Instituto Polit�cnico Nacional
Instituto Politécnico Nacional
"La Técnica al Servicio de la Patria"

Boletín No. 100
1o. de enero de 2024




EVOLUCIÓN DE LOS SISTEMAS DE SOPORTE A DECISIONES CON EL AVANCE DE LA INTELIGENCIA ARTIFICIAL

 

David Isaí Parra Villegas, Ing.,     Claudia Marina Vicario Solorzano, Dra.

Instituto Politécnico Nacional
Unidad Profesional Interdisciplinaria de Ingeniería y Ciencias Sociales y Administrativas

Esta dirección de correo electrónico está siendo protegida contra los robots de spam. Necesita tener JavaScript habilitado para poder verlo. ,      Esta dirección de correo electrónico está siendo protegida contra los robots de spam. Necesita tener JavaScript habilitado para poder verlo.

 

Resumen

Este ensayo pretende dar a conocer cómo la inteligencia artificial generó un cambio en la forma en que los sistemas de soporte a decisiones pueden contribuir a que podamos hacer decisiones más acertadas respecto a la situación o problemática a la que nos estemos enfrentando, permitiendo que personas no expertas o con poca experiencia puedan tener un sustento verificable y cuantificable basado en el conocimiento generado por algoritmos de inteligencia artificial.

Palabras Clave: Inteligencia artificial, Sistema de soporte a decisiones, Poder computacional, Tecnología.

 

Abstract

This essay aims to make known how artificial intelligence generated a change in the way the decision support systems can help us to make more accurate decisions regarding the situation or problem that we are facing, allowing people not experts or with little experience can have a verifiable and quantifiable support based on the knowledge generated by artificial intelligence algorithms.

Keywords: Artificial intelligence, decision support systems, Computing power, Technology.

Introducción

Desde el inicio de los tiempos, los humanos han tenido que tomar decisiones en casi cualquier aspecto de la vida y esto también ha permitido que podamos adquirir cierta experiencia con cada una de estas decisiones, pero la mayoría de las veces estas se toman sin tener algún sustento cualitativo o cuantitativo y pueden llegar a ser “tomadas con el estómago” o “por corazonada”, como coloquialmente se dice. Con el paso del tiempo, la mejora en la tecnología y técnicas de tratamiento de datos que ayudan para convertirlos en información y conocimiento, se han generado sistemas que nos permiten tomar decisiones basadas en un análisis para tomar una decisión informada y que sea menos propensa a tener repercusiones si esta es una mala decisión.

A continuación, se revisará brevemente la historia de la inteligencia artificial y de los sistemas de soporte a decisiones, como funcionan estos dos conceptos de manera general, de que se componen y cómo es la arquitectura de este tipo de sistemas y como los algoritmos que permiten el desarrollo de la inteligencia artificial han logrado un avance significativo en lo que se puede realizar cuando son utilizados en un sistema de soporte a decisiones.

De acuerdo con Saha (2021) la arquitectura de un sistema de soporte a decisiones de manera general cuenta con cuatro componentes, uno de ellos es el administrador de bases de datos que permite almacenar y consultar información, un sistema administrador para el modelo de datos que es usado para el análisis de estos y poder generar diferentes tipos de análisis y además cuenta con una interfaz gráfica para el usuario, esta arquitectura permite el tratamiento de la información para poder generar conocimiento y en consecuencia proporciona un sustento para tomar las decisiones, esto se puede observar en la figura 1.

Sistemas de soporte a decisiones

Los sistemas de soporte a decisiones surgieron en la década de los 70´s y este concepto fue creado por Gorry y Scott Morton que ofrecieron una perspectiva, mencionando que el punto clave de estos sistemas son para apoyar o mejorar a los gerentes de una organización en su habilidad de tomar decisiones (Gorry & Scott-Morton, 1971) es decir, ayuda a las figuras encargadas de tomar decisiones para poder resolver problemas ya sean simples, complejos, semiestructurados o no estructurados y esto ayudó a las organizaciones a contar con fundamentos sobre las decisiones que estas posiciones claves realizan referentes a múltiples procesos, además permitió mejorar su competitividad e incluso la veracidad de las figuras que usaban a los sistemas como un apoyo para basar su decisión.

De acuerdo con Saha (2021) la arquitectura de un sistema de soporte a decisiones de manera general cuenta con cuatro componentes, uno de ellos es el administrador de bases de datos que permite almacenar y consultar información, un sistema administrador para el modelo de datos que es usado para el análisis de estos y poder generar diferentes tipos de análisis y además cuenta con una interfaz gráfica para el usuario, esta arquitectura permite el tratamiento de la información para poder generar conocimiento y en consecuencia proporciona un sustento para tomar las decisiones, esto se puede observar en la figura 1.

