Documentos de Académico
Documentos de Profesional
Documentos de Cultura
El objetivo principal de la presentación de Nikolaj Van Omme en Montreal 2019 era discutir el
futuro de la inteligencia artificial (IA) y como combinando machine learning (ML) y operaciones
de investigación (OR) se puede lograr una mayor eficiencia y optimización a la hora de abordar
un problema que si se hiciera por separado ya que al combinarlos el ML predice una solución
para el problema que se intenta abordar mientas que la OR optimiza esa solución en conjunto
dando como resultado final un solución superior a la que se pueda hacer de forma
independiente
Uno de los principales temas que se toco fue la combinación de Ml Y OR para la solución de
problemas y como ello estaban a la vanguardia a la hora de aplicar este método además de
afirmar de que este modelo es mucho más eficiente respecto a los modelos que había a ese
año
También se habló de las operaciones y ejemplos que podía resolver en uno de estos casos se
presentó un problema de puentes en donde se aplica de manera independiente y también de
forma combinada el ML y OR mostrando que se daba mejor solución el método de la
combinación
Presentación de Nikhil Ivan, el CEO de una empresa que combina el aprendizaje automático (ML)
y la investigación de operaciones (OR) para desarrollar soluciones de inteligencia artificial.
Explica que la hibridación de ML y OR se está volviendo convencional, ya que proporciona
mejores resultados prácticos y teóricos. Discute cuatro formas de combinar ML y OR: usarlos
como cajas negras separadas, usar uno para mejorar el otro, utilizar OR para optimizar
predicciones de ML y desarrollar nuevos algoritmos que integren completamente ambos
enfoques. Nikhil proporciona ejemplos de investigaciones recientes que abogan por esta
combinación y destaca su adopción por organizaciones como Scale AI. Luego profundiza en OR,
explicando su papel en la optimización de problemas del mundo real a través de modelado
matemático y traducción de soluciones. Nikhil compara las capacidades de OR y ML, mostrando
la capacidad de OR para resolver problemas de optimización a gran escala. También discute los
orígenes de los bloques de construcción de ML en OR. El video cubre dos estudios de caso: la
optimización de un sistema de reserva de restaurantes mediante la combinación de predicciones
de ML y optimización de OR, lo que resultó en una mejora del 20%, y un proyecto de visión por
computadora para el reconocimiento de salchichas que se benefició de la combinación ML-OR.
Finalmente, Nikhil presenta dos proyectos que involucran la hibridación total de ML y OR:
inyectar emociones en sistemas de IA.
4. Emitir las principales conclusiones a las que llega su grupo después de asistir el video y leer
las publicaciones referidas al tema a la integración de OR y Machine Learning.
CONCLUSIONES DE GRUPO
5. En la página 347 del Conference Paper, Artificial intelligence and operations research in
maritime logistics, los autores afirman que, en un sentido más amplio, la “IA” Inteligencia
Artificial, no solo incluye algoritmos de aprendizaje automático y aprendizaje profundo, sino
que también se pueden incluir algoritmos inteligentes y heurísticas, así como los algoritmos
genéticos, o los algoritmos evolutivos como la Optimización por enjambre de partículas.
a) Definir cada uno de los términos que incluye el concepto más amplio de IA que mencionan
los autores.
-Aprendizaje Profundo: Es una técnica de aprendizaje automático que utiliza redes neuronales
con múltiples capas para aprender representaciones de datos con niveles de abstracción
crecientes, permitiendo el procesamiento de información compleja.
-Aprendizaje Automático: Es un enfoque que permite a las máquinas aprender patrones a partir
de datos y mejorar su rendimiento con la experiencia, sin necesidad de ser programadas
explícitamente para tareas específicas.
La afirmación de los autores se basa en la idea de que la inteligencia artificial abarca una amplia
gama de técnicas y enfoques, que van más allá de los algoritmos de aprendizaje automático y
aprendizaje profundo, que muestra la creciente relevancia y aplicación de métodos de IA y
aprendizaje automático en la logística marítima. Incluir algoritmos inteligentes, heurísticas,
algoritmos genéticos y otros enfoques evolutivos amplía el espectro de posibilidades y
herramientas disponibles para resolver problemas complejos. Además, se identifican diversas
áreas de aplicación, como la programación de grúas portuarias, el enrutamiento en el extranjero,
la detección de anomalías y el pronóstico del tráfico marítimo, entre otros. Estos hallazgos
respaldan la afirmación de que los algoritmos y métodos de aprendizaje desempeñan un papel
significativo en la aplicación de la IA en la logística marítima.
6. Cuales son las diferencias y las similitudes entre la “OR” Operational Research ( “IO”
Investigación de Operaciones) y “ML” Machine Learning.
Las diferencias:
7. Cuales con las diferentes formas que podemos utilizar para la hibridación de ML y OR.
A continuación, se verá como la investigación operativa (OR) puede abordar y resolver estos
tipos de problemas en conjunto con el aprendizaje automático: