Este website utiliza cookies propias y de terceros. Alguna de estas cookies sirven para realizar analíticas de visitas, otras para gestionar la publicidad y otras son necesarias para el correcto funcionamiento del sitio. Si continúa navegando o pulsa en aceptar, consideramos que acepta su uso. Puede obtener más información, o bien conocer cómo cambiar la configuración, en nuestra Política de cookies?
Versión Española Versión Mexicana Ibercampus English Version Version française Versione italiana

21/7/2018  
      en Ibercampus en  | Consejo Editorial | Quienes Somos | Ideario | Contacto | Tarifas Publicitarias | Suscribirse | RSS RSS
Políticas
Políticas de inclusión
I+D+i
Capital humano
Economía
Cultura
Estrategias verdes
Salud
Sociedad y consumo
Deportes
Debates
Entrevistas
Educación
Becas & prácticas
Empleo y Formación
Iberoamérica
Tendencias jóvenes
Empresas y RSC
Universidades
EMPRESAS Y RSC Ampliar +  
El 68% de las empresas aseguró no haber desinvertido en México por razones de seguridad
La posible salida de México de Telefónica
Las empresas brasileñas deben mejorar en materia de DDHH
ACCOR MÉXICO
AMANCO DE MÉXICO
AMERICAN EXPRESS COMPANY (MÉXICO) S.A. DE C.V.
AMWAY DE MÉXICO
ARANCIA INDUSTRIAL
ARCA CONTINENTAL
BBVA BANCOMER
CADENA COMERCIAL OXXO, S.A. DE C.V.
CEMEX MÉXICO
CEUTA PRODUCE.
CINÉPOLIS
COCA - COLA DE MÉXICO
COOPERATIVA LA CRUZ AZUL, S.C.L
DANONE DE MÉXICO
DEL CAMPO Y ASOCIADOS S.A. DE C.V
DELOITTE
DELPHINUS
DESCAFEINADORES MEXICANOS S.A. DE C.V
EDENRED
ELI LILLY MÉXICO
EXPOK 
FEMSA LOGISTICA, S.A. DE C.V.
FINANCIERA INDEPENDENCIA
FINANCIERA PLANFIA
GAS NATURAL FENOSA EN MÉXICO
GNP SEGUROS
GRUPO ANJOR
GRUPO BIMBO
GRUPO CEMENTOS DE CHIHUAHUA
GRUPO DOLPHIN DISCOVERY
GRUPO FINANCIERO MONEX
GRUPO LALA
GRUPO MODELO
GRUPO PEÑAFIEL
GRUPO ZAPATA
HEWLETT PACKARD MÉXICO
HOLCIM MÉXICO S.A DE C.V
HOLDING DEL GOLFO
IMBERA (FEMSA EMPAQUES)
INDUSTRIAS PEÑOLES, S.A.B. DE C.V.
INTERCERAMIC
INTERPROTECCIÓN
ISBAN MÉXICO, S.A. DE C.V.
J.P. MORGAN GRUPO FINANCIERO, S.A. DE C.V.
JANSSEN DE MÉXICO, S. DE R.L. DE C.V.
JÁUREGUI, NAVARRETE Y DEL VALLE S.C.
JUGOS DEL VALLE
LABORATORIOS LIOMONT
MANPOWER GROUP
METLIFE MÉXICO
MICROSOFT MÉXICO
MONDELÉZ INTERNATIONAL
NESTLÉ MÉXICO, S.A. DE C.V.
NEXTEL DE MÉXICO
NOVARTIS
NUEVA AGROINDUSTRIAS DEL NORTE
PEPSICO ALIMENTOS MÉXICO
PHILIPS MEXICANA, S.A. DE C.V.
PRODUBAN MÉXICO
PRODUCTOS MEDIX S.A. DE C.V.
PROVIDENT MÉXICO
PWC MÉXICO
SANTANDER
SC JOHNSON
SEGUROS MONTERREY NEW YORK LIFE
SHELL
SIEMENS
SISTEMA DE CRÉDITO AUTOMOTRIZ, S.A. DE C.V. (SICREA)
SODEXO MÉXICO ON-SITE SERVICES
SOLUCIONES 24/7
SOLUCIONES DINÁMICAS
SUKARNE
SURA MÉXICO
TELEFÓNICA MÉXICO
TELÉFONOS DE MÉXICO S.A.B. DE C.V. 
US COTTON MÉXICO S. DE R.L. DE C.V
WALMART DE MÉXICO Y CENTROAMÉRICA
ZIMAT CONSULTORES
UNIVERSIDADES Ampliar +  
UNAM relanza su canal de televisión
El conflicto en Iztapalapa continúa durante el periodo de vacaciones de la UNAM
Finaliza la tensión entre los estudiantes de la unidad Xochimilco y la UNAM
 Universidades










