 

Figura 1. Arquitectura de alto nivel de un sistema de soporte a decisiones. Fuente: (Saha, 2021, p. 6)

 

Uno de los componentes más importantes en esta arquitectura es el de los modelos computacionales ya que aquí es donde residen los algoritmos que permitirán tratar la información y poder transformarla en conocimiento con los datos con los que se cuentan y a su vez, mediante una interfaz gráfica mostrar los datos a los usuarios finales haciendo que puedan ver la información de una manera sencilla y amigable. Estos modelos son los que se han transformado y evolucionado con los avances en la inteligencia artificial y son los que permiten a estos sistemas contar con más y mejores análisis. El modelo puede definirse como “la descripción de algo” y su construcción está basada en las necesidades específicas del problema a resolver. (Bonczek et al., 1980)

Estos sistemas pueden estar impulsados por el conocimiento, es decir, están desarrollados especialmente para dar la solución a un problema basados en la experiencia y esta experiencia consiste en conocimiento sobre un tema en particular, comprender el problema asociado y contar con las habilidades para poder resolverlos. (Power, D. J. 2007)

Desde hace varias décadas los sistemas de soporte a decisiones han sido un tema que ha contado con bastantes discusiones por la comunidad científica, por lo que es un campo de investigación que actualmente sigue teniendo relevancia y se puede observar al realizar una búsqueda en Web of Science (Document search - Web of Science Core Collection, 2023) (base de datos de la empresa Clarivate que recopila publicaciones de las revistas científicas más reconocidas) y para ejemplificarlo se realizó una búsqueda utilizando como palabra clave “Decision Support System”, utilizando el filtro de todos los campos (título, abstract, topic,etc.), utilizando también el filtro de tipo de documento con la opción de “Artículos” y si seleccionamos solamente el año 2022 se obtienen un total de 1336 publicaciones científicas, en la tabla 1 se puede observar la cantidad de artículos publicados en los últimos cinco años y con este dato podemos apreciar que, aunque es un tema que surgió en la década de los años 70’s como se mencionó anteriormente, y el hecho de que se sigan utilizando para realizar investigaciones y que cuenten con aplicaciones relevantes nos puede demostrar que esto puede deberse al avance en la tecnología y el impulso que proporciona la inteligencia artificial a este tipo de sistemas.

 

Tabla. 1
. Cantidad de artículos referentes a los sistemas de soporte a decisiones.

 

Fuente: Elaboración propia con datos de Web of Science.

 

 

El principio de la inteligencia Artificial

Sobre la inteligencia artificial podemos mencionar que pudo haber comenzado a mediados del siglo XX cuando Alan Turing presento un artículo llamado “Computing Machinery and Intelligence” donde proponía una hipótesis que establecía los principios de la “inteligencia maquina” y se hacía la pregunta “¿Las maquinas pueden pensar?”. (Nath, 2020). El articulo comienza describiendo un juego que titula “The imitation game” en donde este es “jugado” por 3 tres personas, un hombre, una mujer y una persona que realiza la preguntas (sin importar su sexo), estos se encuentran en cuartos separados donde el entrevistador no sabe quién está en cada cuarto, realizará preguntas para intentar determinar qué persona es el hombre y cuál es la mujer, las respuestas serán escritas a mano o con máquina de escribir, pero, ¿qué pasaría si una de las dos personas interrogadas es cambiada por una máquina? Esto es lo que se pregunta Alan Turing y predice que en el 70% de las veces los entrevistadores no podrán distinguir correctamente si es una maquina la que se encuentra en el cuarto. A esto también se le conoce como la prueba de Turing (“Turing Test”). (TURING, 1950)

Después de los trabajos de Alan Turing la investigación sobre la computación continua y el término “inteligencia artificial” se acuñó en 1956 en el colegio Dartmouth en New Hampshire, Estados Unidos en una conferencia (Thiebes et al., 2021) y lo definieron como “La conjetura de que cada aspecto del aprendizaje o cualquier otra característica de la inteligencia puede, en principio, describirse con tanta precisión que se puede crear una máquina para simularlo” (McCarthy et al., 2006) posteriormente en 1965 se creó en el Instituto Tecnológico de Massachusetts (MIT) el “chatbot” llamado “ELIZA” que actuaba como psicoterapeuta devolviendo las declaraciones del usuario en forma de pregunta y este utilizaba un patrón simple de asociación y una plantilla base como mecanismo de respuesta, sin embargo, a pesar de que su habilidad conversacional no era demasiado buena, lograba confundir a la gente cuando no estaban acostumbradas a interactuar con computadoras (Adamopoulou & Moussiades, 2020), para el año 1980 se crearon los sistemas expertos, los cuales pueden ser definidos como “Programas de computadoras diseñados para poner a disposición de los no expertos algunas de las habilidades de los expertos”, estos fueron atractivos para empresas y consultorías para ayudar a las personas a tomar decisiones permitiendo un mejor resultado y aunque parecían ser sistemas revolucionarios para su tiempo contaban con ciertas fallas, por ejemplo, si se introducía un problema fuera de su área de especialización o incluso dentro, si se requería uso del sentido común estos podían no responder como se esperaba. (Bickley et al., 2022). En la década de los 80’s se creó el “perceptrón” que generó bastantes expectativas y demostró capacidad para modelar sistemas simples. (Muthukrishnan et al., 2020).

