Julian Loaiza Rejas

09/12/2023
CONFEDERACIÓN
CUD UNIVERSITARIA
DE DOCENTES

Inteligencia Artificial
y Toma de Decisiones
en el ámbito empresarial
--------------

Julian Loaiza Rejas

Data Science & Advanced Analytics
[9-DIC-2023]

Page 1
Image by rawpixel.com on Freepik

Julian Loaiza Rejas

09/12/2023

CONTEXTO

IA & TOMA DE DECISIONES

CONTENIDO

APLICACIONES SECTORIALES DE ML
CONTENTS

EXPECTATIVAS SOBRE LA IA GENERATIVA

PROJECTOS DE ML - DESAFÍOS

REFLEXIONES FINALES

Q&A

Page 2

1
 Julian Loaiza Rejas
09/12/2023

CONTEXTO
Inteligencia Artificial

Page 3

Julian Loaiza Rejas

AI Timeline
09/12/2023

https://www.theainavigator.com/ai-timeline

https://www.theainavigator.com/ai-timeline
Page 4

2
 Julian Loaiza Rejas

Tipos de Inteligencia Artificial

09/12/2023

Artificial Narrow Intelligence (ANI).

• IA estrecha o débil. Tiene un rango limitado de capacidades y se enfoca a tareas

específicas (una sola tarea).
• La mayoría de las aplicaciones de IA que se usan en la vida cotidiana entrar en esta
clasificación.

Artificial General Intelligence (AGI).

• IA general, todavía en proceso de investigación; en este nivel se espera que las

máquinas (IA) sean tan capaces como los humanos, pudiendo imitar las funciones
cerebrales más complejas.

Artificial Super Intelligence (ASI).

• Super IA, en este nivel, se espera que las máquinas no solo podrán realizar los mismos
procesos de reflexión y análisis que un humano, sino que además lo superen.

Fuente: https://www.tableau.com/es-mx/data-insights/ai/tipos-de-inteligencia-artificial

Page 5

Julian Loaiza Rejas

AI – Definición y clasificación
09/12/2023

Computer Science

Artificial
Intelligence
Machine Learning
Es una disciplina, una
rama de la informática Subconjunto de Deep Learning
que se ocupa de la inteligencia artificial que
creación de agentes de permite que un sistema Un subconjunto del aprendizaje
inteligencia, que son aprenda y mejore de forma automático basado en redes
sistemas que pueden autónoma mediante redes neuronales artificiales que le Generative AI
razonar, aprender y permite procesar patrones más
neuronales y aprendizaje
actuar de forma complejos que el ML. Un tipo de tecnología de IA de
profundo, sin tener que ser puede generar contenido
autónoma. (varias capas de entrada, salida y
programado ocultas) nuevo, que puede ser de
explícitamente, a través de varios tipos: texto, imágenes,
Teoría y métodos para la ingesta de grandes audio, video y datos sintéticos.
construir sistemas cantidades de datos.
capaces de ejecutar
tareas que Tipos de modelos: Language Large Models (LLMs)
normalmente requieren • Supervisados
inteligencia humana • No supervisados Un tipo de IA generativa que pueden generar
(máquinas que piensen • Aprendizaje por refuerzo combinaciones novedosas de texto en forma
y actúen como • Aprendizaje profundo de lenguaje natural.
humanos).

Page 6

3
 Julian Loaiza Rejas

Tipos de modelos de aprendizaje: Discriminativo vs Generativo

09/12/2023

• Estos modelos aprenden la distribución de

probabilidad condicional P(Y | X). Se utilizan
para tareas como la clasificación, donde el
objetivo es predecir un valor Y dado un valor X.
Ejemplos incluyen la Regresión Logística, las
Máquinas de Vectores de Soporte (SVMs), y
muchos tipos de Redes Neuronales utilizadas
en Aprendizaje Supervisado.

→ Discriminan entre diferentes tipos de

instancias de datos.

