El aprendizaje automático

6.4

En los últimos años se ha manifestado que el sector de la construcción debe adoptar herramientas informáticas y de digitalización para mejorar rápidamente su capacidad tecnológica ante los retos que plantean la escasez de mano de obra, la pandemia de COVID-19 y la necesidad de proporcionar infraestructuras sostenibles (Abioye et al., 2021). Como una de las principales tecnologías digitales, la inteligencia artificial (IA), ha contribuido de forma significativa a la mejora de las operaciones empresariales, los procesos de servicio y la productividad de la industria en los últimos años (Bughin et al., 2017). Por ende, es pertinente la adopción de técnicas de IA en el apoyo y mejora en la automatización, análisis y toma de decisiones en el desarrollo de políticas y asignación de recursos públicos, especialmente de obra civil, ya que proporciona ventajas competitivas en comparación con los enfoques convencionales (Chien et al., 2020).

Un aspecto clave en la implementación de IA en la contratación pública es su capacidad para mejorar la transparencia y reducir las oportunidades de corrupción. Herramientas de IA pueden evaluar con mayor precisión las propuestas y monitorear la ejecución del contrato, asegurando el cumplimiento de estándares y plazos establecidos (Open Contracting Partnership, 2024). Además, la IA puede asistir en la identificación de criterios de sostenibilidad en las adquisiciones, como se ha visto en proyectos piloto en la Unión Europea y la República Dominicana, donde se utilizan algoritmos de similitud de frases para comparar criterios ecológicos en las licitaciones (Open Contracting Partnership, 2024).

Además, la implementación de IA en la gestión de proyectos permite la creación de sistemas de monitoreo basados en IT que registran el progreso de las obras en tiempo real y facilitan la cooperación interministerial e interdepartamental. Esto es esencial para controlar los factores que contribuyen a los retrasos y sobrecostos en los proyectos (Ushering a New Wave of Reforms in Public Procurement and Project Management, 2023)​​.

Según Mahdi et al (2021), estas herramientas pueden utilizarse para el desarrollo de modelos predictivos al utilizar metodología matemática, como la regresión lineal y el estudio de la asociación, o enfoques de aprendizaje automático (ML), como las redes artificiales (ANN) y las máquinas de vectores de apoyo (SVM). Además, las técnicas de ML pueden integrarse en herramientas de análisis de datos impulsadas por IA, permitiendo a las autoridades públicas y entidades contratantes realizar un perfil de riesgo preciso de los proyectos y generar una visión más profunda del valor de los mismos a lo largo de su ciclo de vida, incluyendo la etapa de licitación (Ushering a New Wave of Reforms in Public Procurement and Project Management, 2023)​​.

En 2023 y 2024, la tendencia hacia la adopción de análisis predictivos en los procesos de contratación ha ganado relevancia. Las mejoras tecnológicas permiten a las empresas utilizar análisis predictivos para anticipar riesgos y oportunidades, optimizando así las decisiones de compra y las relaciones con los proveedores (Procurement Tactics, 2024). La integración de herramientas predictivas en el portafolio de software de las empresas permite la previsión de la demanda y la identificación de los mejores momentos para la adquisición de materiales, basándose en datos históricos y actuales (TechUK, 2023).

Los métodos predictivos se centran en las pruebas presentes e históricas del proyecto para prever su futuro identificando factores incidentes, los cuales pueden mitigarse mediante la implementación de técnicas en la gestión de proyectos. No obstante, a la fecha, no se han estudiado los diferentes algoritmos de machine learning (ML), debido a la gran cantidad de variantes de los mismos. La literatura aborda la razón para la utilización de proyectos automatizados y las cuestiones de la evaluación de la gestión del proyecto y la metodología del ML, técnicas útiles en la evaluación de resultados empíricos y para discernir sobre el debate en torno al éxito y el fracaso, para los cuales existen debates extensos sobre cómo se pueden medir las mejoras (Gemünden, 2015; Oppong et al., 2017; Project Management Institute (PMI), 2017).

Actualmente, se ha hecho hincapié en que la IA también puede desempeñar un papel crucial en la evaluación y optimización de los procedimientos de adquisición, mejorando la transparencia y reduciendo las oportunidades de corrupción en los contratos públicos. Estas herramientas ayudan a evaluar de manera más precisa las propuestas y a monitorear la ejecución del contrato, asegurando que se cumplan los estándares y plazos establecidos (Building infrastructure | SONA 2024)​​.