Después de un gran avance en el campo de la inteligencia artificial, hacia principios de los años 80´s llegó el periodo conocido como “El invierno de la IA” (“IA Winter”) en el cual algunos autores mencionan que este fenómeno ocurrió derivado a la excesiva cobertura por los medios, las altas expectativas del público, un lento pero constante avance en este campo y a la falta de apoyo gubernamental para continuar con las investigaciones en esta materia. Para el año 1986 se introdujo el concepto de “backpropagation in multilayer neural networks” y este consistió en varias capas conectadas (imitando las neuronas del cerebro humano) donde cada “neurona” está conectada a las siguientes “neuronas” en la siguiente capa, aunque para inicios de los años 90’s se demostró que este concepto no era escalable debido a la falta de poder computacional y esto propició el “Segundo invierno de la IA”. (Muthukrishnan et al., 2020).

El interés hacía la inteligencia artificial se retomó cuando el poder computacional incrementó y pudo soportar el desarrollo de las redes neuronales, tanto fue el auge que en 1997 la empresa IBM desarrolló una supercomputadora llamada “Deep Blue” para jugar ajedrez contra el campeón Kasparov pudiendo derrotarlo, esto propicio que los medios de comunicación y el público en general fijara una vez más su atención en el desarrollo que la inteligencia artificial estaba teniendo en ese momento.(Bory, 2019)

Posterior al sistema de IBM, a finales de los años 90’s, las redes neuronales comenzaron a resurgir con la introducción de la convolución en las redes neuronales y estas se utilizaron en 1998 para realizar el reconocimiento de un documento de texto. (Muthukrishnan et al., 2020)

A inicios de siglo XXI, el mundo ha sido testigo de grandes e importantes avances tecnológicos relacionados con la inteligencia artificial, por ejemplo, en 2006 se logró realizar el reconocimiento de voz, algo que en años anteriores había sido todo un reto de la inteligencia artificial (Nassif et al., 2019) , en 2009 Google presentó el primer automóvil autónomo, en 2011 otro sistema de IBM llamado “Watson” venció al campeón del programa de televisión “Jeopardy”, tres años más tarde las compañías Apple, Google y Microsoft presentaron sus asistentes personales, para 2017 el programa “Alpha Go” de la compañía “Deep Mind” venció al campeón del juego de mesa “Go”. Como se puede apreciar en lo anteriormente escrito, la Inteligencia artificial lleva utilizándose y mencionándose desde hace más de seis décadas y con muchas aplicaciones, pero fue aproximadamente hace 25 años que volvió a tomar relevancia, en cada vez más diversos temas y al alcance de más personas.

En resumen de lo mencionado, la inteligencia artificial simplemente significa el estudio de la construcción de máquinas con sentido (“percepción”), análisis o comprensión y respuestas similares al humano.(Mondal, 2020). El desarrollo de la inteligencia artificial es posible por los algoritmos que se emplean y la forma en que estos pueden resolver diferentes problemáticas y con ellos es posible crear los modelos que ayudarán a generar información relevante.

Generación de modelos con IA

El componente afectado de la arquitectura de un sistema de soporte a decisiones por la inteligencia artificial es el de los modelos, y como se explicó anteriormente, el incremento en el poder computacional permitió que se pudieran emplear diversas técnicas para obtener más y mejor información. Para el desarrollo de la inteligencia artificial se han creado múltiples algoritmos que han proporcionado todos los avances con los que se cuenta en este campo desde que se comenzó a utilizar, estos también han permitido procesar los datos para resolver problemas difíciles, cada algoritmo puede resolver diferentes tipos de problemas y pueden ser combinados para resolver problemas aún más complejos, pero ¿cómo podemos definir un algoritmo? Una definición realizada por el Dr. Rodríguez Ávila (2015), del Instituto Politécnico Nacional en su artículo titulado “El correcto y completo desarrollo de un algoritmo” es:

Un algoritmo es un conjunto finito de pasos definidos, estructurados en el tiempo y formulados con base en un conjunto finito de reglas no ambiguas, que proveen un procedimiento para dar la solución, o indicar la falta de esta, a un problema en un tiempo determinado. (p,3)

De la definición anterior se pueden rescatar las características clave de los algoritmos: no ambiguo, entradas y salidas definidas, finito y factible.