• Estos modelos aprenden la distribución

conjunta de probabilidad P(X, Y) y luego
predicen la probabilidad condicional P(Y | X).
Son buenos para generar nuevos datos.
Ejemplos incluyen los Autoencoders
Variacionales (VAEs), las Redes Adversarias
Generativas (GANs), y modelos de lenguaje de
gran tamaño (LLM) como GPT-4.

→ Pueden generar nuevas instancias de datos.

Fuente: vitalflux.com Page 7

Julian Loaiza Rejas

AI – Clasificación de modelos
09/12/2023

Machine Learning Deep Learning

Classification: Regression: 1. Convolutional Neural Networks (CNNs)
1. Logistic Regression 1. Linear Regression 2. Long Short Term Memory Networks (LSTMs)
2. Naïve Bayes 2. Ridge Regression 3. Recurrent Neural Networks (RNNs)
3. Decision Tree 3. Elastic Net Regression 4. Generative Adversarial Networks (GANs)
4. K-Nearest Neighbour 4. Neural Network Regression 5. Radial Basis Function Networks (RBFNs)
5. Support Vector Machine (SVM) 5. Lasso Regression 6. Multilayer Perceptrons (MLPs)
6. Random Forest 6. Decision Tree Regression 7. Self Organizing Maps (SOMs)
7. Stochastic Gradient Descent 7. Random Forest 8. Deep Belief Networks (DBNs)
8. K-Means 8. KNN Model 9. Restricted Boltzmann Machines( RBMs)
9. Kernel Approximation 9. Support Vector Machines (SVM) 10. Autoencoders
10. Apriori 10. Gausian Regression
Generative AI
11. Polynomial Regression
Large Language Models:
TEXTO:
Boosting: 1. GPT-3.5-Turbo, GPT-4 → ChatGPT (OpenAI)
1. AdaBoost 2. Prometheus → BingChat (Microsoft)
2. Gradient Boosting Machine (GBM) 3. BERT, LaMDA, PaLM, → Bard (Google)
3. Extreme Gradient Boosting Machine (XGBM) 4. LLaMA (Meta)
4. LightGBM
5. CatBoost IMAGEN/ARTE:
1. DALL-E 3 (OpenAI)
Time Series: 2. Imagen (Google)
1. Prophet 3. Stable Diffusion XL (StabilityAI)
4. Midjourney (Midjourney)
5. Firefly Image 2 (Adobe)
Page 8

4
 Julian Loaiza Rejas

Cómo funciona el Aprendizaje “Supervisado”

09/12/2023

DATOS ENTRENAMIENTO Tipo de aprendizaje que se basa en descubrir la relación

Input Target existente entre unas variables de entrada (input,
Etiqueta características, atributos) y una variable de salida (target,
(X) (Y)
variable de respuesta, variable objetivo), en base a ejemplos.
Perro 1
No perro 0
Perro 1 MODELO ENTRENADO
(Parámetros)
No Perro 0
No Perro 0 Entrenamiento
Modelo ML
Perro 1
Perro 1
Perro 1
No Perro 0
No Perro 0
Page 9

Julian Loaiza Rejas

Cómo funciona el Aprendizaje “Supervisado”

09/12/2023

DATOS NUEVOS PREDICCIÓN

Input Target Input Target
Score Etiqueta
(X) (Y) (X) (Y)

? MODELO ENTRENADO 0,1534 0 No Perro

[Parámetros]
? 0,9691 1 Perro
DECISIÓN
? 0,1064 0 No Perro (Acción)

? 0,9978 1 Perro

? 0,4355 0 No Perro

? 0,0857 0 No perro

Page 10

10

5
 Julian Loaiza Rejas

Cómo funcionan las RNA: DEMO

09/12/2023

https://playground.tensorflow.org/#activation Page 11

11

Julian Loaiza Rejas

09/12/2023

INTELIGENCIA ARTIFICIAL
Y TOMA DE DECIONES

Page 12

12

6
 Julian Loaiza Rejas

Cambio de paradigma
09/12/2023

La capacidad de extraer insights valiosos a partir de un gran volumen de

información es vital para lo toma de decisiones estratégicas

Basada en la
Basada en
experiencia
Datos
e intuición
(+ Objetivo)
(+ Subjetivo)

