Skip to main content
Free Agentforce workshops and AI Certifications: Learn more. Terms and conditions apply.

Descubrir los marcos de trabajo de toma de decisiones y los modelos de IA

Objetivos de aprendizaje

Después de completar esta unidad, podrá:

  • Enumerar los tres modelos de toma de decisiones.
  • Explicar cómo se aplican marcos de trabajo de decisiones impulsados por datos a situaciones de la vida real.
  • Describir los tres modelos de IA fundamentales y sus aplicaciones.
  • Reconocer sesgos y garantizar la equidad en los modelos de IA y datos.

Ahora echemos un vistazo a los modelos de toma de decisiones, los marcos de trabajo impulsados por datos y los modelos de IA, así como la necesidad crítica de abordar los sesgos y la equidad en todos estos casos.

Modelos de toma de decisiones

Hay una gran variedad de modelos y teorías de toma de decisiones. Estos marcos de trabajo están diseñados para ayudar a las organizaciones y personas a tomar decisiones más informadas, objetivas y eficientes a partir de evidencia empírica.

Estos son algunos de los modelos principales.

Modelo de toma de decisiones racional: este modelo infiere que, para tomar decisiones lógicas y coherentes, las personas analizan todas las alternativas posibles y seleccionan la de mayor utilidad. La racionalidad es el pilar de este modelo, y su objetivo es elegir la opción óptima.

Modelo de racionalidad limitada: la racionalidad limitada reconoce que, en los escenarios de la vida real, las personas responsables de la toma de decisiones suelen operar con información limitada y restricciones cognitivas. Toman decisiones que son “bastante buenas”, en lugar de buscar la opción óptima.

Toma de decisiones intuitiva: la toma de decisiones intuitiva se basa en presentimientos y experiencias personales. En general, se usa cuando se toman decisiones rápidas o cuando falta información.

Marcos de trabajo de decisiones impulsados por datos

Los marcos de trabajo de decisiones impulsados por datos proporcionan un enfoque estructurado para la toma de decisiones cuyo principal impulsor son los datos. Estos dos son los principales marcos de trabajo de decisiones en el sector.

Herramienta

¿Qué es?

Árboles de decisiones

Con estas representaciones gráficas, puede visualizar y evaluar las opciones, los resultados y las posibilidades de las decisiones.

Matriz de Pugh

Con esta matriz de decisión, puede comparar varias alternativas cuantificando los criterios y evaluando su impacto.

Árbol de decisiones

Un árbol de decisiones ofrece un enfoque sistemático para elegir o tomar decisiones según un conjunto de criterios. Proporciona una forma estructurada de evaluar las diferentes opciones y sus posibles resultados, y ayuda a elegir la línea de acción más adecuada. Los árboles de decisiones están compuestos por nodos y ramas; los nodos representan las decisiones u opciones y las ramas representan los resultados o las consecuencias posibles.

Por ejemplo, con un árbol de decisiones, puede evaluar si participará de un evento deportivo (sí o no) según las condiciones climáticas. Le puede mostrar que, si está soleado, primero debe comprobar la humedad y si esta es alta, entonces no juega, pero si es baja, entonces sí juega. O, si está nublado, puede jugar y así sucesivamente según las diferentes condiciones.

Este marco de trabajo se usa comúnmente en negocios, finanzas, salud y aprendizaje automático para modelar los procesos de toma de decisiones y optimizar las opciones según los datos y la lógica.

Ejemplo de árbol de decisiones para evaluar si participará de un evento deportivo.

Matriz de Pugh

La matriz de Pugh, también conocida como el método de Pugh o la matriz de decisión, es una herramienta de toma de decisiones que se usa para evaluar y comparar varias alternativas u opciones según un conjunto de criterios. Brinda un enfoque sistemático para tomar decisiones informadas al calificar y clasificar diferentes opciones. Stuart Pugh, un ingeniero y teórico de diseño inglés, desarrolló este método.

Con la matriz de Pugh, puede tomar decisiones racionales considerando varios factores y su importancia correspondiente de forma estructurada. El ejemplo de la matriz de Pugh a continuación muestra criterios que empiezan con una base de 0 con alternativas que se comparan con la base como positivo (+), negativo (-) o igual (0). Se calcula el total de estas comparaciones para clasificar y optimizar las soluciones. Este método es una herramienta valiosa en campos como la ingeniería, el diseño de productos y la gestión de negocios.

