Como director financiero especializado en fabricación, disfruto trabajando para mitigar una amplia variedad de riesgos. Mitigar el riesgo es un ejercicio basado en datos, que es el tipo de ejercicio que disfruto, especialmente cuando mis esfuerzos se ven aumentados (junto con mi fatiga visual), por máquinas de IA cada vez más inteligentes dotadas de tecnologías cognitivas.
La clave, por supuesto, son los datos, la materia prima que impulsa lo que comúnmente se denomina la Economía Analítica. Nunca antes había sido posible recopilar, organizar y analizar tanta información, procedente de tantas fuentes y tan rápidamente. Los datos pueden proceder de un número infinito de lugares, pero actualmente la atención se centra en los sensores, integrados por millones en la Internet de las Cosas (IoT). Cuando se combinan datos brutos del IoT con aplicaciones de inteligencia artificial basadas en análisis predictivos, salen a la luz todo tipo de datos interesantes. ¿Por qué? Porque la IA es autodidacta (autoaprendizaje), lo que significa que cuanto más se utilice, mejor será la información.
La mitigación de riesgos es difícil
Es importante darse cuenta, sin embargo, de que la mitigación de riesgos es una tarea difícil, incluso para un programa muy sofisticado. A fin de cuentas, no importa lo complejo que sea un modelo de evaluación de riesgos, muchos de ellos siguen siendo difíciles de evaluar por muchas razones, entre ellas que no se comprenden bien, que las relaciones causa-efecto están muy entrelazadas y que a veces el riesgo en cuestión es «emergente».
En el pasado, uno de los problemas de la reducción de riesgos guiada por software era que los ordenadores se limitaban a la lógica binaria. En el mundo de la fabricación, muy pocas de las cuestiones importantes que nos planteamos son lo suficientemente sencillas como para resolverse con una respuesta binaria de «sí» o «no». El inventario, por ejemplo, es un ejemplo primordial de mitigación de riesgos en la fabricación. En un mundo perfecto, con una cadena de suministro perfecta, todos los insumos aparecerían cuando se necesitaran, y no antes. Como el mundo está lleno de sorpresas, nos preparamos con antelación para la posibilidad de retrasos o desastres.
El cerebro humano y la lógica difusa
Antes de la llegada de la IA moderna, el cerebro humano era mejor que el cerebro informático (humano-máquina) a la hora de determinar el riesgo y asignar los niveles de existencias adecuados. Esto empezó a cambiar en los años 60, cuando un matemático llamado Lofti Zadeh observó que el razonamiento humano, a diferencia de la lógica informática tradicional, no es binario, sino que categoriza de forma natural los posibles sucesos por grados de probabilidad. Si se le pide que analice una afirmación como Existe el riesgo de que en agosto no podamos comprar widgets a nuestros proveedores de Nueva Gales del Sur», la respuesta informática tradicional es 1 o 0, lo que equivale a VERDADERO o FALSO. Una respuesta de este tipo no es muy útil: nos dice lo que ya sabemos y contribuye poco a nuestra estrategia de compras.
Un humano, sin embargo, clasificaría el riesgo de escasez de widgets en tonos de posibilidad, por ejemplo, como «algo cierto», «muy cierto», «algo falso» o «muy falso». Estas respuestas con matices de gris facilitan la lógica que subyace a la toma de decisiones humanas eficaces. En respuesta a sus observaciones, Zadeh creó la lógica difusa, un sistema de categorización que daba a los ordenadores la capacidad de razonar un poco más como los humanos y de proporcionar una evaluación cada vez más precisa de la incertidumbre y el riesgo. Aunque las técnicas de lógica difusa han dado paso en gran medida a los modelos estadísticos de probabilidad, el tema de conversación es más o menos el mismo: al facilitar la categorización no binaria, es decir, al permitir grados de incertidumbre entre 0 y 1, las capacidades analíticas de la IA son cada vez más humanas, pero más rápidas y minuciosas, en varios órdenes de magnitud.
IA – La ventaja competitiva
La IA es especialmente útil en el campo de la mitigación de riesgos a la hora de evaluar datos no estructurados. (Si no conoce la diferencia entre datos «estructurados» y «no estructurados», consulte el blog de mi colega. Con la ayuda de tecnologías cognitivas como el procesamiento del lenguaje natural (PLN), la IA puede extraer información de datos no estructurados como documentos de MS, correos electrónicos, redes sociales y datos móviles.
¿Qué importancia tiene esto? Dado que actualmente entre el 80 y el 90% de los datos empresariales no están estructurados, la implantación de la analítica cognitiva podría proporcionar a las empresas una verdadera ventaja competitiva.
Por supuesto, la belleza de la IA no es sólo su capacidad para aproximarse a nuestros procesos de pensamiento. Su talento más útil reside en su capacidad de aprendizaje. Ya nos estamos acostumbrando a teléfonos inteligentes y sitios web que, con el tiempo, adaptan cada vez más sus sugerencias a lo que han aprendido sobre nuestras preferencias. Del mismo modo, las técnicas de computación cognitiva pueden utilizarse para identificar y controlar los riesgos. En el próximo blog veremos algunos casos de uso de la reducción de riesgos guiada por IA en el ámbito de la fabricación.
¿Busca un proveedor de servicios software de química para su empresa? Galdón Software puede ayudarle.