● Se basa en el juicio personal, las experiencias ● Se fundamenta en el análisis objetivo de información

pasadas y la comprensión intuitiva de situaciones
y problemas. Basadas en el instinto o la sensación
de lo que es correcto.
● Es subjetivo y depende en gran medida de la
percepción individual y la sabiduría acumulada a
lo largo del tiempo.
● Puede llevar a sesgos cognitivos y decisiones
subóptimas si las experiencias pasadas no son
completamente aplicables a la situación actual.
Además, la intuición puede ser difícil de explicar o
justificar a otros.
cuantitativa.
● Utiliza datos, métricas y análisis estadístico para formular
decisiones y estrategias.
● Depende de la calidad y relevancia de los datos disponibles.
● Se utiliza en entornos donde hay grandes volúmenes de
información disponible y en decisiones que requieren alta
precisión, como en finanzas, operaciones y marketing
basado en análisis.
● Permite un aprendizaje continuo y ajustes basados en
nuevos datos

Page 13

13

Julian Loaiza Rejas

Para qué se utiliza la IA en el ámbito empresarial

09/12/2023

Optimización de Análisis predictivo Personalización de la Optimización de Detectar

procesos de experiencia del recursos y reducción desviaciones,
negocios cliente de costes identificar patrones

Optimizar la toma de decisiones (velocidad y eficiencia, mayor

precisión y objetividad, mejor gestión del riesgo, reducción de costes
operativos) y, en definitiva, mejorar los procesos de negocio de las
organizaciones

Page 14

14

7
 Julian Loaiza Rejas
09/12/2023

Artificial Intelligence

DATOS

Advanced Data Analytics Business Making Decision

Page 15

15

Julian Loaiza Rejas

Analítica Avanzada + IA y Toma de Decisiones

09/12/2023

● Analítica Avanzada: Aplicación de

un conjunto de herramientas,
métodos y técnicas analíticas en el
contexto del Big Data para dar
respuestas a problemas específicos
con el fin de optimizar la toma de
decisiones empresariales.

● Tipos:
○ Descriptiva
○ Diagnóstica
○ Predictiva
○ Prescriptiva

● La Analítica Avanzada, apoyada en

herramientas y modelos de ML,
mejora la efectividad y velocidad del
FUENTE: Gartner
proceso de toma de decisiones

Page 16

16

8
 Julian Loaiza Rejas
09/12/2023

APLICACIONES SECTORIALES
[Machine Learning]

Page 17

17

Julian Loaiza Rejas

Aplicaciones Sectoriales
09/12/2023

Financiero
Bancario

Page 18

18

9
 Julian Loaiza Rejas

Sector Financiero - Bancario

09/12/2023

∆ Experiencia de usuario → ∆ Satisfacción → ∆ Lealtad

Machine Learning
(Sistemas automatizados de concesión de crédito: Mejor capacidad de predicción → impacto económico
(provisión de nuevo negocio, ahorro de capital regulatorio si se utilizara en modelos internos).

* Necesidad de explicabilidad (xAI) de los modelos. Riesgos de modelo (sesgos o discriminación)

Segmentación de Crédito Préstamos al Hipoteca Fraude en tarjeta

clientes en tarjeta consumo
(Reducción de los
falso positivos)
GESTIÓN DEL RIESGO DE CRÉDITO

Sistemas de alerta temprana

Page 19

19

Julian Loaiza Rejas

Sector Financiero - Bancario

09/12/2023

ML en la predicción de impagos

● Mejora en predicción estadística al

usar modelos de ML (como
random forest, gradient boosting o
redes neuronales profundas)
respecto a Logit. Estas ganancias
pueden ser de hasta el 20 %.

● No necesariamente los modelos

más complejos, como aquellos
basados en redes neuronales,
predicen mejor. De hecho, los
resultados de estos artículos
sugieren que los modelos basados
en árboles de decisión como
Random forest o XGBoost tienen
mejor rendimiento predictivo.

