Universidad Nacional de Ingeniería

Facultad de Ingeniería Eléctrica y Electrónica

SEM 03 TALLER DE INVESTIGACION - GRUPAL

• Barcayola Campos Alexander James 20200162
• Ccama Ccaña Jimmy Robert 20202098F
• Amaro Aguilar Leonardo Armando 20200048A
• Calderón Herrera Hector Fabrizio 20164120C

Curso: CIB12N Aprendizaje de Maquina y Minería de Datos

Sección: N
Profesor: Lupe Nerida Pizan Toscano
 TALLER DE INVESTIGACION GRUPAL

1. Nombrar el objetivo principal de la presentación de Nikolaj Van Omme en Montreal 2019.

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

2. Enumerar los principales temas que presento.

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

También se habló de una de las metas a futuro es en que a la Inteligencia Artificial se le

inyecten emociones para que pueda tomar decisiones para solucionar un problema de acuerdo
a un determinado contexto que se tiene en esa situación y para eso la combinación de ML y OR
están siendo de ayuda ya que a la hora del entrenar a la IA se está utilizando menos datos de
información y también obteniendo resultados mejores si se hicieran por métodos que no
tienen combinación

3. Elaborar un pequeño resumen de la presentación del expositor y sus principales

conclusiones.

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

La combinación de aprendizaje automático (ML) y investigación de operaciones (OR) es

fundamental para el futuro de la inteligencia artificial. Destacando que la hibridación
proporciona resultados prácticos y teóricos superiores, y está siendo cada vez más adoptada en
diversos campos. Además, Nikhil resalta la importancia de entender tanto ML como OR para
aprovechar al máximo sus capacidades y desarrollar soluciones efectivas para problemas del
mundo real. Los estudios de caso presentados demuestran el impacto positivo que puede
tener la combinación de ML y OR en la optimización de sistemas y proyectos específicos.
Finalmente, Nikhil muestra dos proyectos que representan áreas de investigación
prometedoras, donde la hibridación total de ML y OR puede ofrecer avances innovadores en la
inteligencia artificial.

- El tema de la investigación operativa (OR) y el aprendizaje automático (ML) ofrece soluciones

precisas y óptimas para una variedad de problemas. La combinación de OR y ML puede ayudar
a resolver problemas específicos que requieren soluciones precisas y óptimas, como la
optimización de parámetros, la gestión de riesgos y la toma de decisiones. La hibridación de ML
y OR puede reducir el tiempo y la iteración manual en la resolución de problemas, y se pueden
lograr mayores beneficios y precisión al combinar ambas disciplinas. Ejemplos de casos de uso
en la vida real incluyen la logística de Amazon, Google Maps y un startup centrado en la creación
de un producto de procesamiento del lenguaje natural (PNL). La combinación de ML y OR se
considera como el próximo avance en la investigación operativa, donde los modelos de
aprendizaje automático pueden ayudar en diversas tareas incluidas en la investigación operativa.
En resumen, la combinación de OR y ML ofrece soluciones precisas y óptimas en una variedad
de dominios, y puede proporcionar un enfoque integral para abordar problemas complejos.
cimiento de los desafíos técnicos y éticos que surgen al integrar ML y OR, como la
interpretabilidad de los modelos y la toma de decisiones éticas.

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.

- Algoritmos inteligentes y heurísticas: Los algoritmos inteligentes y las heurísticas son

enfoques utilizados en la resolución de problemas complejos en diversos campos, incluida la
logística marítima. Los algoritmos inteligentes, como los algoritmos genéticos, las colonias de
hormigas y el aprendizaje profundo, son métodos que utilizan la capacidad de las computadoras
para emular comportamientos inteligentes, como el aprendizaje y la resolución de problemas,
sin ser programadas explícitamente. Por otro lado, las heurísticas son métodos de solución que
buscan encontrar soluciones aproximadas a problemas complejos en un tiempo razonable,
aunque no garantizan la solución óptima. Ejemplos de heurísticas incluyen la búsqueda tabú y el
recocido simulado. Estos enfoques son utilizados en la logística marítima para resolver
problemas de asignación de atracaderos, planificación de rutas, programación de grúas
portuarias, entre otros. Además, se combinan con técnicas de aprendizaje automático para
mejorar la eficiencia y la precisión en la toma de decisiones en la logística marítima.

