{"id":1751,"date":"2025-06-27T10:39:09","date_gmt":"2025-06-27T13:39:09","guid":{"rendered":"https:\/\/datamining.dc.uba.ar\/predictivos\/?p=1751"},"modified":"2025-06-27T13:19:40","modified_gmt":"2025-06-27T16:19:40","slug":"de-los-datos-a-las-decisiones-impulsando-iniciativas-de-inteligencia-artificial","status":"publish","type":"post","link":"https:\/\/datamining.dc.uba.ar\/predictivos\/?p=1751","title":{"rendered":"De los datos a las decisiones: impulsando iniciativas de inteligencia artificial"},"content":{"rendered":"

Ernesto Mislej<\/strong> es profesor de la Maestr\u00eda en Ciencia de Datos, donde dicta la materia \u201cT\u00f3picos de Big Data \u2013 Dise\u00f1o de Data Products\u201d. Tambi\u00e9n es profesor de Pensamiento Computacional en UDESA y fue profesor visitante del Departamento de Computaci\u00f3n, Exactas-UBA.<\/span><\/p>\n

Actualmente se desempe\u00f1a como Director Cient\u00edfico de 7Puentes, una consultora argentina que brinda soluciones de Web Data Extraction & Machine Learning para diversas industrias y clientes de Latinoam\u00e9rica y Estados Unidos. Desde su rol, dirige el equipo de cient\u00edficos e ingenieros de datos, cuya misi\u00f3n es potenciar negocios a trav\u00e9s del desarrollo de soluciones de Inteligencia Artificial, Machine Learning y Ciencia de Datos.<\/span><\/p>\n

En esta entrevista con Predictivos, Ernesto nos cuenta sobre los pormenores del dictado de su materia y c\u00f3mo desarrollar productos basados en datos e inteligencia artificial, que respondan con una soluci\u00f3n eficiente a necesidades actuales, tanto de las empresas como de la sociedad en su conjunto.<\/span><\/p>\n

\n

Teniendo en cuenta que fuiste docente en distintos per\u00edodos de la Maestr\u00eda, \u00bfc\u00f3mo ves la evoluci\u00f3n que tuvo el posgrado y c\u00f3mo influy\u00f3 en la materia que est\u00e1s dictando actualmente?<\/b><\/p>\n

Si bien la materia habla de dise\u00f1o de productos de datos, la llamar\u00eda dise\u00f1o de iniciativas de inteligencia artificial. O sea que hoy los t\u00f3picos de datos ser\u00edan t\u00f3picos de inteligencia artificial. Pero en definitiva es un curso que lo termin\u00e9 de delinear en este cuatrimestre.<\/span><\/p>\n

La \u00faltima vez que lo dict\u00e9 fue en 2017 pero mi participaci\u00f3n en la Maestr\u00eda comenz\u00f3 en el a\u00f1o 2005 (es decir un a\u00f1o despu\u00e9s de su creaci\u00f3n). Recientemente me reincorpor\u00e9 como docente.<\/span><\/p>\n

\"\"<\/a>Empec\u00e9 como asistente de la materia Aprendizaje Autom\u00e1tico y despu\u00e9s propuse dar una materia m\u00e1s avanzada, en vez de fundamentos de Machine Learning (ML) ser\u00eda como Machine Learning Avanzado. En ese devenir encontr\u00e9 unos libros de texto s\u00faper interesantes y llev\u00e9 la tem\u00e1tica por ese lado. Esas referencias se hab\u00edan armado con cada uno de los cap\u00edtulos como un foco de qu\u00e9 tiene que decirle el Machine Learning a los buscadores de internet, qu\u00e9 tiene que decir el Machine Learning a las recomendaciones de productos o a los sistemas de recomendaci\u00f3n, o los sistemas de detecci\u00f3n de fraude, plagio en l\u00ednea con modelos de detecci\u00f3n de duplicados.<\/span><\/p>\n