IA y ML

¿Predicción automática inteligente?


Dedicaré este post a dar alguna orientación inicial en el campo de la confluencia entre Inteligencia Artificial (IA), Machine Learning (ML) o Aprendizaje Automático y la predicción (particularmente la referida a temas económicos y empresariales) que surge de estos nuevos enfoques y que podríamos denominar predicción automática: un tratamiento "inteligente" y autónomo de los datos que protagonizan el proceso de predicción.
Futurolandia 11 de junio de 2018 Enviar a un amigo
Comparte esta noticia en TwitterComparte esta noticia en FacebookComparte esta noticia en TwitterAñadir a del.icio.usAñadir a YahooRSS

Más que una referencia a las variantes técnicas de elaboración, quiero centrarme en el enfoque metodológico al que responden.

Mi punto de partida, como defensor convencido y militante de la innovación, es el aviso (de validez general) de que seaís partidarios del cambio y de aprovechar las potencialidades que la nuevas tecnologías ponen a nuestra disposición, pero que ello no implica aceptar cualquier cambio o variante sin valorar sus limitaciones, impactos y relación coste/eficacia respecto a opciones alternativas.

Más aún: las novedades se acumulan, muchas veces aparentando más de lo que son y respondiendo a una presión comercial añadida de los promotores de nuevos cauces. Por ello es preciso que dispongamos de unos conocimientos básicos como para poder formarnos nuestro propio criterio en un mundo en rápida y profunda innovación en que es difícil orientarse.

Sin duda la IA inunda los más diversos aspectos y ha mostrado su capacidad transformadora desde su primeros pasos, a mediados del siglo pasado, con la pruebas iniciales para determinar en qué condiciones un ordenador, adecuadamente programado, podría considerarse que tuviera algún tipo de inteligencia similar a la humana, para resolver problemas complejos.

Los campos de aplicación son múltiples y los especialistas apuntan a su conexión con áreas temáticas tan relevantes como robótica, internet de las cosas (IoT), análisis de redes sociales, modelos de simulación o aprendizaje automático (p.ej. en @ipfconline1 se citan hasta 17 áreas multidimensionales).

Como comentaba en un post anterior (https://www.antoniopulido.es/de-la-economia-de-los-datos-a-la-economia-del-conocimiento/) la conexión IA/Datos nos conduce al campo interdisciplinario de la ciencia de los datos(data science)en que confluyen métodos, procesos y sistemas para extraer conocimiento de los datos disponibles.

Esa inteligencia artificial puede desarrollarse a través de reglas previamente programados por un humano o mediante un aprendizaje automático(Machine Learning, ML) que, a partir de grandes bases de datos (Big Data), identifican patrones de comportamiento futuros, habitualmente en forma de algoritmosautomáticos.

Una variante relevante es el denominadoaprendizaje profundo(Deep Learning, DL), que produce algoritmos a partir de un enfoque de redes neuronales,simulando el funcionamiento por capas de las neuronas del cerebro humano. Cada capa sirve para reajustar el proceso de reconocimiento de patrones de comportamiento y reajustar los parámetros del algoritmo para predecir un resultado futuro.