Alonso-Robisco, A. & Carbó, J.M. (2023). Aprendizaje automático en modelos de concesión de crédito: Page 20
oportunidades y riesgos. En Carbó et al (Ed.), Análisis Financiero y Big Data (pp. 79-104). FUNCAS.

20

10
 Julian Loaiza Rejas

Sector Financiero - Bancario

09/12/2023

Ejercicio empírico

● Datos: “Give me some credit” (Kaggle)

https://www.kaggle.com/c/GiveMeSomeCredit

Alonso-Robisco, A. & Carbó, J.M. (2023). Aprendizaje automático en modelos de concesión de crédito: oportunidades
y riesgos. En Carbó et al (Ed.), Análisis Financiero y Big Data (pp. 79-104). FUNCAS.

Page 21

21

Julian Loaiza Rejas

Aplicaciones Sectoriales
09/12/2023

Servicing
Inmobiliario

Page 22

22

11
 Julian Loaiza Rejas

Sector Servicing Inmobiliario

09/12/2023

Crisis financiera Entidades Financieras SAREB

2008 (Subasta ejecución Sociedad de Gestión de Activos procedentes
de la Reestructuración Bancaria - 2012.
hipotecaria → Inmuebles (Liquidar de forma ordenada cartera de activos)
REOs)

Los cuatro grandes servicers

de España (80% de cuota de (200.000 activos
mercado), Intrum Solvia, problemáticos)
Hipoges Iberia, doValue Servicers
(Altamira) y Anticipa-Aliseda (Sociedades especializadas
gestionan activos por un valor en la gestión de carteras de
de más de 175.000 millones de activos inmobiliarios e
euros, según la 6ª edición del hipotecas)
Observatorio Assets Under
Management elaborado por
Axis Corporate, a 2023. FUENTE: Sareb Page 23

23

Julian Loaiza Rejas

Sector Servicing Inmobiliario

09/12/2023

Visita física al
inmueble

Contacto con Contrato arras,

el gestor del Escritura de
inmueble compra-venta

PROCESO
DE COMPRA
Intención de (Inmueble residencial)
compra:
Búsqueda Inmueble en
propiedad

https://www.alisedainmobiliaria.com/pasos-comprar-vivienda Page 24

24

12
 Julian Loaiza Rejas

Sector Servicing Inmobiliario

09/12/2023

AI: Modelos predictivos

● Fijación de precios del inmueble: Pricing & Re-pricing

● Segmentación de producto (inmuebles) / Clientes

● Similitud de inmuebles

Procesos previos al inicio

del proceso de compra

Gran número de inmuebles, tanto para

primera como segunda residencia, locales
comerciales, oficinas, naves industriales,
suelo, etc., ubicados en todo el territorio
nacional

Page 25

25

Julian Loaiza Rejas

Sector Servicing Inmobiliario

09/12/2023

AI: Modelos predictivos

● Identificación de clientes potenciales → Optimización de las

acciones comerciales, centrando el foco en aquellos usuarios
que tienen mayor probabilidad de comprar un inmueble:

○ Identificación de “mirones”/”no mirones” (usuarios

registrados, no registrados vía cookies)
■ Cribado de no mirones
■ Identificación de clientes con intención real de
Intención de compra: comprar un inmueble.
Interés por un determinado
tipo de inmueble. ○ Identificación de clientes con alta probabilidad de visita
Búsqueda física (próximos 15 días)

• Características
• Localización
• Precio
• Condiciones
• Etc
Page 26

26

13
 Julian Loaiza Rejas

Sector Servicing Inmobiliario

09/12/2023

AI: Modelos predictivos

● Identificación de clientes con alta probabilidad de compra

de un inmueble (próximos 3 meses).