Los algoritmos que se utilizan en la inteligencia artificial dependen del tipo de problema a solucionar ya que estos no pueden resolver cualquier problema que se les presente, los problemas pueden ser clasificados en problemas de búsqueda (encontrar el camino adecuado para la solución), problemas de optimización (encontrar una solución correcta), problemas de predicción y clasificación (aprender de los patrones en los datos), problemas de agrupamiento (identificar patrones en los datos), modelos determinísticos (mismo resultado cada vez que el modelo es calculado) y modelos probabilísticos y/o estocásticos (resultados potencialmente diferentes cada vez que el modelo es calculado), con esto en mente, también se debe de considerar que los algoritmos cuentan con una clasificación dependiendo de los tipos de problemas mencionados anteriormente, estos son los algoritmos de búsqueda (evalúan futuros estados e intentan encontrar el camino optimo hacía la meta), algoritmos inspirados en la biología (la observación a la naturaleza ha permitido obtener conocimiento de cómo operan ciertas cosas que pueden ser replicadas), algoritmos de aprendizaje maquina (machine learning) y algoritmos de aprendizaje profundo (Deep learning). (Hurbans, 2020)

Una rama de la inteligencia artificial que proporciona modelos que aprenden es la de machine learning, pues permite que las computadoras “aprendan” sin que sean programadas directamente y está orientada a objetivos y aplicaciones prácticas ya que cuenta con un enfoque estadístico que permite entrenar a los modelos y que esto se traduzca o se haga alusión a que las computadoras “aprendan” y la mejoría que llegan a tener en su desempeño es a través de la experiencia y con experiencia podemos referirnos al ajuste de datos (Bi et al., 2019) que es un proceso que permite que los modelos se ajusten a los datos y se revisa la precisión de este ajuste. Machine learning a su vez está dividido en categorías o enfoques que permiten abordar diferentes tipos de problemáticas, las tres categorías de machine learning son aprendizaje supervisado, aprendizaje no supervisado y aprendizaje reforzado. (Aggarwal et al., 2022)

Las técnicas de aprendizaje supervisado utilizan conocimiento de datos previos y actuales etiquetándolos y estos ayudan a pronosticar eventos, todo esto parte de un enfoque de la formación de conjuntos de datos que permite desarrollar funciones para prever los datos de salida, y una vez teniendo los datos de salida los compara con resultados reales y esperados para identificar errores y poder modificar el modelo, en cuanto al aprendizaje no supervisado se utiliza cuando los datos “entrenados” no están clasificados o etiquetados, además permite analizar como el modelo puede deducir una función para explicar patrones de estos datos no clasificados, el aprendizaje reforzado interactúa con el ambiente basado en acciones, errores locales o recompensas, es decir, se realiza a prueba y error permitiendo que los sistemas y el software identifique un comportamiento ideal en determinado contexto. (Saravanan & Sujatha, 2018)

Conclusiones

Conclusiones Sin dudarlo el incremento en el poder computacional propició muchos cambios en las tecnologías actuales como ocurrió con la inteligencia artificial y este mismo impulso ayudó a que los sistemas de soporte a decisiones tengan una evolución y más poder proporcionado por los modelos generados con la inteligencia artificial y esto hace pensar que se mantendrán por más tiempo como una herramienta que ayudará a las organizaciones o a las personas individualmente, ya que el conocimiento que se genera en ellos permiten que las decisiones que se tomen sean las mejores o las más óptimas y que se pueda contar con un sustento proporcionado por el manejo de la información y los algoritmos, lo que se traduce en ahorro de tiempo para las organizaciones o personas y permitirá enfocar los esfuerzos para realizar mejores análisis y otras actividades esenciales en el campo aplicado y en algún futuro, pensando que la tecnología no deja de avanzar, podríamos contar con personas no expertas tomando decisiones casi como un experto.