Ese fue el disparador con el que se me ocurri\u00f3 nombrar a este curso como \u201cT\u00f3picos de Big Data\u201d porque verdaderamente la revoluci\u00f3n que est\u00e1bamos experimentando era c\u00f3mo almacenamos datos y c\u00f3mo gestionamos modelos con m\u00faltiples or\u00edgenes. Ese recorrido fue desde esa forma de extraer los datos y procesarlos hasta los algoritmos de inteligencia artificial que vinieron despu\u00e9s.<\/span><\/p>\n

Entonces la motivaci\u00f3n del programa justamente aborda esa problem\u00e1tica: \u00bfQu\u00e9 tiene que decirle la IA o el ML a este nuevo t\u00f3pico?<\/span><\/p>\n

El cambio radica en que la ciencia de datos ya est\u00e1 presente en todos los organigramas de las empresas y en cualquier actividad productiva. Incluso existen \u00e1reas enteras lideradas por matem\u00e1ticos y licenciados en ciencias de la computaci\u00f3n que se encargan de la gesti\u00f3n de los datos generados por la compa\u00f1\u00eda para poder extraer valor, en definitiva conocimiento valioso para tomar decisiones. Ese \u00e1rea se llama <\/span>Chief Data Officer<\/span><\/i> (CTO). Pero el \u00e1rea de datos no solamente hace los modelos, sino que gobierna los datos producidos por la empresa, tanto para las operaciones como para la anal\u00edtica y para desarrollar productos basados en datos.<\/span><\/p>\n

\u00bfQu\u00e9 intereses y formaciones encontraste en las diferentes camadas de alumnos que tuviste?<\/b><\/p>\n

Me fui promediando el 2017 con una poblaci\u00f3n de estudiantes m\u00e1s de Sistemas y ahora quiz\u00e1s est\u00e1 mucho m\u00e1s repartido, no s\u00f3lo hay gente de Exactas o Ingenier\u00eda. Pero ahora tengo estudiantes m\u00e1s avanzados, de segundo a\u00f1o, porque antes eran siempre de primer a\u00f1o.<\/span><\/p>\n

Observo que es el mismo perfil de gente curiosa, profesionales de distintas \u00e1reas y siempre con \u00e1nimo de explorar estos temas, no podr\u00eda afirmar que hay una diferencia a lo que ya conoc\u00eda. La verdad que estoy muy contento con el dise\u00f1o y la modalidad que le encontr\u00e9 a este curso.<\/span><\/p>\n

Dise\u00f1ar un producto o un servicio nuevo implica un accionable para tomar mejores decisiones en cualquier organizaci\u00f3n. Teniendo en cuenta esta articulaci\u00f3n, \u00bfllev\u00e1s casos de empresa a las clases?<\/b><\/p>\n

Desde ya busco poner mi red de contactos al servicio de la materia y convocar a especialistas de distintos t\u00f3picos.<\/span><\/p>\n

\"\"<\/a>Este semestre divid\u00ed la materia con un primer tercio de fundamentos de dise\u00f1o aplicando problem\u00e1ticas reales, \u201cdolores\u201d reales de gente que trabaja en alg\u00fan lugar. En el caso m\u00e1s emprendedor podemos identificar una carencia o demanda latente de un mercado -un poco m\u00e1s <\/span>push<\/span><\/i> o un poco m\u00e1s <\/span>pull<\/span><\/i>– pero podemos visualizar esa oportunidad y buscamos proponer algo nuevo. Es el caso cuando viene a contratarte alguien y quiere hacer algo con los datos de su empresa pero no sabe bien qu\u00e9. O la otra alternativa, si juntamos los datos que genera esta empresa con todos estos datos de valor podemos generar un producto nuevo que de antemano no conocemos.<\/span><\/p>\n