Visita física del inmueble

Page 27

27

Julian Loaiza Rejas

Sector Servicing Inmobiliario

09/12/2023

Funnel de Conversión

Usuarios Contacto
Visita física Compra
interesados (interés real)

Page 28

28

14
 Julian Loaiza Rejas

Sector Servicing Inmobiliario

09/12/2023

AUC: 0.9399

Page 29

29

Julian Loaiza Rejas

Aplicaciones Sectoriales
09/12/2023

Retail
Deportivo

Page 30

30

15
 Julian Loaiza Rejas

Sector Retail
09/12/2023

Page 31

31

Julian Loaiza Rejas

Sector Retail
09/12/2023

Hoy Inicio de Fin de

Campaña Campaña

PLANIFICACIÓN COMPRAS/FABRICACIÓN COMERCIALIZACIÓN

● Análisis de tendencias ● Gestión de pedidos: compras/fabricación ● Predicción de la demanda a corto plazo

● Segmentación de
clientes
● Diseño
● Predicción de ventas
● Predicción de compras
● Planificación de compras
● Planificación de ventas
● Estimación costes,
precios y márgenes
● Proveedor/fabricante: producción y envío
de la mercancía
● Recepción en almacén
● Predicción de ventas a corto plazo
● Fijación de precio
● Preparación de Merchandising
● Gestión de Comunicación
● Gestión de stock: reparto y envío a
tienda (omnicanal, multimercado)
● Fijación masiva de precios (BF,
Discount, BTS, etc)
● Exposición en tienda
● Ventas
● Reposición de stock a tienda
● Gestión de devoluciones
● Traspaso entre tiendas
● Retorno a almacén
● Gestión de stock residual

FUENTE: Elaboración propia.

Page 32

32

16
 Julian Loaiza Rejas

Sector Retail
09/12/2023

Hoy Inicio de Fin de

Campaña Campaña

PLANIFICACIÓN COMPRAS/FABRICACIÓN COMERCIALIZACIÓN

AI: Predicción de Ventas y Compras

● Previsión de Ventas y Compras (LP):

○ Predicción de la demanda a largo plazo para facilitar la toma de decisiones de Compra.
○ Propuesta de compras para las próximas temporadas, a partir del estudio histórico de ventas y
mediante la utilización de algoritmos de forecasting.
● Prophet + Random Forest.
● Fijación masiva de precios:
○ Poner precios a los productos con el objetivo de maximizar el beneficio al final de temporada,
considerando los costes del stock sobrante.
● Modelos de Regresión + Random Forest.

FUENTE: Elaboración propia. Page 33

33

Julian Loaiza Rejas

Sector Retail
09/12/2023

Hoy Inicio de Fin de

Campaña Campaña

PLANIFICACIÓN COMPRAS/FABRICACIÓN COMERCIALIZACIÓN

AI: Predicción de ventas y Reposición de stock

● Predicción de ventas (CP):

○ Predicción de las ventas a nivel de tienda-producto-talla, dentro del mes siguiente, con el objetivo de
optimizar el surtido y nivel de stock en tienda.
■ Distribución de stock entre almacenes y tiendas
■ Traspasos entre tiendas.

● Reposición de stock a tiendas:

○ Define y optimiza los envíos desde almacén a las diferentes tiendas.
○ Se basa en las predicciones de ventas a corto plazo, el nivel de stock en tienda y almacén, y una serie
de reglas de negocio.
FUENTE: Elaboración propia. Page 34

34

17
 Julian Loaiza Rejas
09/12/2023

EXPECTATIVAS
SOBRE LA IA
GENERATIVA
[Next]

Page 35

35

Julian Loaiza Rejas

El auge de las grandes tecnológicas

09/12/2023

Page 36

36

18
 Julian Loaiza Rejas

Retos
09/12/2023

Wayne et al (2023). A Survey of Large Language Models

https://arxiv.org/abs/2303.18223v12 Page 37

37

Julian Loaiza Rejas

Cambio de paradigma – IA Generativa multimodal

09/12/2023

INPUT

Texto, audio/voz, imagen

Prompt
Generative AI
Multimodal

Response

User
Texto, audio, imagen, video

OUTPUT
FUENTE: Elaboración propia. Page 38

38

19
 Julian Loaiza Rejas

Cambio de paradigma – IA Generativa multimodal

09/12/2023

INPUT
ChatGPT
Texto, audio/voz, imagen GPT-3.5, GPT-4
(Multimodal)
25-sep-2023 → oct-2023

