Transcript

Use with ChatGPT / Claude Auto-scroll A

1. Bienvenida a la segunda jornada del seminario

David Granados da la bienvenida a la segunda jornada del décimo seminario virtual de estadística, IA y ciencia de datos de la UNAD.

1:21 - 2:39
Cordial saludo y una especial bienvenida a esta segunda jornada del décimo seminario virtual de estadística, inteligencia artificial y ciencia de datos.Soy David Santiago Granados Rivera y es un gusto reencontrarnos en este espacio académico organizado por la Universidad Nacional Abierta a Distancia, UNAD, a través de la Escuela de Ciencias Básicas, Tecnología e Ingeniería, SBTI, la red curricular de estadísticay probabilidad y los programas de Maestría y Especialización en Ciencia de Datos y Analítica.Hoy continuamos con un con el encuentro con el propósito de reconocer cómo la estadística y la ciencia de datos nos permiten comprender fenómenos, interpretar información y generar conocimiento para la toma de decisiones.Asimismo, reflexionaremos sobre el papel de la inteligencia artificial y sus aplicaciones en diferentes contextos, así como retos y oportunidades que esta tecnología representa para el desarrollo científico, académico y profesional.Agradecemos nuevamente la participación de nuestros invitados nacionales y internacionales, docentes, estudiantes e investigadores y demás integrantes de la comunidad académica y público en general que se conectan con nosotros para compartir de esta segunda jornada.
Continuando con nuestro acto protocolario, tendremos las palabras de apertura de esta segunda jornada.Para ello me complace presentar al Dr.Isaac Esteban Camargo Freyle, líder de la Maestría en Ciencia de Datos y Analítica, quien nos acompañará con unas palabras de bienvenida y reflexión sobre la importancia de estos espacios académicos para el fortalecimiento de la formación, la investigación enciencia de datos.Adelante, líder.

2. Palabras de apertura del líder de maestría

Isaac Camargo y David Granados ofrecen palabras de apertura destacando la importancia de los espacios académicos de intercambio.

Muchas gracias, apreciado profesor David Santiago.Es un gusto para mí eh saludarlos a todos nuevamente.Muy buenas tardes.Reciban un cordial saludo y una especial bienvenida a esta décima eh a esta jornada del décimo Seminario Virtual de Estadística, Inteligencia Artificial y Ciencia de Datos, organizado por nuestra institución.Como les decía, es un gusto saludar a nuestros conferencistas nacionales e internacionales, docentes, investigadores, estudiantes, egresados y demás participantes que el día de hoy nos acompañan a través de los medios institucionales.En nombre de la Maestría en Ciencia de Datos y Analítica y la Especialización en Ciencia de Datos y Analítica y en honor también de la red curricular de Estadística y Probabilidad, eh agradecemos su su participación y el interéspor continuar fortaleciendo eh estos espacios de intercambio académico.Durante la jornada de ayer, particularmente tuvimos la oportunidad de compartir conocimientos y experiencias alrededor de la estadística, la inteligencia artificial y sus aplicaciones.
Hoy en esta sesión pues estaremos dando continuidad a a este encuentro con una programación que integra conferencias, talleres y experiencias investigativas.Desde la Maestría en Ciencia de Datos y Analítica reconocemos la importancia de promover estos escenarios que permitan comprender cómo la estadística proporciona todos esos fundamentos para el desarrollo de los modelos de inteligencia artificial eh y cómo la cienciade datos facilita su aplicación en la solución de problemas reales.Esperamos ciertamente que que esta segunda jornada sea una oportunidad para intercambiar conocimientos, formular preguntas y reflexionar sobre las posibilidades y responsabilidades que acompañan el uso de estas nuevas tecnologías disruptivas.Agradezco nuevamente explícitamente al conferencista, a todos los conferencistas, estudiantes, eh semilleristas, docentes de de nuestra institución y al equipo organizador que ha contribuido de manera significativa al desarrollo de esta décima edición.Y finalmente, pues para todos sean bienvenidos a nuestra segunda jornada académica.Muchas gracias por la invitación.
Agradecemos al Dr.Isaac Stan por sus palabras y por acompañarnos en esta segunda jornada.De igual manera, como líder de la red curricular de estadística y probabilidad, quiero destacar la importancia de dar continuidad a estos escenarios de intercambio académico en los que convergen diferentes experiencias, conocimientos y perspectivas alrededor de la estadística, lainteligencia artificial y la ciencia de datos.La primera jornada nos permitió conocer importantes reflexiones y experiencias en torno a estas disciplinas.Hoy tenemos la oportunidad de seguir profundizando sus aplicaciones, explorar nuevas herramientas y conocer iniciativas que evidencian su impacto en distintos campos del conocimiento.Esperamos que esta segunda jornada sea igualmente enriquecedora y que las temáticas propuestas contribuyan a fortalecer sus conocimientos y despertar nuevas inquietudes e iniciativas académicas e investigativas.Sean todos bienvenidos.Ahora damos paso al profesor John Freddy con su eh docente con su invitado internacional.Muchas gracias.

3. Presentación del sistema de monitoreo de diabetes

Se presenta al profesor Juan Carlos Ontiveros y su sistema de monitoreo y control de diabetes usando Raspberry Pi y redes neuronales.