Ejemplo de la matriz de Pugh

Con estos marcos de trabajo de decisiones impulsados por datos, puede tomar decisiones objetivas y basadas en evidencia.

En la logística y la gestión de una cadena de suministros, se pueden aplicar los marcos de trabajo de decisiones basados en datos para optimizar el movimiento de mercadería. Las compañías pueden usar datos en los niveles de inventario, pronósticos de demanda, costos de transporte y plazos de espera para tomar decisiones acerca de las rutas de envío, las ubicaciones de almacenamiento y los puntos de reabastecimiento más rentables. Esto minimiza los costos, reduce la falta de productos y garantiza que los productos lleguen a los clientes de forma eficiente.

Introducción a los modelos de IA

Ahora veamos los modelos de IA. Según lo que aprendió, la inteligencia artificial y el aprendizaje automático (IA/ML) son herramientas poderosas que lo asisten en los procesos de toma de decisiones.

Tipos de modelos de IA

Hay tres tipos de modelos de IA principales: aprendizaje supervisado, no supervisado y por refuerzo.

Los modelos de aprendizaje automático supervisado se entrenan con conjuntos de datos etiquetados, que permiten que los modelos aprendan y crezcan con más precisión con el tiempo. Por ejemplo, un algoritmo está entrenado con imágenes de perros y otras cosas, todas están etiquetadas por humanos, y la máquina aprende formas de identificar imágenes de perros por su cuenta. En la actualidad, el aprendizaje automático supervisado es el tipo más común.

En el aprendizaje automático no supervisado, un programa busca patrones en datos que no están etiquetados. Este tipo de aprendizaje automático puede buscar patrones o tendencias que las personas no están buscando en particular. Por ejemplo, un programa de aprendizaje automático no supervisado busca entre datos de ventas en línea e identifica los diferentes tipos de clientes que realizan compras.

El aprendizaje automático por refuerzo entrena la máquina por prueba y error para decidir la mejor acción estableciendo un sistema de recompensas. El aprendizaje por refuerzo puede entrenar modelos para que jueguen o manejen vehículos automáticos; en ese caso, se le indica a la máquina cuándo tomó las decisiones correctas y esto la ayuda a aprender con el tiempo qué acciones ejecutar.

Los modelos de IA generativa usan redes neuronales para identificar patrones y estructuras dentro de datos existentes a fin de generar contenido nuevo y original. Uno de los avances de la IA generativa es la capacidad de aprovechar los diferentes enfoques de aprendizaje, como el no supervisado o semisupervisado para entrenamiento. La IA generativa usa las tres técnicas en conjunto.

Haga clic en las fichas de caso de uso para ver cómo los diversos sectores usan estos modelos de IA en los procesos de toma de decisiones. (Analizaremos estos casos de uso con mayor detalle en la siguiente unidad).

Sesgos y equidad en la IA

La integración de la inteligencia artificial en los procesos de toma de decisiones en varios dominios logró avances sin precedentes en cuanto a eficiencia y precisión. No obstante, a medida que la IA se va convirtiendo en una parte esencial de nuestra vida, necesitamos solucionar el problema de los sesgos y la equidad en los sistemas de IA. No se puede pasar por alto la importancia de garantizar la equidad y mantener directrices éticas. Se presentan sesgos, discriminación y dilemas éticos cuando los sistemas de IA no se desarrollan y no se usan de forma responsable.

Reconocer sesgos y garantizar la equidad en los modelos de IA y datos

Los sesgos se refieren a la presencia de distinciones o preferencias sistemáticas e injustas que pueden generar resultados discriminatorios. El primer paso es reconocer los sesgos para abordar y mitigar su impacto; una vez que se identifica el sesgo, los desarrolladores, científicos de datos y usuarios de negocio pueden adoptar medidas correctivas. Haga clic en cada ficha a fin de descubrir las acciones que realizan las organizaciones para reconocer sesgos y promover la equidad en los datos y modelos de IA.

En esta unidad, exploró varios modelos de toma de decisiones, marcos de trabajo impulsados por datos y modelos de IA, así como la necesidad ética de mitigar sesgos y promover la equidad. En la próxima unidad, echaremos un vistazo a las aplicaciones en la vida real de la IA en distintos escenarios.

Recursos

Comparta sus comentarios de Trailhead en la Ayuda de Salesforce.

Nos encantaría saber más sobre su experiencia con Trailhead. Ahora puede acceder al nuevo formulario de comentarios en cualquier momento en el sitio de Ayuda de Salesforce.

Más información Continuar a Compartir comentarios