Whisper
Prompt (Voz a Texto + Traducción)
21-sep-2022

DALL-E 3 20-sep-2023
(Texto a Imagen)

Response

User Texto, audio, imagen

OUTPUT

FUENTE: Elaboración propia. Page 39

39

Julian Loaiza Rejas

Aplicaciones en entornos corporativos

09/12/2023

Está empezando a aflorar las distintas
aplicaciones de esta tecnología, algunas de las
cuales ya se han comentado:
● Generación de contenido
● Como asistentes virtuales
● Generación y depuración de código fuente
(programación).
● Procesamiento y análisis de datos:
○ A partir de tabla de datos subida por
fichero
○ A partir de información textual o tablas.
○ A partir de imágenes (cuadros, gráficos).
○ A partir de documentos PDFs.
● Integrado en herramientas de visualización
de datos. Ejemplo, Microsoft Power BI
● Requiere madurez.
● A nivel de entornos corporativos, especialmente en la gran
empresa y corporaciones multinacionales, se espera que
éstas tecnologías se integren dentro de la arquitectura
tecnológica empresarial, como una herramienta más, sino
no es que, integrada en las distintas herramientas.
○ Herramientas de visualización de datos (Microstrategy, Power
BI, Looker Studio, Tableau, Zoho Analytics, SAS Visual Analytics,
KANIME, etc)
○ IDE’s (Generación de código)
○ Entornos de programación
○ Herramientas estadísticas
○ Herramientas de procesamiento de datos
● Condición sine quanon para su adopción:
○ Resolver los requisitos de seguridad de los datos
○ Privacidad.
○ Confidencialidad
○ Rendimiento - Escalabilidad
○ Costo-beneficio

Automatización, personalización, ahorro de costes, eficiencia,

ventaja competitiva, rentabilidad, valor.
Page 40

40

20
 Julian Loaiza Rejas
09/12/2023

PROYECTOS DE
MACHINE LEARNING
Desafíos en la implementación

Page 41

41

Julian Loaiza Rejas

Proyectos de ML: Desafíos en la implementación

09/12/2023

Business Data Data Modeling Evaluation Deployment PRODUCCIÓN

Understanding Understanding Preparation

(80%) Training Set New Data

Data

(20%) Test Set

Page 42

42

21
 Julian Loaiza Rejas

Desafíos en la implementación de ML
09/12/2023

Conseguido el modelo perfecto para resolver un problema

Inversión
¿Y ahora qué?
PRODUCTIVIZACIÓN
● Lograr las ventajas que suponen la utilización de modelos ML en el ámbito
empresarial, requiere la integración en la operativa de los procesos de negocio
Infraestructura tecnológica
y su correspondiente automatización → Enorme complejidad. Implica:
(Escalabilidad)
○ Integrar varios sistemas (operacional, ERP, informacional, DWH).
○ Integrar varios entornos (DES, PRE, PRO).
○ Integrar varias aplicaciones/software.
Perfiles especializados
○ Arquitectura tecnológica adecuada.
○ Reestructuración de procesos de negocio.
○ Mantenimiento de los modelos ML.

Gestión de proyecto - Agile

● Proyectos transversales: necesidad de implicación y participación en el
proyecto de distintas áreas de la empresa, con perfiles especializados:
○ PMO
○ IT (Operacional – ERP, Arquitectura, Seguridad, Sistema informacional –
DWH, Gobierno de datos,, Desarrollo Web, etc., etc.)
Reajuste de modelos
○ Data Analytics
○ Usuarios de Negocio
○ Proveedores, Consultores
○ Patrocinador del proyecto, CEO, Project Manager
○ Otros interesados Page 43

