“Ciencia y Tecnología al Servicio del País”

22-II

FALCULTAD DE INGENIERIA
ELECTRICA Y ELECTRONICA
Curso: Aprendizaje de Maquina y Minería de Datos
CIB12
Docente: Dra. Ing. Lupe Pizán Toscano

Ciclo Académico 2024-1

CAP 1: INTRODUCCION
Una Visión del modelamiento
Desde OR e IA
El ESTADO ACTUAL DE AIML (Markup Language-es un xml)

Toda la Industria Education Superior

El 91,5 % de las empresas líderes invierten en IA La IA en el mercado de la educación superó los

mil millones de dólares en 2020.
Se necesitan 97 millones de especialistas en la Se espera que crezca más del 40% entre 2021 y
industria de la IA para 2025. 2027.
Se espera que el valor del mercado mundial de A partir de 2020, solo una minoría de
IA alcance los 267.000 millones de dólares para universidades tenía una estrategia de IA
2027. establecida.
15,7 billones de entradas en la economía mundial El uso más frecuente de la IA en la educación
para 2030. superior está asociado con la integridad
académica (plagio, supervisión). S T A T

Eliminación de 85 millones de puestos de trabajo El 36% de las instituciones encuestadas por

y creación de 97 millones nuevos para 2025.
El 37% de las empresas y organizaciones
emplean IA.
El informe de Gartner de 2018 predijo que
hasta 2030, el 85 % de los proyectos de IA
proporcionarán resultados falsos causados por curricular.
sesgos91.5% of leading businesses invest in
AI.
Educause utilizan DAs y Chatbots. Un 17%
adicional estaba en planificación o
implementación temprana.
El 22% de las instituciones encuestadas por
Educause aprovechan la IA para el éxito de los
estudiantes (académicamente en riesgo, alertas
tempranas).
Interés limitado en aprovechar la IA para
actividades institucionales como la planificación
 Ejemplos de Sesgos en AI
Sistema
COMPAS (Correctional Offender Management
Profiling for Alternative Sanctions “Perfil de
gerenciamiento de infractores en correccionales
para sanciones alternativas)
Se necesitan 97 millones de especialistas en la
industria de la IA para 2025.
El interés de reclutamiento de Amazon: sesgado Creado para analizar los currículums de los
contra las mujeres.
Algoritmo de Google Photos – tiene Sesgos
contra los negros.
Cuidados de la salud
Descripción
Se utiliza en los EE. UU. para predecir qué
delincuentes tienen más probabilidades de volver
a delinquir en el futuro.
Predice dónde ocurrirán los delitos en el futuro
en función de los datos de delitos recopilados
por la policía, como los recuentos de arrestos, la
cantidad de llamadas policiales en un lugar, etc.
solicitantes de empleo que solicitan empleo en
Amazon y decidir cuáles serían llamados para
futuras entrevistas y selección. S T A T
Se encontró que era racista cuando etiquetó las
fotos de un desarrollador de software negro y su
amigo como gorilas.
Un algoritmo utilizado en más de 200 millones
de personas en hospitales de EE. UU. para
predecir qué pacientes probablemente
necesitarían atención médica adicional favoreció
en gran medida a los pacientes blancos sobre los
pacientes negros.
Razones para el sesgo en IA
1. Datos de entrenamiento limitados (no suficientes).
2. Sesgo introducido por humanos que desarrollan algoritmos.
3. Incapacidad para extraer sesgos de datos históricamente sesgados.
4. Falta de diversidad en el espacio de trabajo de IA.
5. Falta de auditorías/revisión (es decir, marcos de equidad/juegos de
S T A T

herramientas de IA).
 El Arte de Modelar
➢ La mayoría de las aplicaciones suelen implicar una
aproximación.
➢ El supuesto mundo real se deriva utilizando las
variables dominantes en el sistema real.
➢ Para diseñar un modelo debemos considerar las
principales variables del sistema real.
➢ Ejemplo: Una empresa manufacturera que produce
una variedad de envases de plástico.
 Fases de un “OR” Operational
Research - Proyect
Como herramienta para la toma de decisiones, (OR)
es tanto una ciencia como un arte.
Las principales fases para implementar OR en la
práctica incluyen:
Definición del problema.
Construcción del modelo.
Solución del modelo.
Validación del modelo.
Implementación de la solución.
 ¿Qué es Operational Reserch “OR”
Investigación Operativa “IO”
Operaciones
➢ Las actividades que se realizan en una organización.
Investigación
➢ El proceso de observación y comprobación caracterizado por el
método científico. Situación, planteamiento del problema,
construcción de modelos, validación, experimentación,
soluciones candidatas.
Modelo
➢ Una representación abstracta de la realidad. Matemático, físico,
narrativo, conjunto de reglas en programa informático.