El segundo tercio de la materia son expositores que vienen a contar su mirada: sus dolores, desaf\u00edos y problemas en cada organizaci\u00f3n o sector. Para este contenido tenemos cinco t\u00f3picos bien definidos: 1) Pymes industriales; 2) Cuidado y bienestar; 3) M\u00fasica y entretenimiento; 4) Clima y sostenibilidad ambiental y 5) Tecnolog\u00eda asociada a IA generativa y agentes de IA.<\/span><\/p>\n

Cada uno de los sectores o \u00e1reas de trabajo fue representada por varios invitados especialistas, expertos o referentes en cada tema en diferentes espacios de decisi\u00f3n: desde el sector p\u00fablico (dise\u00f1adores de pol\u00edticas de desarrollo), al sector privado (empresarios, representantes de c\u00e1maras e inversores).<\/span><\/p>\n

La pr\u00f3xima semana, que cerrar\u00eda esta tanda de expositores, ser\u00e1 Cuidado y bienestar. Es un t\u00f3pico que me gusta mucho que tiene que ver con el cuidado de adultos mayores, pero tambi\u00e9n seguimiento de tratamientos m\u00e9dicos, las aplicaciones que calculan lo que camin\u00e1s o corr\u00e9s, te proponen actividades m\u00e1s saludables o sugerencias de nutrici\u00f3n, y monitorean tu salud o tu actividad diaria. Es s\u00faper interesante porque engloba tambi\u00e9n aspectos \u00e9ticos, del estilo: \u00bfPor qu\u00e9 le dejar\u00edas el cuidado de tu mam\u00e1 o de tu hijo a un robot? Por otro lado, hay cierta idea de gesti\u00f3n de la soledad y terapias virtuales: \u00bfCu\u00e1l es el problema que est\u00e1s resolviendo en \u00faltimas instancias? \u00bfReleg\u00e1s hacer la tarea con tu hijo para ocupar tu tiempo d\u00f3nde? La pregunta es por qu\u00e9 le delegamos la salud mental o f\u00edsica a un algoritmo.\u00a0<\/span><\/p>\n

Y en el \u00faltimo tercio est\u00e1 la propuesta de los estudiantes, que consiste en dise\u00f1ar un servicio, un producto, que tenga que dialogar con los problemas, los dolores y desaf\u00edos de los principales referentes de las empresas y organizaciones.<\/span><\/p>\n

La propuesta se parece mucho a la realidad de cuando uno busca la aprobaci\u00f3n o el financiamiento de un proyecto de emprendimiento con datos y necesita socios e inversionistas del proyecto\u2026<\/b><\/p>\n

Me gusta mucho proponer problemas y soluciones y despu\u00e9s los y las estudiantes arman como una especie de <\/span>pitch<\/span><\/i> para cada nuevo producto. Ac\u00e1 estamos simulando un escenario real porque es como prepararle una propuesta a los <\/span>Venture Capital <\/span><\/i>o a las aceleradoras de emprendimientos e incluso se generan prospectos de productos que pueden salir al mercado.<\/span><\/p>\n

Pero tambi\u00e9n surgen proyectos de tesis de maestr\u00eda. Y el cierre de la materia es una feria de p\u00f3sters, porque cada grupo escuch\u00f3, dise\u00f1\u00f3 y propuso una iniciativa basada en modelos de datos.<\/span><\/p>\n

Y esos proyectos son enriquecedores porque puede haber aplicaciones de casi cualquier cosa.<\/b><\/p>\n

As\u00ed es, durante este curso, un grupo est\u00e1 proponiendo modelos de recomendaci\u00f3n de m\u00fasica para artistas emergentes y otro est\u00e1 con un proyecto de modelos que conversan con legislaci\u00f3n aduanera o legislaci\u00f3n fiscal de regulaciones, una especie de chatbot asistente sobre legislaci\u00f3n. Me parece fascinante.<\/span><\/p>\n

