Descubrir marcos de toma de decisiones y modelos de IA

Objetivos de aprendizaje

Después de completar esta unidad, podrá:

Enumerar tres modelos de toma de decisiones.
Explicar cómo aplicar los marcos de decisión basados en datos a situaciones del mundo real.
Describir tres modelos de IA fundamentales y sus usos.
Reconocer los sesgos y garantizar la equidad en los datos y modelos de IA.

Ahora, echemos un vistazo a los modelos de toma de decisiones, los marcos basados en datos, los modelos de IA y a la importancia de abordar el sesgo y la equidad en todos ellos.

Modelos de toma de decisión

Existe una gran cantidad de modelos y teorías de toma de decisiones. Estos marcos están diseñados para ayudar a las organizaciones y a las personas a tomar decisiones más fundamentadas, objetivas y eficaces basadas en pruebas empíricas.

Estos son algunos de los modelos principales.

Modelo de toma de decisiones racionales: este modelo asume que las personas toman decisiones lógicas y consistentes teniendo en cuenta todas las alternativas posibles y seleccionando la de más utilidad. La racionalidad es el pilar de este modelo, que tiene como objetivo elegir la opción más adecuada.

Modelo de racionalidad limitada: la racionalidad limitada reconoce que, en los escenarios de la vida real, las personas encargadas de tomar decisiones suelen trabajar con poca información y restricciones cognitivas. Toman decisiones que son "suficientemente buenas" en lugar de buscar la mejor opción.

Toma de decisiones intuitiva: la toma de decisiones intuitiva se basa en las corazonadas y en las experiencias personales. Normalmente se utiliza cuando se deben tomar decisiones rápidas o cuando la información está incompleta.

Marcos de decisiones basados en datos

Los marcos de decisiones basados en datos proporcionan un enfoque estructurado a la toma de decisiones, utilizando los datos como principal impulsor. Estos son dos de los marcos de decisión principales del sector.

Herramienta	¿Qué es?
Árboles de decisiones	Estas representaciones gráficas le ayudan a visualizar y evaluar elecciones, resultados y probabilidades.
Matriz de Pugh	Esta matriz de decisión le ayuda a comparar varias alternativas mediante la cuantificación de criterios y la evaluación de su impacto.

Árbol de decisiones

Un árbol de decisiones le proporciona un enfoque sistemático para realizar elecciones o tomar decisiones basadas en un conjunto de criterios. Proporciona una manera estructurada de evaluar diferentes opciones y sus posibles resultados, lo que le ayuda a seleccionar el curso de acción adecuado. Los árboles de decisiones consisten en nodos y ramas; los nodos representan decisiones o elecciones, y las ramas representan posibles resultados o consecuencias.

Por ejemplo, un árbol de decisiones puede ayudarle a determinar si practicar un deporte basándose en las condiciones meteorológicas. Puede mostrarle si hace un día soleado, comprobar el nivel de humedad y, en caso de que sea alto, aconsejarle que no practique el deporte, o que lo practique si el nivel de humedad es bajo. Si está nublado también puede aconsejarle que lo practique, y así sucesivamente.

Este marco suele utilizarse en los negocios, en las finanzas, en la asistencia sanitaria y en el aprendizaje automático a fin de modelar los procesos de toma de decisiones y optimizar las elecciones basándose en datos y lógica.

Ejemplo de árboles de decisiones para determinar si practicar un deporte.

Matriz de Pugh

La matriz de Pugh, también conocida como el método Pugh o matriz de decisión, es una herramienta de toma de decisiones que se utiliza para evaluar y comparar varias alternativas u opciones basándose en un conjunto de criterios. Le proporciona un enfoque sistemático para tomar decisiones sólidas mediante la cuantificación y clasificación de diferentes opciones. El método lo desarrolló el británico Stuart Pugh, ingeniero y teórico del diseño.