Dra.LupeNeridaPizanToscano 10
 ¿Qué es OR?
Enfoque de sistemas
➢ Incluya amplias implicaciones de las decisiones para la
organización en cada etapa del análisis. Se consideran tanto
factores cuantitativos como cualitativos.
Solución optima
➢ Una solución al modelo que optimiza (maximiza o minimiza)
alguna medida de mérito sobre todas las soluciones factibles.
Equipo
➢ Un grupo de personas que aportan diversas habilidades y
puntos de vista a un problema.
Técnicas de Investigación Operativa
➢ Una colección de modelos matemáticos generales,
procedimientos analíticos y algoritmos.
Dra.LupeNeridaPizanToscano 11
 Definición de OR
➢ 1.- Los profesionales de IO tienen como objetivo proporcionar
bases racionales para la toma de decisiones buscando
comprender y estructurar situaciones complejas y utilizar esta
comprensión para predecir el comportamiento del sistema y
mejorar el rendimiento del sistema.

➢ 2. Gran parte de este trabajo se realiza utilizando técnicas

analíticas y numéricas para desarrollar y manipular modelos
matemáticos e informáticos de sistemas organizativos
compuestos por personas, máquinas y procedimientos.

Dra.LupeNeridaPizanToscano 12
Proceso de resolución de
problemas
Objetivo: resolver un
problema
➢ El modelo debe ser válido
➢ El modelo debe ser
manejable
➢ La solución debe ser útil

Dra.LupeNeridaPizanToscano 13
La situación

➢ Puede involucrar operaciones actuales

o expansiones propuestas debido a
cambios esperados en el mercado
➢ Puede hacerse evidente a través de
quejas de los consumidores o a través
de sugerencias de los empleados
➢ Puede ser un esfuerzo consciente para
mejorar la eficiencia o la respuesta a
una crisis inesperada.

Dra.LupeNeridaPizanToscano 14
 Formular el Problema

Situación Planteamiento del Problema

➢ Describir el sistema ➢ Definir variables
➢ Definir límites ➢ Definir restricciones
➢ Asunciones de estado ➢ Requerimientos de datos
➢ Seleccionar medidas de desempeño

Dra.LupeNeridaPizanToscano 15
 Planificación de personal y Programación
Ejemplo de delimitación de un problema
➢ Planificación a largo plazo
➢ Programación semanal
➢ Control en tiempo real

Dra.LupeNeridaPizanToscano 16
Construcción de un modelo
➢ El problema debe traducirse de términos
cualitativos verbales a términos
cuantitativos lógicos.
➢ Un modelo lógico es una serie de reglas,
generalmente incorporadas en un
programa de computadora
➢ Un modelo matemático es una colección
de relaciones funcionales mediante las
cuales se delimitan y evalúan las
acciones permitidas.
➢ Ejemplo: Definir las relaciones entre las
asignaciones de turnos de enfermeras
individuales y la no correspondencia de
preferencias; definir compensaciones
entre el uso de recursos de enfermería
internos y externos.
Dra.LupeNeridaPizanToscano 17
Resolviendo el modelo matemático
➢ Muchas herramientas están
disponibles
➢ Algunas conducen a soluciones
“Óptimas”(son especificas de OR)
➢ Otros solo evalúan a los
candidatos... prueba y error para
encontrar el "mejor" curso de
acción
Ejemplo: Leer los perfiles de
enfermeras y requisitos de demanda,
aplicar algoritmos, post-procesos de
resultados para obtener horarios
mensuales.

Dra.LupeNeridaPizanToscano 18
Implementación
➢ La solución a un problema suele
implicar cambios para algunas
personas de la organización
➢ A menudo hay resistencia al cambio,
lo que dificulta la implementación.
➢ Se necesita un sistema fácil de usar
➢ Los afectados deben recibir
capacitación
Ejemplo: Implementar el sistema de
programación de enfermeras en una
unidad a la vez. Proporcionar sesiones de
formación durante la jornada laboral.

Dra.LupeNeridaPizanToscano 19
Componentes de OR-Based
Sistema de soporte de decisiones
➢ Base de datos (perfiles de
enfermeras, recursos externos.
Normas)
➢ Interfaz gráfica de usuario
(GUI); web habilitada usando
java o VBA(Visual Basic For
Applications)
➢ Algoritmos, pre y post-procesador
➢ Análisis de qué es
➢ Generadores de informes

Dra.LupeNeridaPizanToscano 20
 Problemas, Modelos y Métodos

Dra.LupeNeridaPizanToscano 21
 Pasos en un estudio de OR

Dra.LupeNeridaPizanToscano 22
 Que debo conocer de OR
➢ Cómo se caracterizan los problemas de toma de
decisiones
➢ La terminología
➢ Qué modelo es y cómo evaluar su valor
➢ Cómo pasar de un problema conceptual a una
solución cuantitativa
➢ Cómo encontrar soluciones con las herramientas
disponibles.

Dra.LupeNeridaPizanToscano 23
¡MUCHAS GRACIAS!