\u00bfEsto claramente es un prototipo, no un desarrollo?<\/b><\/p>\n

No, en un cuatrimestre no se puede hacer completo el desarrollo pero s\u00ed se pueden acotar algunas etapas del producto. Esa parte del ciclo de tiempo me interesa poco, porque me interesa m\u00e1s escuchar a quien venga con un problema y pensar c\u00f3mo resolverlo.<\/span><\/p>\n

La innovaci\u00f3n a veces viene a resolver un problema conocido y a veces viene a dar respuesta a algo novedoso. Es la apuesta h\u00edbrida de jugar un poco a lo conocido y a lo desconocido.<\/span><\/p>\n

Durante esta \u00faltima parte de la entrevista me interesar\u00eda hablar de tu trabajo en 7Puentes y los proyectos que desarrollan especialmente en temas de ciencia datos, aprendizaje autom\u00e1tico y agentes de IA.<\/b><\/p>\n

La inteligencia artificial generativa es un escenario disparador donde nos podemos imaginar reformulando procesos de negocio, procesos de toma de decisiones y procesos de flujos de informaci\u00f3n interna.<\/span><\/p>\n

\"\"<\/a>Desde 7Puentes (una empresa argentina con m\u00e1s de 15 a\u00f1os de experiencia enfocada exclusivamente en desarrollar soluciones basadas en Inteligencia Artificial y Machine Learning) potenciamos la innovaci\u00f3n en IA e intentamos entender qu\u00e9 nos est\u00e1 proponiendo la inteligencia artificial generativa para optimizar procesos.<\/span><\/p>\n

Y en cuanto a los datos hay dos momentos s\u00faper interesantes. Un poco lo relat\u00e9 antes, que es la parte de la ingesta de datos. La ingesta es justamente esta parte de cierta documentaci\u00f3n, o datos de sensores, o datos que ya est\u00e1n en un formato electr\u00f3nico, y se pueden trasladar a una base de datos anal\u00edtica o a un espacio centralizado y estructurado que despu\u00e9s puede ser consultable.\u00a0<\/span><\/p>\n

Despu\u00e9s est\u00e1 la otra parte de la punta de la cadena, es la de interrogar a esos datos, poder preguntarle diferentes cosas. El <\/span>Business Intelligence<\/span><\/i> (BI), de hace ya 30 a\u00f1os m\u00e1s o menos, nos dio respuesta a esto de preguntar a la base de datos con lenguajes de consulta como el SQL.<\/span><\/p>\n

Hoy nos habilitamos a so\u00f1ar poder conversar con los datos, que podamos decirle o preguntarle a la base de datos, por ejemplo cu\u00e1l fue el producto m\u00e1s vendido en todas las sucursales. Y que la base nos conteste.<\/span><\/p>\n

Pero no solamente el producto m\u00e1s vendido, sino que le puedas pedir que haga una comparativa del producto comparado con el promedio de los \u00faltimos tres meses o que te diga lo interesante o lo relevante del negocio. La verdad que la palabra \u201cinteresante\u201d o \u201crelevante\u201d no est\u00e1n claramente definidas.<\/span><\/p>\n

\u00bfC\u00f3mo se puede definir y precisar algo que parecer\u00eda tan ambiguo para una IA?<\/b><\/p>\n

Probablemente la relevancia o la importancia difiera si yo soy un gerente de log\u00edstica o si\u00a0 soy un gerente de mantenimiento o un gerente de compras. Lo relevante puede variar seg\u00fan el rol y tambi\u00e9n puede variar seg\u00fan el momento del d\u00eda. No es lo mismo que un gerente de log\u00edstica te pregunte qu\u00e9 es interesante un lunes a la ma\u00f1ana respecto a un viernes a la tarde, previo al fin de semana.<\/span><\/p>\n

\"\"<\/a><\/span><\/p>\n

 <\/p>\n

La idea de lo relevante es completar esas indefiniciones, esto es algo que la inteligencia artificial generativa lo puede hacer muy bien teniendo en cuenta criterios de toma de decisiones, productividad, rentabilidad, eficiencia, etc. Puede darte propuestas de qu\u00e9 es lo mejor, qu\u00e9 es lo m\u00e1s relevante y a qu\u00e9 le tenemos que prestar atenci\u00f3n.<\/span><\/p>\n