Personalmente no tengo dudas de la relevancia para la economía y la gestión empresarial de la IA en general y sus aplicaciones al análisis de datos y predicción de comportamientos. Parece razonable utilizar grandes bases de datos (BD, IoT) para deducir comportamientos de consumidores, mejorar la gestión automática de almacenes o la logística de distribución. Según algunas estimaciones (Marketsand Markets Research) el tamaño del mercado de aplicaciones de las herramientas de aprendizaje automático (ML) alcanzó los 1.400 millones de $ en 2017 y puede alcanzar los 8.800 en 2022.

Ya adelanté, hace casi dos años, mi posición favorable, pero con reservas, en los procesos automáticos de tratamiento de datos económicos y empresariales (https://www.antoniopulido.es/algoritmos-economia-revolucion-moda/):

Tienen una utilidad indudable, empujados por una ola de innovación tecnológica, con datos masivos y apps de acceso generalizado.  Pero por su propio automatismo y bajo coste de aplicación y difusión de resultados pueden caer en desviaciones  y dar excesiva importancia a aplicaciones que dan unos resultados a partir de cajas negrasque calculan pero no explican; o que dependen de criterios de selección arbitrarios y no explícitos y objetivamente justificados. Convertir datos en información para la toma de decisiones exige no hacer trampas en el proceso y entender lo que hacemos. Tomar datos de entrada, aplicar un automatismo y obtener datos de salida no es, en sí mismo, una garantía de conocimiento útil.

Para concretar mi posición respecto a los mecanismos automáticos de predicción, voy a partir de un documento de la OCDE sobre modelización económica y ML (N.Woloszko, Economic Modeling &Machine Learning, OECD, 22/2/2017).

La modelización econométrica, como enfoque de predicción, se inicia con un conocimiento a priori sobre las interrelaciones claves que explican el comportamiento de las variables que se trata de predecir. Los datos sirven para confirmar o rechazar la selección previa de variables explicativas y, al final del proceso, para disponer de una estructura de comportamiento deducida del pasado pero aplicable al futuro.

El aprendizaje automático o de máquina (ML) parte, por el contrario, de que la información relevante se encuentra en los datos. Se puede modelizar sin modelo de conocimiento previo y la validación y estructura del algoritmo predictivo puede extraerse directamente de los datos. Los datos son primero, la teoría que ayuda a interpretar los resultados viene después.

El documento de la OCDE que comentamos, reconoce que la creciente complejidad de los comportamientos económicos hace que las estructuras de pasado cambien a futuro y, por tanto, que los coeficientes inestables de modelos econométricos estimados a partir del comportamiento histórico, pueden conducir a predicciones erróneas, en particular en momentos de cambio de tendencia (turning points)..

La mayor flexibilidad para captar cambios de estructura a partir de mecanismos automáticos que se reajustan rápidamente con la incorporación de nuevos datos es una alternativa a valorar frente a modelos con múltiples relaciones estimadas con un alto peso del pasado.

El debate viene de lejos: ¿Mejor predicción sin teoría, en que los datos mandan (grandes bases y elevada capacidad de tratamiento), aunque sea a través de una caja negra difícil de interpretar? ¿O nos inclinamos por un proceso dirigido por nuestro conocimiento a priori sobre los condicionantes del fenómeno a predecir, aunque sea atentos a cambios en los coeficientes (e incluso reglas de comportamiento) de los modelos deducidos de la historia?

En mi opinión la respuesta no es única y la tendencia es complementaria más que excluyente, con variantes según circunstancias de entorno y horizonte de predicción. Como resumía la situación un reciente post (http://pwc.blogs.com/economics_in_business/2017/07/what-can-machine-learning-add-to-economics-.html) "Mientrasque puede resultar atractivo dejar que los datos hablen primero en casos en que se dispone de un escaso conocimiento previo respecto a las relaciones causales, un exceso de confianza en los datos puede poner en problema a los incautos".