Eh, muy buenas tardes para todos.Eh, gracias, profe eh Isaac, profe David Santiago por la presentación.Eh, ahora pues continuando con nuestra programación damos paso a una conferencia internacional que nos permitirá pues conocer cómo las matemáticas aplicadas, la inteligencia artificial y el desarrollo tecnológico pueden integrarse para abordar desafíos importantes en el campo de lasalud.En particular, exploraremos una propuesta tecnológica orientada al monitoreo, control y al control de la diabetes mediante la integración de dispositivos inteligentes, herramientas computacionales y sistemas de información.Nos complace pues contar con la participación de nuestro conferencista internacional, el profesor Juan Carlos Ontiveros, quien nos acompaña desde México.Eh, él es licenciado en matemáticas aplicadas por la Universidad de Juárez y magíster en matemáticas aplicadas por la Universidad Autónoma de Zacatecas.Actualmente adelanta estudios de doctorado en Ingeniería y Tecnología Aplicada en esta última institución, donde desarrolla proyectos relacionados con inteligencia artificial y machine learning utilizando herramientas como MATLAB, Octave y Python.
Cuenta con 21 años de experiencia docente en el Instituto Tecnológico Superior de Zacatecas Occidente, perteneciente pues al Tecnológico Nacional de México.Su trayectoria integra la enseñanza de las matemáticas, el acompañamiento de proyectos académicos y el desarrollo tecnológico, destacándose también su labor como asesor de clubes estudiantiles de robótica e innovación tecnológica.En esta oportunidad, el profesor Juan Carlos nos presenta su conferencia titulada Sistema de monitoreo y control de la diabetes.Durante su intervención conoceremos una propuesta tecnológica y eh como ya les mencioné, pues que integra dispositivos inteligentes y desarrolladas eh en Python, ¿cierto?Con bases de datos en tiempo real y aplicaciones móviles para facilitar el monitoreo de la diabetes.Esta experiencia nos permitirá reconocer como las matemáticas aplicadas, la ciencia de datos y el desarrollo tecnológico pueden contribuir a generar soluciones innovadoras en el campo de la salud.Profesor Juan Carlos, agradecemos sinceramente su disposición para acompañarnos y compartir sus conocimientos con nuestra comunidad académica.
Muchas gracias.Adelante.
Gracias, gracias Freddy por la invitación y gracias por la presentación también.Espero que que me escuchen, que me escuchen bien todos.Te escuchamos bien.este voy a no sé si se esté viendo ya la la presentación.Sí, señor.Adelante.Okay, muy bien, gracias.Entonces, bueno, como lo comenta Freddy, actualmente estoy soy alumno del doctorado en Ingeniería de Tecnología aplicada en la Universidad Autónoma de Zacatecas y dentro de en los desarrollos que estamos haciendo, pues está precisamente el desarrollo de un sistemade monitoreo y control para la diabetes, que es una solución, creemos, muy muy eh viable para ayudar a tanta gente que tiene este problema en México.La diabetes en México ustedes pueden revisar las estadísticas y somos de los principales países que tenemos este problema, sobre todo por por la alimentación.Este no es nada nuevo de que en México se come bastante bien.
Pues sí, sí se come bastante bien, pero eso también nos ha traído diferentes problemas de salud pública, como en este caso la la diabetes.Este trabajo este me lo estoy desarrollando junto con los doctores, ellos son mis asesores, la doctora María del Rosario Martínez Blanco, el doctor Luis Octavio Solís Sánchez y el doctor Héctor Alonso Guerrero Osuna.

4. Contexto de la diabetes en México

Se describe la prevalencia de la diabetes en México, sus desafíos para el paciente y la justificación del sistema tecnológico propuesto.

Hm.Bueno, les les voy a a presentar el dispositivo que estamos generando.Nosotros lo lo llamamoses hm una placa Raspberry Pi en la cual nosotros pues hemos montado los algoritmos de hm este de sobre todo redes neuronales para poder hacer el el el sistema de de monitoreo.La tiene varias bondades la placa, la Raspberry.Este podemos conectar dispositivos electrónicos también en caso de que requiramos hacerlo.Tenemos conexión Bluetooth, tenemos conexión Wi-Fi, tenemos este entrada de video.Tenemos bueno, varias, varias este cosas que o facilidades, digamos, no, que ya nos nos da este este dispositivo.Específicamente estamos trabajando la Raspberry Pi 4 dado los algoritmos que que estamos trabajando, bueno, fue este la que en su momento, bueno, este nos dio lo lo el mejor rendimiento para para poder introducirlos y y poder trabajar pues,digamos, de alguna manera aceptable en él, ¿sale?Entonces, bueno, este es el dispositivo del cual voy a hablar.
Dentro de este dispositivo este metimos nosotros el el Diabetes Control and Monitoring System o este sistema de monitoreo y control de la diabetes.Antes de esto, bueno, cuál cuál es el orden que que llevaremos en la plática.Pues será la introducción.Dentro de la introducción eh tendremos el planteamiento del problema, la justificación y los objetivos.Vamos a ver los materiales y métodos que hemos trabajado para el desarrollo de de este dispositivo.Las aplicaciones, qué es lo que estuvimos trabajando y estamos trabajando, sobre todo de de IA, de de redes neuronales para tratar de de resolver este problema y al final pues tendremos las conclusiones.
Bueno, primero, como lo comentaba, pues la diabetes es un problema muy muy fuerte en México.Según la Encuesta Nacional de Salud y Nutrición en Salud en el 2021 señala que 12,400,000 personas en México padecían diabetes.Entonces, para el 2022 la pero la misma institución la encuesta que saca este el Sistema Nacional de Salud y Nutrición ya prevé que hubo un incremento al 18.3% de personas con diabetes.Estos son 14.6 millones de personas.Entonces, es un padecimiento que va a la alza.Año con año se están incorporando nuevas nuevas personas con padecimiento de diabetes y desgraciadamente inicialmente pues eran personas adultas, pero ahora ya está afectando también a a niños y se ha vuelto uno de los mayores problemas de desalud pública en México.
En México la prevalencia de la diabetes en el 2018 fue de 16.8 y la volvió la segunda causa de muerte.O sea, la diabetes en México se estima que mata más gente que el cáncer y el SIDA e incluso juntos.Entonces, sí es un un problema bastante fuerte y parte de del del problema que que tenemos acá pues es que es una enfermedad silenciosa.Las personas hm digamos que no no no se dan cuenta que tan graves están hasta que ya llegan colapsos fuertes como hiperglucemias, hipoglucemias o amputaciones y y este tipo de hm pues de problemas que que desata el padecimiento.Entonces, sí es un un problema que tenemos bastante fuerte en México.Contar con datos periódicos, bueno, el Instituto Nacional de Salud Pública da, digamos, que la orientación para la solución o o no la solución, digamos, este hm atacar un poco la eh lo que es el el padecimiento.
La solución pues no no no la no la tenemos este por lo pronto, pero bueno, sí sí podemos este digamos que hacer pequeños esfuerzos para para poder aminorar este este problema.Entonces, el mismo instituto nos nos da la línea por la cual podemos mejorar y nos dice que contar con datos periódicos sobre la prevalencia de diabetes en México es imprescindible para monitorear su evolución, implementar políticas y programas deprevención y control, así como para planificar eficazmente recursos de atención médica.Entonces, esto es lo que indica el el instituto para tratar de aminorar el el problema en México.Más aparte que el el uso de la tecnología también nos permite tratar de implementar nuevas alternativas no invasivas, sobre todo, para poder aminorar el problema.Bueno, entonces en esta línea pues nosotros eh digamos que planeamos en desarrollar un un sistema para el control de de la diabetes.

