Estás leyendo la publicación: Investigación de operaciones: una rama de la ciencia de datos que no suele priorizarse
Con la rápida adopción de la IA en todos los dominios, solo hay un puñado de campos de los que la tecnología no forma parte. Curiosamente, el papel de la IA y la ciencia de datos en un campo particular, la investigación de operaciones, es muy ambiguo. Una percepción común es que la investigación operativa (OR) no es útil para la ciencia de datos; además, se malinterpreta la superposición entre la ciencia de datos y OR.
Este concepto erróneo proviene principalmente de la comercialización de productos y servicios de IO que se aplican al mundo real; con mucha frecuencia, los usuarios finales no comprenden los términos IO y ciencia de datos. Otra razón es que los modelos de aprendizaje automático fácilmente disponibles están disponibles como paquetes de varias plataformas como Python y en realidad no contienen modelos OR específicos.
En realidad, sin embargo, los problemas de OR son aplicables a la IA y la ciencia de datos. De hecho, muchas ideas en inteligencia artificial y resolución de problemas de ciencia de datos se han cruzado desde OR debido a la gran superposición en las técnicas y métodos utilizados.
Hablando de lo mismo estaba Rajeev Rajan, AVP, ciencia de datos, Genpact, en el evento MLDS 2022.
Investigación operativa y aprendizaje automático
La investigación operativa es una parte fundamental del ciclo de vida general del aprendizaje automático. Es particularmente útil cuando se trata de problemas comerciales que requieren optimización de parámetros. Algunos de los ejemplos de OR son:
- Habilitación de la gestión inteligente de la fuerza laboral al pronosticar los requisitos de recursos y optimizar la programación diaria de los recursos
- Aumentar la audiencia de programas de televisión mediante la programación óptima de la promoción de programas
- Permitir la transformación de la cadena de suministro al proporcionar recomendaciones basadas en IA/aprendizaje automático para optimizar la utilización del producto
- Pronóstico habilitado por IA para aplicaciones minoristas y de comercio electrónico para optimizar el embudo y el tráfico de clientes
- Habilitación de la optimización basada en datos para la gestión, inspección y control de calidad de almacenes automatizados
“Deberíamos pensar en la inteligencia artificial, la ciencia de datos y la investigación de operaciones como tres piezas diferentes. Dicho esto, incluso en el aprendizaje automático, hay algún tipo de optimización, cierto, se está realizando algún tipo de modelado matemático, y necesitamos estimar el parámetro correctamente. Como guía de ML o científico de datos, uno no debe pensar que un problema básico de investigación de operaciones está fuera de su alcance. Si puede omitir este paso, es posible que no logre toda la satisfacción que se suponía que obtendría al brindar ese ML en particular o soluciones de IA en particular para los clientes”, explica Rajan.
Rajan explicó la investigación de operaciones y su papel en el esquema general de aprendizaje automático a través de muchos ejemplos. Uno de esos casos de uso fue aumentar la audiencia de programas de televisión. El desafío aquí, como explicó Rajan, es aplicar técnicas de aprendizaje automático para evitar la pérdida de ingresos. Esta pérdida de ingresos se observa como resultado de una disminución en la audiencia debido a la programación subóptima de promociones entre los programas.
Con este fin, Rajan propone una solución en la que se recopilan datos y se ejecuta una programación de enteros mixtos en Python utilizando el solucionador Gurobi para generar un programa de promoción óptimo. Esto da como resultado un aumento del 4,5 por ciento en los ingresos debido a una mayor audiencia de los programas promocionados.
Un ciclo de vida de desarrollo de IA consta de los siguientes pasos:
- Kickoff AIDLC: Este paso consiste en definir el problema a resolver.
- Idear y evaluar: este paso se trata de comprender el estado actual y, en consecuencia, definir el alcance del trabajo.
- Desarrollo del modelo ML: aquí se desarrolla y prueba la solución de aprendizaje automático.
- Salidas de ML dadas como entradas OR: aquí, las técnicas OR se utilizan para hacer recomendaciones basadas en las salidas del modelo ML. Este es un paso crítico para todo el ciclo de vida.
- Paso final: finalmente, el resultado de la solución se entrega al cliente.
Terminando
Según Rajan, las siguientes son algunas de las observaciones de incorporar OR en una iniciativa de IA:
- La ciencia de datos y el OR no siempre se perciben como estrechamente relacionados. La mayoría de las empresas que ejecutan IA y análisis avanzado emplean equipos multidisciplinarios que cubren ambos.
- Los híbridos de OR y técnicas de ciencia de datos se utilizan de manera efectiva en la implementación de soluciones de extremo a extremo.
- Cuando el objetivo final de los clientes es automatizar la toma de decisiones, los productos se denominan IA en lugar de OR.
- El uso de herramientas y técnicas de OR dentro de las aplicaciones de IA ayudará a difundir las integraciones de IA a gran escala.
- Desarrollar OR como un conjunto de habilidades es una parte fundamental de una iniciativa de IA eficaz.