Si se quiere predecir la evolución económica a medio/largo plazo de un país, sector o empresa, los datos de pasado son un ingrediente valioso a tener en cuenta, pero no pueden llevar el peso del proceso. Debe primar el conocimiento acumulado, las consideraciones de entorno, la valoración de escenarios alternativos, los enfoques prospectivos.

Si se trata de una predicción a corto o muy corto plazo (horizonte a días, semanas, meses,...) la rapidez  y el automatismo de respuesta cobran fuerza y la balanza se inclina hacia  la disponibilidad de datos múltiples y recientes.

Pero no nos equivoquemos: las alternativas son ya múltiples y no todas confluyen hacia IA y ML.  Disponemos de un amplio abanico de tratamiento de series temporales, desde los procedimientos más elementales de alisado exponencial, hasta las variantes más sofisticadas de modelos ARIMA o adaptaciones  a modelos de alta frecuencia.

Me remito a un interesante y reciente documento de Makridakis, un veterano especialista en la comparativa coste/eficacia de diferentes procedimientos de predicción a corto, incluidos variantes Machine Learning (http://journals.plos.org/plosone/article?id=10.1371/journal.pone.01948899).

Su conclusión es que no se observa un mejor comportamiento de las variantes ML respecto a los procedimientos estadísticos ya disponibles de series temporales (ocho respecto a ocho), en un amplio experimento con 1045 series de datos mensuales. "Pero aunque sea descorazonadora la conclusión de nuestro trabajo  de que la acuracidad predictiva de los modelos ML es menor que la de los métodos estadísticos, somos optimistas respecto al gran potencial de las aplicaciones ML a la predicción. Es evidente que se necesita trabajar más en mejorar estos métodos, pero es el mismo caso que en todas las nuevas técnicas...No hay razón para que el mismo tipo de rupturas no pueda alcanzarse con los métodos ML aplicados a la predicción.Pero incluso así, debemos reconocer que aplicar IA a la predicción es bastante distinta que hacerlo en juegos o en reconocimiento de imágenes o voz y que puede requerir algoritmos diferentes, especializados, para tener éxito".

Mi propia conclusión: siempre abiertos a las nuevas posibilidades que la innovación está ofreciendo en el campo de la predicción (en particular económica y empresarial), pero sin caer en la trampa de aceptarlas sin criterio. Desconocer las posibilidades de IA y LM es  un absurdo. Aplicarlas sin una valoración previa en cada caso, también lo es.

Antonio Pulido http://www.twitter.com/@PsrA


Otros asuntos de Blogs
Reinventando empresas
¿Cómo evitar que fracase tu idea como emprendedor?
Startup y renacimiento empresarial
33 cambios tecnológicos que pueden afectarte
Sin innovación no hay crecimiento sostenido
Los retos de la España 4.0
De la economía de los datos a la economía del conocimiento
El urgente debate universitario
¿La universidad a juicio?
La falacia de McNamara y los intangibles
COMENTARIOS
Esta noticia aún no tiene comentarios publicados.

Puedes ser el primero en darnos tu opinión. ¿Te ha gustado? ¿Qué destacarías? ¿Qué opinión te merece si lo comparas con otros similares?

Recuerda que las sugerencias pueden ser importantes para otros lectores.
  AÑADIR UN COMENTARIO  
  Nombre:  
  E-mail (*):  
  Titulo:  
  Comentario:  
 
Por favor rellene el siguiente campo con las letras y números que aparecen en la imagen de su izquierda
 
  * El e-mail nunca será visible  
      
  CLÁUSULA DE EXENCIÓN DE RESPONSABILIDAD
Los comentarios del website ibercampus.mx tienen caracter divulgativo e informativo y pretenden poner a disposición de cualquier persona la posibilidad de dar su opinión sobre las noticias y los reportajes publicados. No obstante, es preciso puntualizar lo siguiente:
Todos los comentarios publicados pueden ser revisados por el equipo de redacción de ibercampus.mx y podrán ser modificados, entre otros, errores gramaticales y ortográficos. Todos los comentarios inapropiados, obscenos o insultantes serán eliminados.
Ibercampus.mx declina toda responsabilidad respecto a los comentarios publicados.
 