5. Módulos del sistema DCMS

Se explican los módulos del sistema: Home, Ayuda, Consulting, Control y Display, y las variables fisiológicas monitoreadas.

¿Cómo justificamos esto?Bueno, pues vámonos a verlo desde el punto de vista de la del paciente, ¿sí?Un paciente con diabetes puede afrontar diferentes desafíos a causa de este padecimiento.Enfrenta el estrés emocional.La diabetes puede ser una enfermedad desafiante y estresante.Brindar apoyo emocional es fundamental para ayudar al paciente a afrontar los desafíos diarios.Una persona con diabetes es una persona que normalmentetiene bastante estrés.Ya el el hecho de saberse enfermo este es algo estresante, pero más aparte el cambiar la la alimentación, el tener que cuidar todo todo lo que come, lo que bebe, o sea, todo eso lleva a un estrés emocionalcontinuo.Otra parte importante, digamos, viendo lo de ese los desafíos que que vive el paciente es el recordar la medicación.
Vamos, la la persona de alguna manera trata de de hacer su vida normal, pero dentro de todo esto en las ocupaciones que tiene, bueno, pues la medicación no necesariamente la recuerda.Cada medicamento para para que haga su función pues se le que tener horarios específicos para lo cual el paciente pues es algo complicado el llevarlo hm pues de alguna manera puntual, ¿no?En en el horario en que le toca su medicamento.Eh,
entonces, bueno, tratar de de de utilizar la tecnología para este tipo de cosas sería algo bastante bastante bueno.Otro desafío que que tiene el paciente es el monitoreo de los niveles de glucosa.
Las personas con diabetes bueno, usan usan dispositivos como glucómetros.Muchos se pinchan o la mayoría se pinchan.Ahora este pues han salido diferentes alternativas para hacerlos no invasivos.Eh los de los que hemos explorado nosotros, de hecho los que usamos para para generar dispositivos son los smartwatch.Los smartwatch ya usan una tecnología con infrar rojos para poder eh aproximarlos los niveles de de glucosa.Sí, es cierto, bueno, no no hay todavía una certeza médica de que efectivamente son al 100% confiables, pero aún así pues nos nos permiten tener eh lecturas digamos decentes, aproximadas de de cómo se comporta el la glucosa enen las personas.Entonces es lo que nosotros exploramos, nosotros exploramos el smartwatch, específicamente uno que es este chino, que se llama E500, que es con el que estamos trabajando.Otro de los desafíos que tiene el paciente pues es conocer los signos de complicaciones.
Muchas veces los los pacientes no saben lo que es un este hiperglucemia, una hipoglucemia, un este coma diabético, hm un desmayo, o sea, simplemente un un desvanecimiento por por esta esta enfermedad.Entonces, vamos, lo sienten, lo lo lo viven, lo padecen, pero realmente no saben el por qué sucede este tipo de de cosas.Entonces, ahí creemos que la la tecnología también nos puede ayudar bastante.
Otra otro de los desafíos que que se hm de alguna manera se padecen con con la enfermedad, pues es la autonomía.Una persona con diabetes pues no puede hacer ya hm sus actividades normales, digamos.Este precisamente por el padecimiento no eh sale con con estrés, sale con miedo de de que algo vaya a pasar.Este
el correr simplemente algo algo que que quisiera hm hacer este ya no necesariamente lo lo hace con con esa libertad, ¿no?De que algo pueda pueda pasar.Entonces, el el tratar de recuperar mediante la tecnología la esa libertad del paciente o esa autonomía también es es uno de los retos que que pues de alguna manera tenemos nosotros en el desarrollo de la de la tecnología.Entonces, bueno, ya viendo estas cinco estos cinco desafíos de cómo los vive el paciente, pues entonces tratamos de idear el el sistema con el cual atacarlos y y poder este mejorar la vida de del paciente.
La diabetes es una condición crónica que requiere un manejo continuo y exhaustivo por parte del paciente, lo que a menudo resulta complicado sin el apoyo adecuado de su entorno familiar.También, bueno, esto es es otra otra cosa muy muy importante.Normalmente la familiadebería de dar un apoyo adecuado, pero desgraciadamente no es posible, sobre todo en en las ciudades grandes donde pues prácticamente todos los miembros trabajan.Es muy muy complicado que una persona que que tiene este padecimiento se le esté monitoreando al menos personalmente en cada uno cada uno de de los familiares.Entonces, ahí es también en donde se nos abre una una oportunidad desde el punto de vista de la tecnología para poder hacer acompañamientos a distancia de de la familia.Y bueno, la tecnología es una herramienta que puede apoyar al paciente y a los miembros de la familia en este proceso para monitorear y controlar la enfermedad y evitar trastornos severos como hipoglucemias, hiperglucemias, paros cardíacos, coma diabéticos, entre
otros.Entonces, sí, cómo la la tecnología puede apoyar en este caso.Bueno, es algo que no se cansa de de estar examinando números.Este con la tecnología, por ejemplo, este el smartwatch el el wearable E500 que es el que estamos trabajando, hace lecturas alrededor de cada 10 segundos.Entonces, siempre siempre está monitoreando el el comportamiento de las variables fisiológicas de del paciente, siempre siempre en todo momento.Entonces, eso nos permite pues tener monitoreada a la persona siempre, ¿no?Y y con lapsos de tiempo muy muy pequeño.Aquí, bueno, el el problema es la cantidad de datos que se generan porque
por este se hacen alrededor de 5,000 a 10,000 medidas, entonces las bases de datos con las que trabajamos sí son algo algo grandes.
El objetivo pues es muy muy muy sencillo, desarrollar e implementar un sistema tecnológico integrado incorporando inteligencia artificial aplicada al monitoreo y control de la ese ese ese ese es nuestro nuestro objetivo.Un un sistema integral tratamos de de hacer diferentes cosas que nos apoyen, bueno, y que nos ayuden para poder eh lograr que que el que el el padecimiento se se aminore y aparte que no se lleguen a losa los colapsos, ¿no?Como las hiperglucemias y las hipoglucemias, etcétera.