Claro que en principio consideramos el per\u00edodo de esa aceleraci\u00f3n, de darle importancia a esto, porque es lo m\u00e1s importante. Pero por otro lado tambi\u00e9n esconde el efecto adverso de la recomendaci\u00f3n de importancia, que es que le empieces a hacer caso a una m\u00e1quina.<\/span><\/p>\n

Entonces, pas\u00e1s de la posici\u00f3n de analista pregunt\u00e1ndole cosas a aceptar que a lo m\u00e1s importante que le ten\u00e9s que prestar atenci\u00f3n es a esta respuesta. Gan\u00e1s productividad porque la verdad que el hecho de que una m\u00e1quina nos diga un mi\u00e9rcoles a la tarde, \u201cte est\u00e1s por quedar sin nafta, repone\u201d. Y si seguimos con esta tendencia el lunes nos quedamos sin nafta. Que nos lo diga un mi\u00e9rcoles y al lado que aparezca un cartel que indique \u201corden de mantenimiento preparada y lista para ser emitida, aprobarla\u201d, antes que esperar viendo el indicador y el lunes a la tarde te quedaste sin nafta, la f\u00e1brica se par\u00f3 y hay que mandar a la cuadrilla de urgencia.<\/span><\/p>\n

Se aceler\u00f3 el proceso de toma de decisi\u00f3n pero tambi\u00e9n te volviste m\u00e1s \u201cvago\u201d o poco \u201ccr\u00edtico\u201d de c\u00f3mo funciona. Aparece esta tensi\u00f3n entre aceptar lo importante que me diga la m\u00e1quina y ganar productividad versus esta sensaci\u00f3n que algunos autores llaman \u201cpereza cognitiva\u201d o \u201csedentarismo cognitivo\u201d. Como que si le hago mucho m\u00e1s caso a la computadora no pienso, simplemente acepto lo que dice.<\/span><\/p>\n

Es una discusi\u00f3n que tambi\u00e9n se daba con el auge del Big Data, que en particular el Big Data nos hac\u00eda medio ignorantes o perezosos por llamarlo de alguna manera, porque confi\u00e1bamos ciegamente en esos modelos y no nos plante\u00e1bamos c\u00f3mo generar un entendimiento m\u00e1s profundo sobre sus resultados.<\/b><\/p>\n

Creo que en definitiva tiene que ver con la posici\u00f3n del humano all\u00ed, si es una posici\u00f3n activa o pasiva.<\/span><\/p>\n

La misma IA generativa te dice: \u201clos datos est\u00e1n ac\u00e1, hac\u00e9 vos la pregunta y te respondo\u201d. Es una posici\u00f3n m\u00e1s reactiva, algo pasa y reaccion\u00e1s ante ese est\u00edmulo. La posici\u00f3n m\u00e1s proactiva es hacerle la pregunta adecuada, refinarla y tratar de entender mejor por qu\u00e9 dio la respuesta que dio, si es correcta o no, m\u00e1s teniendo en cuenta que puede haber errores (alucinaciones).<\/span><\/p>\n

En ese contexto, nuestro proyecto de IA generativa \u201c<\/span>Chat with Your Data<\/span><\/i>\u201d, desarrollado por 7Puentes, busca redefinir la posici\u00f3n del analista, pero no solamente se trata de preguntarle a los datos en lenguaje natural, o v\u00eda Whatsapp hacerle una consulta, sino que adem\u00e1s pod\u00e9s modelar agentes de BI o agentes personalizados del negocio, por ejemplo, un agente de mantenimiento de ascensores. A partir del monitoreo del funcionamiento del ascensor o de los patrones de uso, el agente inteligente puede detectar anomal\u00edas o dar recomendaciones de mantenimiento predictivo.<\/span><\/p>\n