43

Julian Loaiza Rejas

09/12/2023

REFLEXIONES FINALES

Page 44

44

22
 Julian Loaiza Rejas

Reflexiones finales – Modelos de ML

09/12/2023

● Cada vez más empresas y sectores están abordando proyectos ● Necesidad de formar nuevos perfiles:
de implementación de Machine Learning para resolver ○ Data Scientist
problemas específicos. El sector bancario es uno de los sectores ○ Data Analyst
pioneros en la aplicación de ML. ○ Data Engineer
○ Data Modeler
● A día de hoy, disponemos de un amplio abanico de modelos de ○ Machine Learning Engineer
ML, desde los más sencillos a los más sofisticados. ○ Data Architect
○ Data Governance
● No necesariamente los modelos más sofisticados son los que ○ Data Steward
mejor funcionan. En muchos casos se obtiene una solución ○ Business Analyst
óptima con modelos sencillos. Ejemplo, Decision Tree (regresión ○ BI Analyst
y clasificación). ○ Project Manager

● Necesidad de explicabilidad (xAI) de los modelos (con sentido de ● Conocimientos/Habilidades

negocio) ○ Programación: Python, R, SAS, Julia,
SQL, Matlab, Java, Scala
● Cambio de mentalidad en los Directivos para permitir que parte ○ Bases de datos
de las decisiones se “deleguen” a procesos automáticos basados ○ Negocio.
en IA (decisiones basadas en datos). ○ Matemáticas + Estadística
○ Machine Learning, Deep Learning
● Hay un GAP importante entre la construcción de un modelo de ○ Visualización de datos
ML y su implementación para que funcione de manera ○ Cloud computing
automática e integrada con el resto de sistemas y aplicaciones. ○ Habilidades de comunicación.
Page 45
○ Project Management

45

Julian Loaiza Rejas

Reflexiones finales – IA Generativa

09/12/2023

● Estas nuevas “herramientas” basadas en tecnología de IA generativa, ● Subirse al tren de la IA. Necesidad de
constituyen una herramientas más, un recurso más, ciertamente muy reciclarse profesionalmente.
sofisticadas, que el profesional puede utilizarlo en su ámbito.
○ Formarse en el uso de estas
● La responsabilidad es de quién la usa. La primera regla es, solo utilizarla
nuevas herramientas para
dentro del dominio o campo profesional del que la utiliza. aprovechar todo su potencial.
○ En el ámbito académico, un error en el resultado esperado, podría
suponer reprobar la asignatura; en el ámbito profesional, puede ● Necesidad de formar nuevos perfiles:
suponer graves consecuencias, dependiendo del área de conocimiento ○ AI Enginer
o sector, empezando por la pérdida del puesto de trabajo.
○ AI Researcher
■ Cuidado con los mensajes, “con ChatGPT no necesitas saber
programar”, “ChatGPT de lo da todo”
○ NLP Expert
■ Por la forma cómo se han entrenado, las IAs ya vienen “sesgadas”. ○ LLMs Expert
○ Prompt Engineer
● Se esperan versiones “Enterprise” para su implementación en entornos ○ Robotic Process Automation
corporativos. (Ejem ChatGPT Enterprise): Seguridad, privacidad, escalabilidad Expert
○ Algorithm Auditor
● También, esperamos que se integren en las distintas herramientas dentro de
la arquitectura empresarial:
○ Specialist in ethics and laws (AI)
○ Herramientas de visualización de datos.
○ IDE’s (Generación de código) ● Nuevas habilidades
○ Entornos de programación ○ Habilidades relacionadas con los
○ Herramientas estadísticas perfiles indicados.
○ Herramientas de procesamiento de datos