6. Arquitectura y funcionamiento del DCMS

Se detalla la arquitectura del sistema, la conexión del smartwatch, la cámara y las tecnologías empleadas en el desarrollo.

Bueno, para esto decidimos generar un sistema que le llamamos DCMS, el cual consta de diferentes módulos.El primer módulo se llama DCMS Home.El En este básicamente es un subsistema sensorial interconectado para el monitoreo del paciente en el hogar.Ahorita exploramos un poquito cada uno de ellos, pero básicamente es eso.Es un subsistema sensorial interconectado para el monitoreo eh de la persona en su casa.El DCMS Ayuda, DCMS Ayuda es un subsistema de emergencia para pedir ayuda inmediata mediante mensajes SMS a través de una APP móvil.Se desarrolló una aplicación móvil que es como un un botón de emergencia con el cual la persona enferma si está en un viaje, digamos, va si es del pueblo va a la ciudad y y resulta que en eltranscurso le dio alguno de estos colapsos este simplemente puede tocar el botón y se envía un mensaje a los familiares y al médico con la posición exacta de la persona y la persona a través de del DCMS puede,
bueno, el familiar y el médico pueden entrar y explorar desde ahí la la posición y les dice exactamente en qué en qué lugar está del planeta.Entonces con esto, bueno, tratamos de precisamente de aumentar la la autonomía y pues sobre todo la la seguridad, ¿no?Y el DCMS Consulting es un subsistema de consulta para auxiliar a las personas encargadas de cuidar a los pacientes en temas relacionados con la enfermedad.Este básicamente es un es un agente para poder hacer preguntas acerca del padecimiento.Si tienen una lectura las personas si tienen una lectura de cierta cantidad de de de azúcar, ah, bueno, que les diga si es correcto, si está bien, si si no está si no está bien, si hay riesgo, sino hay riesgo.Muchas veces las personas que cuidan a las personas precisamente, no tienen este este tipo de información.Entonces, básicamente, esto se metió como un un agente de apoyo el cual este contestará preguntas relacionadas con el padecimiento.
Y el DCMS tiene digamos, yo lo llamo el el este el motorcito del sistema que es el DCMS Control y el DCMS este El DCMS Control es un subsistema central en el que se llevan a cabo los procesosde recopilación de datos, análisis de información, ubicación del enfermo en tiempo real, generación de los reportes para la visualización de los reportes del enfermo por parte de la familia, bueno, aquí también del médico, de la familia y delmédico.Y el es un subsistema central de gestión y almacenamiento de la información en el sistema DCMS, o sea, estos dos trabajan juntos, el control y están trabajando de forma continua actualizando las bases de datos, metiendo nuevos datos, generandonuevas proyecciones hm para ahí estar monitoreando en todo momento este el estado de salud del del paciente a a base de números, a base a base de números.
Entonces, estos funcionan también en conjunto con el DCMS Display.El Display es básicamente es un subsistema de visualización de la información a través de los dispositivos smartphones.Entonces, es un sistema web y el sistema web lo lo pueden acceder desde cualquier parte del mundo con este alguna tablet, su computadora o su este celular.
Tenemos aquí el sistema BCMS ayuda.Este tenemos la la aplicación móvil que se realizó.Trabaja mediante un operador de mensajería que se llama Tulio.Este manda a a la persona al familiar y al médico la la posición.Y acá este en el en el display podemos nosotros meter las coordenadas y ubicar al al paciente.
El sistema Home bueno, este así se conecta.Tenemos el Smart Watch.El Smart Watch lee los las variables fisiológicas.Luego este se conecta al celular mediante la aplicación nativa que traen los Smart Watch.Luego nosotros de aquí extraemos la la base de datos de las variables que que nos interesa.Y luego este mediante el puente eh lo pasamos ya a nuestro dispositivo.Y y el y aquí en ese dispositivo es donde está trabajando en todo momento el este el análisis, ¿no?Está trabajando el análisis.Y tenemos la posibilidad de de presentarlo en en un Smart TV o en algún otra otro dispositivo con salida de vídeo.
A este también se le incorporó una cámara.Y con la cámara las personas, bueno, los familiares y el doctor pueden, sobre todo para adultos mayores, pueden este monitorear el estado de la persona a través de la cámara físicamente.
¿Cuáles son las variables con las que trabajamos específicamente?Pues son la glucosa en sangre, la presión arterial, la frecuencia cardíaca, el oxígeno en la sangre y la temperatura corporal.
Bueno, aquí es importante recordar que estos parámetros pueden variar entre individuos y en función de otras condiciones subyacentes.La la enfermedad se comporta completamente diferente en en cada individuo.Y bueno, ¿cuáles son las hm variables dependientes o cuáles son los colapsos que nos a nosotros nos interesa estudiar?Pues es la hiperglucemia, la hipoglucemia, el paro cardíaco, el desmayo y el coma diabético.
Aquí tenemos un esquema básicamente de cómo funciona el DCMS Control.Pues este trabaja con nuestra base de datos, eh trabaja a través de redes.Eh originalmente nosotros pensamos en una red perceptrón, pero bueno, ahorita comentamos un poquito sobre eso.Este luego está haciendo el análisis en todo momento y este si encuentra por ahí algunas hm tendencias hacia ciertos colapsos o todo pues hm mediante mensajería alerta a los familiares y al y al médico.Y el spray, como les decía, pues es un una este sistema web el cual en el cual este pueden hm pues tener acceso a la cámara, a encontrar al al a ubicar, perdón, al paciente en caso de colapsos.Bueno, también hay por ahí algunas otras cosas como este estadísticas del del paciente.Ahorita les muestro en que este el sistema.Y hay Bueno, estas son tecnologías que que hemos trabajado con las que hemos trabajado el desarrollo del del dispositivo.
Hm, originalmente, como les decía, bueno, nosotros pensamos en una red neuronal perceptrón multicapa para poder hacer este hm hm pues este dispositivo.