- Algoritmos evolutivos como la Optimización por enjambre de partículas: : Se basa en el

comportamiento colectivo de las partículas para resolver problemas de optimización, donde las
partículas se mueven a través del espacio de solución en busca de óptimos locales y globales.

-Algoritmo Genético: Es un método de optimización inspirado en la evolución biológica que

utiliza operadores genéticos como la selección, cruce y mutación para encontrar soluciones
óptimas a problemas complejos.

-Colonia de Hormigas: Se basa en el comportamiento de las colonias de hormigas para resolver

problemas de optimización, donde las "hormigas" artificiales dejan rastros de feromonas para
comunicarse y encontrar soluciones óptimas.

-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.

b) Explicar el porqué de la afirmación.

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:

- OR se centra en la optimización de procesos y toma de decisiones basada en modelos

matemáticos y estadísticos, mientras que ML se enfoca en el aprendizaje a partir de datos y la
creación de modelos predictivos, utilizando técnicas como programación lineal, simulación y
análisis de redes, mientras que ML emplea algoritmos como regresión, clasificación y clustering.
Las diferencias entre la Investigación de Operaciones (IO) y el Aprendizaje Automático (ML)
radican en sus enfoques para la toma de decisiones basada en datos. La IO se centra en la
analítica prescriptiva, es decir, en la optimización de procesos complejos y la toma de decisiones
para mejorar el rendimiento. Por otro lado, el ML se enfoca en la analítica predictiva, utilizando
algoritmos para aprender de los datos y hacer predicciones.

Las similitudes incluyen:

- Ambos campos buscan mejorar la eficiencia y la toma de decisiones en organizaciones y

sistemas complejos y utilizan modelos matemáticos y computacionales para resolver problemas
y optimizar procesos. Ambas disciplinas comparten el uso de datos para respaldar los procesos
de toma de decisiones, lo que las sitúa dentro del ámbito más amplio de la Ciencia de Datos.
Además, el documento destaca que la integración de la IO y el ML puede ser beneficiosa, ya que
el ML puede proporcionar soluciones rápidas y flexibles, mientras que la IO puede aportar su
experiencia en la optimización de problemas complejos y la legalidad de los algoritmos,
especialmente en el contexto de regulaciones como el Reglamento General de Protección de
Datos de la Unión Europea.

7. Cuales con las diferentes formas que podemos utilizar para la hibridación de ML y OR.

a) Integración de ML y OR en proyectos de optimización combinatoria: Utilizando tanto

algoritmos de Machine Learning como de Operaciones de Investigación para resolver
problemas complejos de optimización combinatoria, como la mejora de rutas de
transporte o la asignación eficiente de recursos.
b) Aplicación de ML y OR en proyectos relacionados con la cadena de suministro:
Combinando técnicas de Machine Learning y Operaciones de Investigación para
optimizar la gestión de la cadena de suministro, incluyendo la predicción de demanda,
la planificación de rutas de distribución y la gestión de inventarios.
c) Empleo de ML y OR en sistemas de reserva y asignación de recursos: Utilizando tanto
enfoques de Machine Learning como de Operaciones de Investigación para mejorar la
eficiencia de sistemas de reserva y la asignación de recursos, por ejemplo, en
restaurantes, optimizando la utilización de mesas y reduciendo los tiempos de espera.
d) Desarrollo de soluciones de IA que fusionen ML y OR para la introducción de
emociones y mayor flexibilidad: Explorando la combinación de técnicas de Machine
Learning y Operaciones de Investigación en proyectos de IA para añadir componentes
emocionales a sistemas autónomos y aumentar su capacidad de adaptación a cambios
en el entorno o condiciones variables.

