Documentos de Académico
Documentos de Profesional
Documentos de Cultura
09/12/2023
CONFEDERACIÓN
CUD UNIVERSITARIA
DE DOCENTES
Inteligencia Artificial
y Toma de Decisiones
en el ámbito empresarial
--------------
Page 1
Image by rawpixel.com on Freepik
CONTEXTO
APLICACIONES SECTORIALES DE ML
CONTENTS
PROJECTOS DE ML - DESAFÍOS
REFLEXIONES FINALES
Q&A
Page 2
1
Julian Loaiza Rejas
09/12/2023
CONTEXTO
Inteligencia Artificial
Page 3
AI Timeline
09/12/2023
https://www.theainavigator.com/ai-timeline
https://www.theainavigator.com/ai-timeline
Page 4
2
Julian Loaiza Rejas
• 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
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
AI – Clasificación de modelos
09/12/2023
4
Julian Loaiza Rejas
? 0,9978 1 Perro
? 0,4355 0 No Perro
? 0,0857 0 No perro
Page 10
10
5
Julian Loaiza Rejas
https://playground.tensorflow.org/#activation Page 11
11
INTELIGENCIA ARTIFICIAL
Y TOMA DE DECIONES
Page 12
12
6
Julian Loaiza Rejas
Cambio de paradigma
09/12/2023
Basada en la
Basada en
experiencia
Datos
e intuición
(+ Objetivo)
(+ Subjetivo)
Page 13
13
Page 14
14
7
Julian Loaiza Rejas
09/12/2023
Artificial Intelligence
DATOS
Page 15
15
● Tipos:
○ Descriptiva
○ Diagnóstica
○ Predictiva
○ Prescriptiva
Page 16
16
8
Julian Loaiza Rejas
09/12/2023
APLICACIONES SECTORIALES
[Machine Learning]
Page 17
17
Aplicaciones Sectoriales
09/12/2023
Financiero
Bancario
Page 18
18
9
Julian Loaiza Rejas
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).
19
ML en la predicción de impagos
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
Ejercicio empírico
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
Aplicaciones Sectoriales
09/12/2023
Servicing
Inmobiliario
Page 22
22
11
Julian Loaiza Rejas
23
Visita física al
inmueble
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
● Similitud de inmuebles
Page 25
25
• Características
• Localización
• Precio
• Condiciones
• Etc
Page 26
26
13
Julian Loaiza Rejas
Page 27
27
Funnel de Conversión
Usuarios Contacto
Visita física Compra
interesados (interés real)
Page 28
28
14
Julian Loaiza Rejas
AUC: 0.9399
Page 29
29
Aplicaciones Sectoriales
09/12/2023
Retail
Deportivo
Page 30
30
15
Julian Loaiza Rejas
Sector Retail
09/12/2023
Page 31
31
Sector Retail
09/12/2023
Page 32
32
16
Julian Loaiza Rejas
Sector Retail
09/12/2023
33
Sector Retail
09/12/2023
34
17
Julian Loaiza Rejas
09/12/2023
EXPECTATIVAS
SOBRE LA IA
GENERATIVA
[Next]
Page 35
35
Page 36
36
18
Julian Loaiza Rejas
Retos
09/12/2023
37
INPUT
Prompt
Generative AI
Multimodal
Response
User
Texto, audio, imagen, video
OUTPUT
FUENTE: Elaboración propia. Page 38
38
19
Julian Loaiza Rejas
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
OUTPUT
39
Está empezando a aflorar las distintas ● A nivel de entornos corporativos, especialmente en la gran
aplicaciones de esta tecnología, algunas de las empresa y corporaciones multinacionales, se espera que
cuales ya se han comentado: éstas tecnologías se integren dentro de la arquitectura
tecnológica empresarial, como una herramienta más, sino
● Generación de contenido no es que, integrada en las distintas herramientas.
● Como asistentes virtuales ○ Herramientas de visualización de datos (Microstrategy, Power
● Generación y depuración de código fuente BI, Looker Studio, Tableau, Zoho Analytics, SAS Visual Analytics,
KANIME, etc)
(programación).
○ IDE’s (Generación de código)
● Procesamiento y análisis de datos: ○ Entornos de programación
○ A partir de tabla de datos subida por ○ Herramientas estadísticas
fichero ○ Herramientas de procesamiento de datos
○ A partir de información textual o tablas.
○ A partir de imágenes (cuadros, gráficos). ● Condición sine quanon para su adopción:
○ A partir de documentos PDFs. ○ Resolver los requisitos de seguridad de los datos
● Integrado en herramientas de visualización ○ Privacidad.
de datos. Ejemplo, Microsoft Power BI ○ Confidencialidad
○ Rendimiento - Escalabilidad
● Requiere madurez. ○ Costo-beneficio
40
20
Julian Loaiza Rejas
09/12/2023
PROYECTOS DE
MACHINE LEARNING
Desafíos en la implementación
Page 41
41
Page 42
42
21
Julian Loaiza Rejas
Desafíos en la implementación de ML
09/12/2023
43
REFLEXIONES FINALES
Page 44
44
22
Julian Loaiza Rejas
● 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
45
● 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
FAKE NEWS
FACTS
INTUITIVE KNOWLEDGE FAKE NEWS FAKE NEWS
FAKE NEWS
FAKE NEWS
EMPIRICAL KNOWLEDGE FACTS FACTS
RELIGIOUS KNOWLEDGE
FACTS
FACTS
FACTS
47
FACTS
INTUITIVE KNOWLEDGE FAKE NEWS FAKE NEWS
SCIENTIFIC
KNOWLEDGE EMPIRICAL SCIENTIFIC EMPIRICAL
KNOWLEDGE KNOWLEDGE KNOWLEDGE
SCIENTIFIC KNOWLEDGE
PHILOSOPHICAL KNOWLEDGE
FAKE NEWS
FAKE NEWS
RELIGIOUS KNOWLEDGE
FACTS
FACTS
48
24
Julian Loaiza Rejas
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
FACTS
FACTS
FACTS
49
Q&A
Todas las imágenes han sido generadas con DALL-E 3 desde ChatGPT-4 (excepto la de la portada)
Page 50
50
25