7. Redes neuronales: del perceptrón a GRU

Se explica el uso inicial de perceptrón multicapa, sus limitaciones en la Raspberry Pi y el cambio a redes GRU adaptativas.

Es es un modelo de una red neuronal artificial de aprendizaje supervisado que está compuesto por una capa de entrada, una o varias capas ocultas y una capa de salida.Su objetivo es aprender relaciones y patrones complejos entre los datos mediante el ajuste de pesos y sesgos durante un proceso de entrenamiento.Cuando nosotros vimos este modelo dijimos, va, o sea, se se ajusta a lo que queremos hacer.Este tiene entradas y salidas.Aquí mete este metemos las las variables fisiológicas que nos interesa y acá tenemos nuestra este salidas o o los colapsos que que queremos estudiar.Entonces,empezamos a a explorar este este sistema y resultó que pues nos llevamos algunos eh hm alguna
¿cómo le le le le podríamos llamar?hm pues no no no digamos decepciones, ¿no?Decepciones no por el sistema, el sistema es perfecto, el sistema funciona, el sistema este trabaja bien y todo, pero tomando en cuenta que nosotros estábamos trabajando con una Raspberry Pi el procesamiento es completamente limitado.No podemos trabajar topologías muy muy grandes de de este sistema.Más aparte hm pues nos encontramos con con con otro problema que este este bueno esta el el modelo matemático si ustedes lo quieren programar para meterlo a a su placa este sería el el algoritmo para para poder meterlo.Pero bueno, aquí básicamente lo que digamos hm a nosotros nos nos interesaba pues era que aparentemente funcionaba todo perfecto, ¿no?Bueno, no aparentemente, funciona todo perfecto.El problema fue ya al tratar de implementar.Primero necesitábamos pues una gran cantidad de de datos para poder hacer los entrenamientos.
Y resultó que cuando fuimos a a los centros de salud de aquí de México, bueno, aquí pongo como ejemplo el Instituto Mexicano del Seguro Social, que digamos que es el ente de salud más grande de México.Nos topamos con varios problemas, las personas no tienen una educación en el el control de de su diabetes, o sea, de su padecimiento.No van al médico, si les ponen una fecha de de revisión no van.Este y los que van es hm no van seguido.Y y en ocasiones este hay personas que se les hacen mediciones hasta cada año o cada medio año porque y eso porque la el el Instituto Mexicano los los obliga a que a que así sea.Entonces cuando empezamos a buscar datos acerca de históricos acerca de los padecimientos en los hospitales, pues resultó que no.No no lo teníamos, entonces pues eso nos nos obligó a ya a tratar de pensar en algún otro algoritmo.
Y bueno, aquí era lo que lo que les comentaba.También en el caso de del de la capacidad de la de la placa este estuvimos haciendo entrenamientos, recuerdo con topologías sencillas, topologías de hm seis con dos capas ocultas con seis y cuatro neuronas más o menos, cinco neuronaseste cinco neuronas en cada capa.Y realmente los procesamientos se se iban hasta dos dos días y medio este en placa de de en la cuatro de deEntonces bueno, eso ya este nos hizo cambiar de este dar vuelta y tratar de buscar otro otro algoritmo que que nos pudiera ayudar.También bueno, nos dimos cuenta de que la diabetes no no se comporta igual en en todos los las personas, entonces necesitábamos también algoritmos adaptativos.También esa fue una de las razones por la cual pues empezamos a dejar de lado este este algoritmo.Y nos metimos a a buscar algún este algoritmo más adaptativo, para para poder hm hacer un dispositivo que se ajuste a cada uno de de los pacientes según precisamente su padecimiento.

8. Ventajas de las redes GRU y programación vectorial

Se describen las ventajas de las redes GRU en consumo de memoria, tiempo de entrenamiento y ajuste personalizado del monitoreo.

