Si le mencionamos ChatGPT, Bard, DALL-E,entre otras aplicaciones de Inteligencia Artificial (IA) Generativa (Generative AI) quizás ya ha explorado, “jugado” o seriamente iniciado su capacitación en el tema.

Blackberry&Cross tuvo su primer contacto formal con técnicas de inteligencia artificial y “machine learning” en el 2014, cuando tuvimos una sesión de tendencias, mega-tendencias.

Mucho se ha avanzado, y la tendencia general está manifiesta, aun cuando la velocidad y el detalle son mucho más generosos de lo esperado.

Pero, ¿cómo afecta la AI y Machine Learning a la mejora continua? ¿Cómo empezar a usarlas en Análisis de Causa Raíz? ¿Debo tomar precausiones?

¿Qué es Machine Learning?

El Machine Learning es un subcampo de la inteligencia artificial que se ocupa del desarrollo de algoritmos y modelos que permiten a las computadoras aprender y tomar predicciones o decisiones sin ser programadas explícitamente. Se basa en la idea de que los sistemas pueden analizar y aprender de forma autónoma de los datos, mejorando así su rendimiento a lo largo del tiempo. el mismo suele traducirse como “aprendizaje automatizado”.

Y usted puede usar Machine Learning en ingeniería de calidad, OPEX y más.

El Machine Learning ha hecho avances significativos en los últimos años y ha encontrado aplicaciones en numerosas disciplinas. Ha revolucionado las industrias de la salud, las finanzas, el marketing y el transporte. Los algoritmos de aprendizaje automático pueden identificar patrones, extraer insights significativos y hacer predicciones precisas utilizando enormes cantidades de datos.

Una de las características más importantes del Machine Learning es su capacidad de adaptarse y desarrollarse con la experiencia. A medida que los modelos se exponen a nuevos datos, sus conocimientos pueden ser actualizados y sus predicciones refinadas, haciéndolos más precisos y fiables. Este proceso de aprendizaje continuo permite a los sistemas gestionar tareas complejas y tomar decisiones basadas en datos en tiempo real.

El aprendizaje automático abarca numerosas técnicas, como el aprendizaje supervisado, aprendizaje no supervisado y aprendizaje reforzado. 

En el aprendizaje supervisado, los modelos se entrenan en datos etiquetados con las salidas correctas proporcionadas. Por el contrario, el aprendizaje no supervisado implica extraer patrones y estructuras de datos no etiquetados. El objetivo del aprendizaje reforzado es capacitar a los modelos para tomar decisiones basadas en el “feedback” (retroalimentación) del entorno.

En general, el Machine Learning tiene el potencial de revolucionar nuestros procesos de resolución de problemas y toma de decisiones. Su capacidad para analizar enormes cantidades de datos, reconocer patrones y hacer predicciones precisas ha creado nuevas oportunidades en una variedad de industrias. A medida que la tecnología continúa desarrollándose, podemos anticipar que el Machine Learning desempeñará un papel aún mayor en la formación de nuestro futuro.

¿Puedo usar Machine Learning en Análisis de Causa Raíz?

Utilizar modelos de Machine Learning para análisis de causa raíz es más práctico de lo que muchos anticipan.

Pero, ¿es necesario saber programar en Pyhton o R para poder usar machine learning?

Saber programar es parte de la alfabetización laboral del siglo XXI. Así que no lo dé por sentado. Es necesario para la vida laboral.

Pero, en el inmediato usted puede usar los algoritmos de aprendizaje supervisado como C/RT, o bien técnicas de minería de datos como Conglomerados de K-Medias, y otros que están accesibles en software como EngineRoom, Minitab, XLStats,  y más sin necesidad de programar en Python o R.

Blackberry&Cross utiliza con regularidad algoritmos de clasificación y regresión  C/RT, y lo hemos hecho con problemas como:

1. Entender mejor el comportamiento de casos de COVID-19.
2. Identificar defectos de poca ocurrencia en dispositivos médicos.
3. Identificar factores que afectan una condición compleja en dispositivos médicos.
4. Mejorar la productividad en aprovechamiento de frutas en industria alimenticia.
5. Analizar mejoras potenciales a cambios en cultivos de finca.
6. y más.

El uso de Machine Learning en Análisis de Causa Raíz puede ilustrarse con este ejemplo:

Suponga que tiene un problema complejo. Un producto está fallando y no se entiende cómo o porqué.

El equipo de ACR (Análisis de Causa Raíz) se reúne y usa metodologías como PDCA, DMAIC, 7 Pasos y otros.

Como parte de la metodología usan herramientas como el Diagrama de Ishikawa. Las discusiones llevan a ciertos avances pero aun así el problema no mejor tanto. No se ha encontrado la causa raíz.

El Ishikawa es útil, pero es esencialmente subjetivo.

¿Qué tal si traemos un “colega” de software que analice los datos y nos ayude?

Esto es lo que hace Machine learning: es un miembro más del equipo que analiza los datos siguiendo un algoritmo. Ese algoritmo podría tener sesgos (esto es crítico en AI y hablaremos más al respecto en otras publicaciones), pero en esencia el algoritmo logrará:

1. Procesar más variables que las que como humanos podemos manejar a la vez.
2. Identificar cuáles factores afectan más a la variable de salida (suponiendo se usa un algoritmo de aprendizaje supervisado).
3. Proveer otra forma de ver los datos, y quizás entonces identificar la causa raíz.

No. No espere aun que el algoritmo “le dé al clavo a la primera” y resuelva el problema por usted. Pero, sí puede esperar que le provea puntos de vista que quizás jamás hubiese pensado y ahí es dónde hemos visto el éxito de muchos equipos de ACR.

Usted puede iniciar su jornada Machine Learning para Análisis de Causa Raíz de la mano de Blackberry&Cross y MoreSteam.

---