Page 46

46

23
 Julian Loaiza Rejas

Reflexiones finales – IA Generativa

09/12/2023

RELIGIOUS KNOWLEDGE THEORETICAL KNOWLEDGE THEORETICAL KNOWLEDGE

FAKE NEWS
FACTS
INTUITIVE KNOWLEDGE FAKE NEWS FAKE NEWS

SCIENTIFIC EMPIRICAL SCIENTIFIC EMPIRICAL

KNOWLEDGE KNOWLEDGE KNOWLEDGE KNOWLEDGE
SCIENTIFIC KNOWLEDGE
PHILOSOPHICAL KNOWLEDGE

FAKE NEWS

FAKE NEWS
EMPIRICAL KNOWLEDGE FACTS FACTS

RELIGIOUS KNOWLEDGE

THEORETICAL KNOWLEDGE THEORETICAL KNOWLEDGE

EMPIRICAL KNOWLEDGE
THEORETICAL
KNOWLEDGE
INTUITIVE KNOWLEDGE

FACTS

FACTS
FACTS

SCIENTIFIC EMPIRICAL SCIENTIFIC EMPIRICAL

KNOWLEDGE KNOWLEDGE KNOWLEDGE KNOWLEDGE
SCIENTIFIC KNOWLEDGE BUSINESS KNOW-HOW

k(t-n) … k(t) … k(t+n)

Page 47
Fuente: Elaboración propia

47

Julian Loaiza Rejas

Reflexiones finales – IA Generativa

09/12/2023
Datos utilizados para el entrenamiento del modelo

Datos no utilizado (off-line, o no accesible)

RELIGIOUS KNOWLEDGE THEORETICAL KNOWLEDGE THEORETICAL KNOWLEDGE

FAKE NEWS

FACTS
INTUITIVE KNOWLEDGE FAKE NEWS FAKE NEWS
SCIENTIFIC
KNOWLEDGE EMPIRICAL SCIENTIFIC EMPIRICAL
KNOWLEDGE KNOWLEDGE KNOWLEDGE
SCIENTIFIC KNOWLEDGE
PHILOSOPHICAL KNOWLEDGE
FAKE NEWS

FAKE NEWS

EMPIRICAL KNOWLEDGE FACTS FACTS

RELIGIOUS KNOWLEDGE

THEORETICAL KNOWLEDGE THEORETICAL KNOWLEDGE

EMPIRICAL KNOWLEDGE
THEORETICAL
KNOWLEDGE
INTUITIVE KNOWLEDGE
FACTS

FACTS
FACTS

SCIENTIFIC EMPIRICAL SCIENTIFIC EMPIRICAL

KNOWLEDGE KNOWLEDGE KNOWLEDGE KNOWLEDGE
SCIENTIFIC KNOWLEDGE BUSINESS KNOW-HOW

k(t-n) … k(t) … k(t+n)

Page 48
Fuente: Elaboración propia

48

24
 Julian Loaiza Rejas

Reflexiones finales – IA Generativa

09/12/2023
Datos utilizados para el entrenamiento del modelo

Datos no utilizado (off-line, o no accesible)

FAKE NEWS
RELIGIOUS KNOWLEDGE THEORETICAL KNOWLEDGE THEORETICAL KNOWLEDGE

FACTS
INTUITIVE KNOWLEDGE FAKE NEWS FAKE NEWS
SCIENTIFIC
KNOWLEDGE EMPIRICAL SCIENTIFIC EMPIRICAL
KNOWLEDGE KNOWLEDGE KNOWLEDGE
SCIENTIFIC KNOWLEDGE
PHILOSOPHICAL KNOWLEDGE

FAKE NEWS

FAKE NEWS
EMPIRICAL KNOWLEDGE FACTS FACTS

RELIGIOUS KNOWLEDGE

THEORETICAL KNOWLEDGE THEORETICAL KNOWLEDGE

EMPIRICAL KNOWLEDGE
THEORETICAL
KNOWLEDGE
INTUITIVE KNOWLEDGE

FACTS

FACTS
FACTS

SCIENTIFIC EMPIRICAL SCIENTIFIC EMPIRICAL

KNOWLEDGE KNOWLEDGE KNOWLEDGE KNOWLEDGE
SCIENTIFIC KNOWLEDGE BUSINESS KNOW-HOW

k(t-n) … k(t) … k(t+n)

Page 49
Fuente: Elaboración propia

49

Julian Loaiza Rejas

09/12/2023

Q&A

Todas las imágenes han sido generadas con DALL-E 3 desde ChatGPT-4 (excepto la de la portada)
Page 50

50

25