Hay dos posibles estados, una posici\u00f3n de recomendaci\u00f3n donde el agente sugiere tomar un curso de acci\u00f3n, y otra de interfaz donde como analista, humano, le pod\u00e9s preguntar el estado del ascensor cuando quieras e interactuar en funci\u00f3n de esos resultados. Para m\u00ed es bienvenida esta posibilidad de preguntarle al ascensor su estado actual pero la otra idea es un agente de IA que est\u00e1 observando el \u201cestado de salud\u201d del ascensor en el tiempo como para poder contestar y sugerirte acciones. La idea es que estos modelos sean confiables y le podamos delegar ese conocimiento experto del \u00e1rea de mantenimiento o de cualquier otra \u00e1rea de la empresa.<\/span><\/p>\n

El desaf\u00edo es c\u00f3mo conversar e interactuar eficientemente en este escenario, donde el conocimiento humano y experto de alguna forma est\u00e1 compartido con la tecnolog\u00eda.<\/span><\/p>\n","protected":false},"excerpt":{"rendered":"

Ernesto Mislej es profesor de la Maestr\u00eda en Ciencia de Datos y Director Cient\u00edfico de 7Puentes. En esta entrevista nos cuenta sobre los pormenores del dictado de su materia y c\u00f3mo desarrollar productos basados en datos e inteligencia artificial, que respondan con una soluci\u00f3n eficiente a necesidades actuales.<\/p>\n","protected":false},"author":4,"featured_media":1752,"comment_status":"open","ping_status":"open","sticky":false,"template":"","format":"standard","meta":{"_mi_skip_tracking":false},"categories":[24,36,22],"tags":[21,37,19],"_links":{"self":[{"href":"https:\/\/datamining.dc.uba.ar\/predictivos\/index.php?rest_route=\/wp\/v2\/posts\/1751"}],"collection":[{"href":"https:\/\/datamining.dc.uba.ar\/predictivos\/index.php?rest_route=\/wp\/v2\/posts"}],"about":[{"href":"https:\/\/datamining.dc.uba.ar\/predictivos\/index.php?rest_route=\/wp\/v2\/types\/post"}],"author":[{"embeddable":true,"href":"https:\/\/datamining.dc.uba.ar\/predictivos\/index.php?rest_route=\/wp\/v2\/users\/4"}],"replies":[{"embeddable":true,"href":"https:\/\/datamining.dc.uba.ar\/predictivos\/index.php?rest_route=%2Fwp%2Fv2%2Fcomments&post=1751"}],"version-history":[{"count":4,"href":"https:\/\/datamining.dc.uba.ar\/predictivos\/index.php?rest_route=\/wp\/v2\/posts\/1751\/revisions"}],"predecessor-version":[{"id":1761,"href":"https:\/\/datamining.dc.uba.ar\/predictivos\/index.php?rest_route=\/wp\/v2\/posts\/1751\/revisions\/1761"}],"wp:featuredmedia":[{"embeddable":true,"href":"https:\/\/datamining.dc.uba.ar\/predictivos\/index.php?rest_route=\/wp\/v2\/media\/1752"}],"wp:attachment":[{"href":"https:\/\/datamining.dc.uba.ar\/predictivos\/index.php?rest_route=%2Fwp%2Fv2%2Fmedia&parent=1751"}],"wp:term":[{"taxonomy":"category","embeddable":true,"href":"https:\/\/datamining.dc.uba.ar\/predictivos\/index.php?rest_route=%2Fwp%2Fv2%2Fcategories&post=1751"},{"taxonomy":"post_tag","embeddable":true,"href":"https:\/\/datamining.dc.uba.ar\/predictivos\/index.php?rest_route=%2Fwp%2Fv2%2Ftags&post=1751"}],"curies":[{"name":"wp","href":"https:\/\/api.w.org\/{rel}","templated":true}]}}