Entonces, llegamos a las redes GRU.Una red neuronal GRU es un tipo de red neuronal recurrente diseñada para procesar información secuencial y temporal utilizando mecanismos llamados compuertas que controlan qué información conservar, actualizar o descartar durante el aprendizaje.Bueno, también esto es algo también importante con con este tipo de de algoritmos, pues podemos eh recuperar toda la la información la cual nos genera los colapsos y irla metiendo a al a los nuevos instantes, ¿no?Este, digamos, nosotros tenemos programada la red para que se entrene cada día a las 7, pero la idea es programarla que se entrene en las mañanas con los nuevos datos del de lo del día para que se ajustea al padecimiento, más bien al histórico anterior, para que esté preparada para eh los datos que vengan en el en el siguiente día.Entonces, lo programamos.Ahorita lo tengo para las 7 de la tarde, pero en realidad lo que queremos es hacerlo, bueno, que la red lo haga en en la madrugada para que sea mucho más cómodo para para la persona que le ni
se de cuenta, ¿no?Que que por ahí no se no se está leyendo sus o que el lapso en el que no se están leyendo sus sus datos.Eh, su principal característica es que puede aprender entre datos de diferentes momentos conservando información relevante de estados anteriores para mejorar sus predicciones.
Entonces esto lo hace a través de sus dos compuertas.¿Cómo trabaja?Bueno, pues recibe un dato de entrada correspondiente a un instante de tiempo, analiza la información del estado anterior, utiliza sus compuertas para decidir qué información conservar, actualizar o descartar y genera un nuevo estado oculto que se utiliza paraprocesar el siguiente dato o o realizar la siguiente predicción.Entonces ya con con esto, como les comento, nos nos permite que la misma red se ajuste a al padecimiento de cada persona en especial.Y se usa pues para predicción de series temporales, reconocimiento de voz, análisis de datos financieros, predicción meteorológica, monitoreo de variables fisiológicas, detección de comportamientos anormales.O sea, es en en donde normalmente tiene muy bueno resultado.Y bueno, este es el elmodelo matemático para que lo implementemos en la en las placas.Esto, bueno, también quisiera comentarles que para poder hacer este tipo de de algoritmos, o al menos nosotros para poder programarlos en la placa, eh se tuvimos que eh aprender a lo que me llaman programación vectorial.
La programación vectorial hm básicamente es la la programación de vectores y matrices usando las elno, las reglas del del álgebra lineal, ¿no?¿No?Entonces, sí es muy muy importante el el aprender este tipo de de programación, la programación vectorial.Si ustedes se quieren dedicar a específicamente a desarrollar dispositivos para este trabajar algoritmos de inteligencia artificial.Eso esto es muy muy importante.
Bueno, en conclusiones podemos tener de esto pues la GRU puede aprender de las mediciones anteriores del paciente para identificar patrones en sus niveles de glucosa, presión arterial, temperatura, oxigenación y ritmo cardíaco, que son las que nos interesan anosotros.Puede aprender el comportamiento habitual de las variables fisiológicas y detectar desviaciones respecto a los patrones aprendidos.Esto permite identificar posibles anomalías que podían pasar inadvertidas al analizar una sola división, y perdón, una sola medición.Entonces, como este diario está leyendo está leyendo nos permite detectar variaciones específicamente en estas variables para poder hm evitar que la persona llegue a colapso, ¿no?Puede identificar cambios progresivos, por ejemplo, un incremento sostenido de glucosa acompañado de modificaciones de otras variables fisiológicas, vamos.Los colapsos hay ocasiones en que no necesariamente tiene que ver nada más con la este con la glucosa.También puede ser mediante la presión arterial, puede ser mediante la temperatura corporal, o sea, la combinación de de de ciertas variables puede llevar específicamente a a cierto tipo de colapsos.
Entonces, también eso lo podemos trabajar aquí.La GRU reduce el consumo de memoria y tiempo de procesamiento, lo que representa una ventaja para la red de Pi 4, donde se necesita ejecutar el sistema sin consumir demasiados recursos, además de realizar entrenamientos periódicos con actualizaciones dedatos fisiológicos.Eh, nosotros ya que que metemos el el entrenamiento de esta red en una Raspberry se tarda de cinco a siete minutos más o menos el el el entrenamiento.Con las matrices que manejamos, que son matrices de orden cinco por de 5,000 a 10,000 medida.Entonces, hm con respecto al al al modelo eh de perceptrón es muchísimo muchísimo la ventaja en cuanto a procesamiento.Y bueno, pues permite el ajuste personal eh de monitorear la enfermedad en cada cada persona.Ya para finalizar les voy a a mostrar el el sistema funcionando.Este es lo que llevamos hasta ahorita

9. Demostración del sistema y cierre de conferencia

Se muestra el sistema funcionando con localización, estadísticas, alertas de medicamento y monitoreo de la red neuronal.