Suscríbete gratis a nuestro boletín
Vanity Fea
La ley de España también ha de regir en Cataluña
José Ángel García Landa
El Envés
El eclipse de la ética en la actualidad
José Carlos García Fajardo
Neuronas del alma. El intangible del cambio
Desarrollo de una estrategia nacional para impulsar la inteligencia artificial
Mar Souto Romero
Futurolandia
Reinventando empresas
Antonio Pulido
Inclusión financiera
El riesgo de nueva crisis financiera europea, aún evitable
Carlos Trias
¿Hay derecho?
¿Por qué es bueno para el consumidor que los bancos compartan datos positivos de solvencia?
Matilde Cuena Casas
Transitar por Eurolandia
El neoliberalismo, ¿un nuevo paradigma o una estafa científica?
Donato Fernández Navarrete
Sociedad Inteligente
Presentación del libro "2025: Bienvenidos a la Sociedad Inteligente"
Rafael Martinez-Cortiña y Mar Souto Romero
Your international partner on-line
Blockchain: la tecnología de moda
Ángel Luis Vazquez Torres
Infolítico
El peligro de Trump para la supremacía de EEUU
Gustavo Matías
Universidad y futuro
Fanny Rubio, perfil de una profesora universitaria
Eva Aladro Vico
Desde mi trastorno bipolar
El consentimiento informado de los pacientes de Salud Mental
Beatriz Tarancón Sánchez
Desde China
La ciudad china de Hangzhou gestiona su tráfico con inteligencia artificial
Di Wang
Miss Controversias
Las matemáticas en el desarrollo económico actual
Ana González
Solidarios
El arte alivia y puede curar dolencias mentales
Carlos Miguélez Monroy
Cuestión de estilo
El lenguaje oscuro también puede ser una "jerga de rufianes"
Javier Badía
Economía sin dirigir
La Comunidad de Madrid, líder en creación de empleo de calidad
Iván Campuzano
Vueltas al conocimiento
El caso Asunta, la violencia simbólica contra las mujeres en los medios
Fátima Arranz
Gobierno y bien común
España será el epicentro de la nueva economía
Diego Isabel
Al otro lado del marketing
Facebook, YouTube, Twitter y Microsoft se unen para frenar el terrorismo en Internet
Clemente Ferrer
Goliardos s.XXI
Suicidio de la democracia
J. A. Ventín Pereira
Economía Zen
Digamos no al miedo
Miguel Aguado Arnáez
Luces de Bruselas
Fondos Estructurales y Fondos de Inversión Europeos
Raúl Muriel Carrasco
¿Quiere un blog propio y leído en todas las universidades?
Infórmese aquí
LIBROS
El mundo que nos viene. Retos, desafíos y esperanzas del Siglo XXI
El Gobierno de la empresa
Antisistema. Desigualdad económica y precariado político
Migraciones Internacionales
La ineficacia de la desigualdad
Qué está pasando con tu Sanidad
TESIS Y TESINAS
La digitalización realza la eficacia de los congresos presenciales, según una tesis de la UJI
España, 10º país en investigación en salud
cambio en Venezuela
Las mentiras tienen un 70% más probabilidades de ser retuiteadas que la verdad
Diversión y comodidad, principales principios orientadores de las TICs en la universidad
Cuando los estudiantes usan las herramientas tecnológicas sin fines educativos
Aviso Legal | Política de Privacidad | Consejo Editorial | Quienes Somos | Ideario | Contacto | Tarifas Publicitarias | RSS RSS