Open Contracting Partnership. (2024). How AI is transforming public procurement. Open Contracting Partnership. https://www.open-contracting.org/resources/how-ai-is-transforming-public-procurement

Procurement Tactics. (2024). The rise of predictive analytics in procurement. Procurement Tactics. https://www.procurementtactics.com/the-rise-of-predictive-analytics-in-procurement

TechUK. (2023). How public procurement will change in 2023. TechUK. https://www.techuk.org/insights/reports/how-public-procurement-will-change-in-2023

Ushering a New Wave of Reforms in Public Procurement and Project Management. (2023). Government of India. https://www.pppinindia.gov.in/innovation-reforms

6.4.1

El aprendizaje automático puede definirse en términos generales como métodos computacionales que constituyen un subcampo de la informática e inteligencia artificial constituido de algoritmos que utilizan la experiencia para mejorar el rendimiento o hacer predicciones precisas con la capacidad de aprender sin ser programados explícitamente (Burkov, 2019; Géron, 2019). En este caso, la experiencia se refiere a la información histórica disponible de algún suceso, que suele adoptar la forma de datos electrónicos, recogidos y puestos a disposición para su análisis. Estos datos pueden adoptar la forma de conjuntos de entrenamiento digitalizados y etiquetados por personas o de otros tipos de información obtenidos mediante la interacción con el entorno. En todos los casos, su calidad y tamaño son cruciales para el éxito de las predicciones realizadas. Ya que, cuanto mayor sea la muestra, más fácil será establecer patrones de comportamientos representativos. Pero la dificultad de estos procesos depende de la calidad de las etiquetas asignadas a los documentos de la muestra, ya que estas pueden no ser correctas y del número de temas posibles (Mohri Afshin et al., 2018).

El aprendizaje automático, o machine learning (ML), es una rama de la inteligencia artificial (IA) que explora el estudio y la construcción de algoritmos computacionales a partir del aprendizaje basado en datos, en lugar de instrucciones preprogramadas. El objetivo principal de un modelo de ML es construir un sistema informático que aprenda de una base de datos predefinida y genere, al final, un modelo de predicción, clasificación o detección (Paixão et al., 2022). El Machine Learning (ML), una rama de la Inteligencia Artificial, está revolucionando varios campos al permitir que las computadoras aprendan a partir de datos en lugar de seguir instrucciones preprogramadas (Paixão et al., 2022; Dr Sampath P, 2022). Esta tecnología tiene aplicaciones amplias, desde la detección de ondas gravitacionales y la predicción de tendencias en los mercados financieros hasta la conducción de vehículos autónomos (Dr Sampath P, 2022). ML es particularmente valioso para manejar grandes conjuntos de datos heterogéneos que son difíciles de analizar mediante métodos estadísticos convencionales (Paixão et al., 2022). El objetivo principal de los modelos de ML es crear sistemas informáticos que aprendan de bases de datos predefinidas para generar modelos de predicción, clasificación o detección (Paixão et al., 2022). Los algoritmos de ML ya se utilizan en diversos sectores, incluyendo la banca para la detección de fraudes, motores de búsqueda en internet, sistemas de vigilancia por video, seguridad de datos y logística empresarial (Paixão et al., 2022). A medida que ML continúa avanzando, representa tanto el presente como el futuro de la comprensión e interpretación del mundo que nos rodea (Dr Sampath P, 2022).

El proceso de desarrollo de un algoritmo de ML se divide en tres fases: preprocesamiento, entrenamiento y evaluación del modelo. La primera fase consiste en organizar la base de datos, definir la pregunta de investigación y dividir los datos en entrenamiento y prueba. El aprendizaje supervisado se basa en el entrenamiento de una muestra de datos con la clasificación correcta ya asignada, mientras que el no supervisado se refiere a la capacidad de aprender y organizar información sin asignar la clasificación correcta. En la fase de evaluación, el modelo se compara con los datos de prueba y se generan los resultados. Los algoritmos de ML aprenden a través de observaciones repetidas y establecen un patrón de mapeo con el fin de etiquetar los datos y crear un modelo que generaliza la información, de modo que nuevos datos (que nunca han sido analizados por el algoritmo) puedan ser etiquetados (Paixão et al., 2024; Géron, 2019).

En general, las garantías de aprendizaje teórico de un algoritmo dependen de la complejidad de las clases de conceptos consideradas y del tamaño de la muestra de entrenamiento. Para esto se debe: recopilar un conjunto de datos, construir algorítmicamente un modelo estadístico basado en ese conjunto de datos y evaluar el rendimiento del modelo en función de su capacidad para realizar predicciones precisas. Dado que los problemas que abarcan estas herramientas contienen muchas variables y datos históricos, es probable que un método tradicional de análisis genere una larga lista de reglas complejas, difíciles de mantener. Por el contrario, las técnicas soportadas por el aprendizaje automático (ML) permiten aprender sin requerir una injerencia en el algoritmo inicial. Por ende, el programa es mucho más corto, fácil de mantener y probablemente más preciso (Burkov, 2019; Paixão et al., 2024).

...