La matriz de Pugh le ayuda a tomar decisiones racionales teniendo en cuenta muchos factores y su importancia relativa de manera estructurada. El siguiente ejemplo de matriz de Pugh muestra criterios que comienzan con una referencia de 0, con alternativas comparadas con la referencia como positiva (+), negativa (-), o igual (0). Estas comparaciones se totalizan para clasificar y optimizar soluciones. Este método es una herramienta de valor en campos como la ingeniería, el diseño de productos y la gestión empresarial.

Ejemplo de matriz de Pugh

Estos marcos de decisiones basados en datos le proporcionan la capacidad de tomar decisiones objetivas y basadas en evidencias.

En la logística y la gestión de la cadena de suministros, los marcos de decisiones basados en datos pueden aplicarse para optimizar el movimiento de mercancía. Las empresas pueden utilizar los datos en niveles de inventario, previsiones de demanda, costes de transporte y plazos a fin de tomar decisiones sobre las rutas con mejor relación de coste y eficacia, las ubicaciones de almacenamiento y los puntos de pedido. Gracias a esto, se minimizan los cotes, se reduce el agotamiento de existencias y se garantiza que los productos lleguen a los clientes de manera eficaz.

Introducción a los modelos de IA

Ahora vamos a ver los modelos de IA. Como ha aprendido, la inteligencia artificial (IA) y el aprendizaje automático (ML) son herramientas potentes que pueden ayudarle en los procesos de toma de decisiones.

Tipos de modelos de IA

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

Los modelos de aprendizaje automático supervisado se entrenan con conjuntos de datos etiquetados, que permiten que los modelos aprendan y crezcan de una manera cada vez más precisa. Por ejemplo, un algoritmo se entrena con imágenes de perros y otras cosas, todo ello etiquetado por los seres humanos, y la máquina aprende varias maneras de identificar imágenes de perros por su cuenta. El aprendizaje automático supervisado es el tipo que más se utiliza actualmente.

En el aprendizaje automático no supervisado, un programa examina patrones de datos no etiquetados. El aprendizaje automático no supervisado puede encontrar patrones o tendencias que las personas no buscan explícitamente. Por ejemplo, un programa de aprendizaje automático no supervisado puede examinar datos de ventas en línea e identificar diferentes tipos de clientes realizando compras.

El aprendizaje automático de refuerzo entrena a las máquinas mediante el método de prueba y error a fin de realizar la mejor acción estableciendo un sistema de recompensas. El aprendizaje de refuerzo puede entrenar modelos para que jueguen a juegos o entrenar a vehículos para que conduzcan, indicándole a la máquina cuándo tomar la decisión adecuada, lo que le ayuda a aprender con el tiempo qué acciones debería realizar.

Los modelos de IA generativa utilizan redes neuronales para identificar los patrones y estructuras en los datos existentes a fin de generar contenido nuevo y original. Uno de los avances con la IA generativa es su capacidad de utilizar diferentes enfoques de aprendizaje, entre los que se incluyen el aprendizaje no supervisado o semisupervisado para el entrenamiento. La IA generativa utiliza las tres técnicas juntas.

Haga clic en las fichas de caso de uso para ver la manera en la que varios sectores utilizan estos modelos de IA en los procesos de toma de decisiones. (Veremos estos casos de uso con más detenimiento 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 ha traído consigo avances sin precedentes en cuanto a eficacia y precisión. Pero, a medida que la IA se va convirtiendo cada vez más en una parte integral de nuestra vida, debemos abordar el asunto del sesgo y la equidad en los sistemas de IA. No se puede ignorar la importancia de garantizar la equidad y defender directrices éticas. Los sesgos, la discriminación y los dilemas éticos surgen cuando los sistemas de IA no están desarrollados y no se utilizan de manera responsable.

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

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

En esta unidad, hemos explorado varios modelos de toma de decisión, marcos basados en datos y modelos de IA, además de la importancia de mitigar los sesgos y promover la equidad. En la siguiente unidad, veremos los usos de la IA en el mundo real en varios escenarios.