Referencias

  1. Power, D. J. (2007). A brief history of decision support systems. DSSResources. com, 3.

  2. Adamopoulou, E., & Moussiades, L. (2020). An Overview of Chatbot Technology.En I. Maglogiannis, L. Iliadis, & E. Pimenidis (Eds.), Artificial Intelligence Applications and Innovations (pp. 373–383). Springer International Publishing. https://doi.org/10.1007/978-3-030-49186-4_31

  3. Aggarwal, K., Mijwil, M. M., Sonia, Al-Mistarehi, A.-H., Alomari, S., Gök, M., Alaabdin, A. M. Z., & Abdulrhman, S. H. (2022). Has the Future Started? The Current Growth of Artificial Intelligence, Machine Learning, and Deep Learning. Iraqi Journal For Computer Science and Mathematics, 3(1), Art. 1. https://doi.org/10.52866/ijcsm.2022.01.01.013

  4. Bi, Q., Goodman, K. E., Kaminsky, J., & Lessler, J. (2019). What is Machine Learning? A Primer for the Epidemiologist.American Journal of Epidemiology,188(12), 2222–2239. https://doi.org/10.1093/aje/kwz189

  5. Bickley, S. J., Chan, H. F., & Torgler, B. (2022). Artificial intelligence in the field of economics. Scientometrics,127(4), 2055–2084. https://doi.org/10.1007/s11192-022-04294-w

  6. Bonczek, R. H., Holsapple, C. W., & Whinston, A. B. (1980). The Evolving Roles of Models in Decision Support Systems*.Decision Sciences, 11(2), 337–356.https://doi.org/10.1111/j.1540-5915.1980.tb01143.x

  7. Bory, P. (2019). Deep new: The shifting narratives of artificial intelligence from Deep Blue to AlphaGo. Convergence-the International Journal of Research into New Media Technologies, 25(4), 627–642. https://doi.org/10.1177/1354856519829679

  8. s.a.(s.f.). Document search—Web of Science Core Collection.Recuperado el 12 de enero de 2023, de https://www-webofscience-com.bibliotecaipn.idm.oclc.org/wos/woscc/basic-search

  9. Gorry, G., & Scott-Morton, M. (1971). A framework for management information systems,.Sloan Management Review,13.

  10. Hurbans, R. (2020). Grokking Artificial Intelligence Algorithms. Simon and Schuster.

  11. McCarthy, J., Minsky, M. L., Rochester, N., & Shannon, C. E. (2006). A Proposal for the Dartmouth Summer Research Project on Artificial Intelligence, August 31, 1955.lAI Magazine,27(4), 12–12. https://doi.org/10.1609/aimag.v27i4.1904

  12. Mondal, B. (2020). Artificial Intelligence: State of the Art. En V. E. Balas, R. Kumar, & R. Srivastava (Eds.),Recent Trends and Advances in Artificial Intelligence and Internet of Things(pp. 389–425). Springer International Publishing. https://doi.org/10.1007/978-3-030-32644-9_32

  13. Muthukrishnan, N., Maleki, F., Ovens, K., Reinhold, C., Forghani, B., & Forghani, R. (2020). Brief History of Artificial Intelligence.Neuroimaging Clinics of North America, 30(4), 393-+. https://doi.org/10.1016/j.nic.2020.07.004

  14. Nassif, A., Shahin, I., Attili, I., Azzeh, M., & Shaalan, K. (2019). Speech Recognition Using Deep Neural Networks: A Systematic Review.IEEE Access, PP, 1–1. https://doi.org/10.1109/ACCESS.2019.2896880

  15. Nath, R. (2020). Alan Turing’s Concept of Mind. Journal of Indian Council of Philosophical Research,37(1), 31–50. https://doi.org/10.1007/s40961-019-00188-0

  16. Rodriguez Avila, E. (2015). El Correcto y Completo Desarrollo de un Algoritmo.https://doi.org/10.13140/RG.2.1.4759.1128

  17. Saha, P. (2021). Design of decision support system incorporating data mining algorithms for strengthening maternal and child health systems: Inclusion of systems-thinking approach. Cardiometry, 20, 100–109. https://doi.org/10.18137/cardiometry.2021.20.100109

  18. Saravanan, R., & Sujatha, P. (2018). A State of Art Techniques on Machine Learning Algorithms: A Perspective of Supervised Learning Approaches in Data Classification.2018 Second International Conference on Intelligent Computing and Control Systems (ICICCS),945–949. https://doi.org/10.1109/ICCONS.2018.8663155

  19. Thiebes, S., Lins, S., & Sunyaev, A. (2021). Trustworthy artificial intelligence. Electronic Markets, 31(2), 447–464. https://doi.org/10.1007/s12525-020-00441-4

  20. TURING, A. M. (1950). I.—COMPUTING MACHINERY AND INTELLIGENCE.Mind, LIX(236), 433–460. https://doi.org/10.1093/mind/LIX.236.433