de inteligencia artificial y aprendizaje automático más utilizadas para la toma de decisiones son los algoritmos genéticos, los autómatas celulares y los modelos basados en agentes.
La inteligencia artificial y la toma de decisiones basada en máquinas de aprendizaje se aplican ampliamente en la informática, la ingeniería, la física, las matemáticas y la medicina. Estos tipos de toma de decisiones incluyen la teoría de sistemas matemáticos, la lógica difusa y las reglas difusas. Con la toma de decisiones impulsada por la IA y el ML, los expertos de diversos campos son capaces de predecir y decidir las mejores opciones.
Ejemplos de sistemas de apoyo a la decisión
Los sistemas de decisión algorítmicos o automatizados utilizan datos y análisis estadísticos para clasificar a las personas con el fin de evaluar su elegibilidad para una prestación o sanción. Estos sistemas se han utilizado tradicionalmente para las decisiones crediticias, y en la actualidad se utilizan ampliamente para la selección de empleo, la elegibilidad de los seguros y la comercialización. También se utilizan en el sector público, entre otras cosas para la prestación de servicios gubernamentales, y en las decisiones de la justicia penal sobre sentencias y libertad condicional.
La mayoría de estos sistemas de decisión automatizados se basan en técnicas estadísticas tradicionales, como el análisis de regresión. Sin embargo, recientemente estos sistemas han incorporado el aprendizaje automático para mejorar su precisión y equidad. Estas técnicas estadísticas avanzadas tratan de encontrar patrones en los datos sin necesidad de que el analista especifique de antemano qué factores debe utilizar. A menudo encontrarán conexiones nuevas e inesperadas que podrían no ser obvias para el analista o que se derivan de una comprensión teórica o de sentido común del tema. Por ello, pueden ayudar a descubrir nuevos factores que mejoren la precisión de las predicciones de elegibilidad y las decisiones basadas en ellas. En muchos casos, también pueden mejorar la equidad de estas decisiones, por ejemplo, ampliando el conjunto de solicitantes de empleo cualificados para mejorar la diversidad de la plantilla de una empresa.