Este es lo que llevamos hasta ahorita programado.Aquí este pueden localizar al al familiar.Por ejemplo, este le metemos las las coordenadas
4 .58 52 y-74
.09 73
Entonces, aquí este nos nos lleva específicamente a sus coordenadas.Esto trabaja junto con el con la aplicación móvil, que es la que envía las coordenadas de donde se encuentra la la persona.Ahorita metí la la ubicación de la Universidad Nacional de Educación a Distancia.Entonces, nos manda a Bogotá precisamente.Entonces, bueno, como les digo, esto trabaja junto con la aplicación de ayuda para ubicar al a la persona.Aquí, bueno, podemos ver las estadísticas de del familiar.
Las variables que nos interesa la saturación de oxígeno, la presión arterial, la temperatura, la el de no cardíaco.Cómo se han distribuido a lo largo del del día.Aquí este los familiares y el médico podrán este visualizar mediante la cámara a a la persona.Aquí tenemos un este un sistema de de alertas de medicamento.Aquí metemos el los números de teléfono de las personas a las que se les quiere mandar la el paciente y a las personas que se les quiere informar sobre el horario del medicamento.Y aquí están todos los medicamentos que que se que se necesitan.Ya dependiendo del paciente, pues ahí cambia.Y tenemos este una ventana para estar revisando cómo está nuestra red neuronal.En este momento está activo, tiene 30,875 mediciones.disponible, están esperando para el entrenamiento.El entrenamiento, les digo, iba a ser a las 7 de la tarde.
Y bueno, pues aquí básicamente podemos tener información acerca de del de cómo se comporta la la red neuronal.
Pues tenemos ya algunas referencias que dice aquí en en la presentación.Y pues eso sería todo.Muchas gracias.
Eh, muchas gracias, profesor Juan Carlos, eh por esta interesante conferencia y por compartirnos esa experiencia que evidencia cómo las matemáticas aplicadas a la inteligencia artificial y pues el desarrollo tecnológico realmente pueden contribuir pues a la búsqueda de solucionespara problemáticas relacionadas con la salud.Eh, ahora pues abrimos eh bueno, un espacio, ¿cierto?De aproximadamente 10 minutos para entender algunas preguntas que hemos de los participantes que hemos venido recogiendo.Y pues también continuamos invitando a los que nos acompañan pues a compartir sus inquietudes a través del chat de la transmisión.Eh, profesor Juan Carlos, entonces eh tenemos ahora algunas preguntas, como ya lo mencioné, de nuestros participantes.

10. Preguntas sobre el sistema de diabetes

Espacio de preguntas sobre implementación internacional, alertas al paciente, interpretación de datos y estrés emocional.

Eh, entonces te te voy a compartir algunas de ellas eh de acuerdo al orden pues que que fuimos recopilándolas en el chat.Eh, Camila Rodríguez eh 829 nos dice, buenas tardes, doctor Juan Carlos.Este programa, pregunta ella, ¿cierto?¿Este programa ya se ha desarrollado en otros países o se tiene proyectado implementarlo a nivel internacional?Profesor Juan Carlos, qué nos puedes eh orientar al respecto.Sí, bueno, este
idea es hm generar un sistema integral para el cuidado del paciente que que involucre tanto al doctor como al paciente como a la familia para que se lleve ese acompañamiento.Normalmente no se ha dado, no se ha dado eh este tipo de enfoque tan tan familiar en en en los dispositivos.Sí es cierto, hay dispositivos que ya leen la glucosa, hay dispositivos que incluso te mandan al celular las lecturas, te mandan estos eh hm mensajes, ¿no?De alerta y estas cosas, pero es algo más algo algo personal.No es como un un sistema como tal que involucre a la familia, al médico y a y al y al este y al paciente.Entonces, lo que nosotros estamos buscando es precisamente desarrollar un dispositivo un poco más humano, más más humano, ¿no?Más más de de de acompañamiento, no no tanto este digamos personal.Y esa es nuestra propuesta innovadora, ¿no?
De innovación.En ese sentido, entonces sería que en el momento lo tienen pues proyectado para México, ¿cierto?Más adelante tal vez le harán una proyección internacional o bueno, ahorita ahorita ahorita estamos en el en el proceso de registro.También estamos en el proceso del registro ante ante el INPI.Estamos comenzando con con la patente, entonces ya una vez que que nos resuelvan lo lo de la patente, tal vez ya lo lo llevemos un poco más lejos, pero ahorita por lo pronto las pruebas y todo para lapatente lo estamos realizando en México.Pero es un sistema que fácilmente puede funcionar en en cualquier parte del mundo sin problema.Claro, gracias, profesor Juan Carlos, por esa amable respuesta.Eh, otra pregunta por aquí de Diógenes.Dice eh, además de recopilar datos, él pregunta, ¿el dispositivo tiene la capacidad de emitir alertas o recomendaciones al paciente?Sí, sí, sí, sí.
De hecho, la red está en todo momento trabajando.Esa es la idea de de usar precisamente el dispositivo, la la Raspberry, todo en todo momento está trabajando.Se entrena este o se va a entrenar, como les digo, ahorita no tenemos el entrenamiento en la madrugada, lo tenemos por porque queremos verlo nosotros, ¿no?Queremos ver los resultados.Todo esto lo tenemos a las 7 de la tarde, pero la idea es que ese entrenamiento se lleve en la madrugada y que el dispositivo esté listo para trabajar el día siguiente.Y las lecturas que va este sacando el el reloj de las nuevas lecturas de las variables fisiológicas, vaya haciendo las proyecciones y vaya enviando las alertas médicas tanto a la familia como al al al médico este en tiemporeal.Porque el el reloj mide cada 10 segundos el una variable, bueno, las variables.Entiendo.Muchas gracias, profesor Juan Carlos.
Eh, bueno, Diógenes también nos hace otra pregunta, dice, desde la perspectiva del paciente, ¿cómo se pueden interpretar, consultar y gestionar los datos que proporciona el dispositivo?¿Tiene una lectura fácil?Okay, bueno, es que es que la la la idea que tenemos nosotros no es tanto como que formar al paciente en este como un matemático, ¿no?Como un matemático o un ingeniero, ¿no?O sea, que ellos sean capaces de leer las las gráficas de esto, no, o sea, la tecnología nos ayuda a eso.Ajá.lo que debe de hacer básicamente es mandar este un aviso, ¿sabes qué?Este en este momento vas a una posible hiperglucemia.O en este momento vas a a un paro cardíaco.Y que la persona desde antes pueda digamos hacer acciones correctivas para no llegar a a ese colapso.Porque en México normalmente las personas que son este intervenidas de la diabetes, pues son porque ya llegaron a al hospital con al con algún colapso de estos.
La idea es que no llegue.Claro.Que sea de prevención.Muy bien.Entonces eh listo.Continuando con las preguntas, profe Juan Carlos, eh Cristian Rico por acá nos pregunta, ¿en qué fundamentos o criterios se basaron para estimar el estrés emocional como un factor de riesgo para desarrollar la diabetes?
Bueno, el el estrés emocional este no necesariamente como tal este lleva a los colapsos.Hay es una combinación, es una combinación de de de diferentesdigamos momentos de las variables que que nosotros hemos trabajado.Influye influye influye mucho, pero no vamos, como tal, no lleva a estos colapsos.Entonces, sí ese es complicado, es complicado este medir este el hm el estrés porque afecta muy diferente a cada una de las personas.Entonces,
lo que nosotros buscamos es que precisamente la red o el dispositivo tenga ese ajuste a través de los datos que va enviando la persona para que que vamos, que que su condición de estrés precisamente la la pueda prevenirel dispositivo.Entonces, este sí ahí en en ese en ese aspecto es es difícilhm es difícil este
determinar, ¿no?Determinar el tanto influye pues el estrés en cada uno.Okay.