8. El paradigma del aprendizaje automático puede considerarse como la combinación de

varios dominios, enumere los tipos de problemas que aborda y como ellos los pueden
resolverse mediante la investigación operativa

1. Problemas de predicción: El ML se utiliza para predecir resultados futuros o etiquetas

basadas en datos históricos. Por ejemplo, predecir el precio de las acciones, clasificar correos
electrónicos como spam o no spam, predecir si un cliente abandonará una suscripción, etc.

2. Problemas de clasificación: Aquí, el objetivo es asignar una etiqueta a un conjunto de datos

en función de ciertas características. Por ejemplo, clasificar imágenes como perros o gatos,
clasificar transacciones bancarias como fraudulentas o legítimas, etc.

3. Problemas de regresión: En estos casos, se busca predecir un valor numérico basado en

datos históricos. Por ejemplo, predecir el precio de una casa basado en características como la
ubicación, el tamaño, etc., predecir el rendimiento de un producto en función de ciertos
parámetros, etc.

4. Problemas de agrupamiento (clustering): Aquí, el objetivo es agrupar un conjunto de datos

en grupos o clusters basados en similitudes entre ellos. Por ejemplo, segmentar clientes en
grupos según su comportamiento de compra, agrupar noticias en temas similares, etc.

5. Problemas de recomendación: Estos problemas se centran en recomendar elementos a

usuarios basados en sus preferencias o comportamientos anteriores. Por ejemplo, sistemas de
recomendación en plataformas de streaming como Netflix, recomendaciones de productos en
sitios de comercio electrónico como Amazon, etc.

A continuación, se verá como la investigación operativa (OR) puede abordar y resolver estos
tipos de problemas en conjunto con el aprendizaje automático:

• Optimización de recursos: La OR puede ayudar a optimizar la asignación de recursos

en problemas de predicción y clasificación. Por ejemplo, en la asignación óptima de
personal en una empresa en función de la demanda prevista que se predice mediante
ML.
• Optimización de procesos: La OR puede optimizar los procesos de toma de decisiones
en problemas de regresión y agrupamiento. Por ejemplo, optimizar la cadena de
suministro en función de las predicciones de demanda generadas por modelos de
regresión, optimizar la logística de distribución en función de agrupamientos de
ubicaciones geográficas, etc.
• Optimización de recomendaciones: La OR puede mejorar los sistemas de
recomendación al considerar restricciones y objetivos adicionales. Por ejemplo,
optimizar las recomendaciones de productos para maximizar las ventas mientras se
minimiza el costo de almacenamiento, optimizar la asignación de recursos informáticos
para generar recomendaciones en tiempo real, etc.

9. Enumerar “Use Cases of Combination of ML and OR” Casos de uso de la combinación de

Machine learning y Operational Research.

1. Optimización Combinatoria con ML y OR: Usar algoritmos de ML y OR para resolver

problemas complicados de optimización combinatoria, como mejorar rutas de
transporte o asignar recursos de manera más eficiente.
2. Gestión de la Cadena de Suministro: Combinar técnicas de ML y OR para optimizar la
gestión de la cadena de suministro, incluyendo predecir la demanda, planificar rutas de
distribución y gestionar inventarios.
3. Sistemas de Reserva y Asignación de Recursos: Utilizar tanto ML como OR para
mejorar la eficiencia de sistemas de reserva y asignación de recursos, como en el caso
de restaurantes para optimizar el uso de mesas y reducir los tiempos de espera.
4. Desarrollo de Sistemas de IA Avanzados y Flexibles: Integrar técnicas de ML y OR en
proyectos de IA para agregar elementos emocionales, aumentar la flexibilidad y
adaptabilidad de los sistemas autónomos.