11. Preguntas finales y agradecimiento al ponente

Se responden preguntas sobre variables del modelo, validación estadística y protocolos de filtrado, y se agradece al ponente.

Ehm, gracias, profe Juan Carlos, por por sus explicaciones, por sus respuestas.Eh, aquí bueno, hay varias preguntas, son bastantes las preguntas.Eh, voy a intentar seleccionar algunas pues que tal vez nos aportan algo nuevo a lo que ya el profe Juan Carlos nos ha eh indicado, ¿listo?Nos ha respondido las demás.Entonces, por aquí hay otro otra persona nos pregunta, mi pregunta es sobre la capa de entrada del modelo.Eh, preguntan, ¿se toman también en cuenta variables demográficas y antropométricas como la edad, el el IMC para estimar estas hm complicaciones médicas?Y ligado a esto, entendiendo que el dispositivo puede ser, puede no, puede el dispositivo por sí no mide el peso de forma directa, han contemplado la posibilidad de ingresar el IMC como un dato estático estacional en el perfildel usuario para optimizar la precisión de la red neuronal.No, no no.Nosotros nos nos enfocamos específicamente en en estas cinco variables.
No no me no estamos tomando en cuenta ni la edad, este ni bueno, otras variables.De hecho, el reloj cuando ustedes extraen las bases de datos, vienen muchísimas mediciones.Entonces, nosotros tuvimos que hacer una limpieza de todas esas eh variables y y extraer exclusivamente los valores que que nosotros necesitamos según las variables que estamos trabajando.Pero sí es es un modelo que se puede expandir sin ningún problema a más a más valores, a más variables, pues.Mhm.por eh por esta ocasión, este nosotros nos estamos enfocando exclusivamente en en esa Tal vez a lo mejor en versiones posteriores, en en actualizaciones posteriores se puedan meter más más más variables, pero Okay, gracias.Gracias, profe Juan Carlos.Listo.Entonces, por aquí Catherine también nos hace, bueno, nos hace otra pregunta.Eh, estaba como más enfocada a la estadística.Nos dice así, ¿qué análisis estadístico realizaron para validar la precisión y confiabilidad de las mediciones del dispositivo frente a las mediciones clínicas de glucosa, pues que bueno, que ya se hacen, cierto?
¿Y cuántos pacientes se realizaron, en cuántos pacientes se realizaron la las pruebas?Creo que tú ya has mencionado algo.Sí.Sí, este ahorita bueno, nosotros estamos en el desarrollo del Es cierto que las mediciones, pues hm hay algunas que que se tienen que ajustar.Por ejemplo, el el caso de la la la medida de la glucosa, no es lo mismo medirlo con con un este pinchándote o un glucómetro médico que hacerlo mediante un smartwatch.De hecho, el smartwatch aproxima la la medida de la glucosa a través de los eh de infrarrojos y y detectores de de luz.Con eso este mide la cantidad de partículas que hay en en la sangre, pero es una medida, digamos, este aproximada.No no es algo algo algo médico.Entonces, este aún aún nos queda trabajo por por hacer en en ese tipo de de de cosas.Hacer los ajustes pues, los ajustes en las mediciones tanto de del dispositivo que estamos usando como los los valores médicos.
Ahorita lo que nos interesaba era el desarrollo tecnológico de la tecnología pues como tal.Este siguen la la parte de las pruebas en en campo, ¿no?Y las pruebas médicas realmente el contraste pues con con este tipo deOkay.Muchas gracias, profe Juan Carlos.Eh, profe Juan Carlos, por acá también, bueno, Gloria Moreno nos hace la siguiente pregunta eh o nos hizo la siguiente pregunta.¿Qué protocolos de filtrado utilizan para identificar y eliminar datos erróneos o mediciones que puedan afectar la confiabilidad de los resultados?Este ahorita no no no introducimos protocolos, simplemente este realizamos nuestras herramientas con Python para la extracción de de datos, de las bases de datos de la del del reloj.Entonces, los extraemos y los valores que nos salen de las variables como tal, así es como los como los hemos usado.De hecho, hay muchos este valores nulos.Hemos eh nos hemos topado en que hay ciertos lapsos en que el reloj mide ciertas variables, pero las otras las deja nulas.
Entonces, ahí pues sí teníamos que que aplicar alguna alguna metodología para para extraer digamos los los hm valores más representativos, ¿no?Para para hacer un mejor este
Vamos, para que nuestro sistema funcione mejor en las predicciones.Sí, porque eso sí mete error.Definitivamente mete error.Entiendo.Okay.Muchas gracias, profe Juan Carlos.Y bueno, ya la última pregunta para cerrar nuestra nuestra sesión y nuestra Este, entonces, como les comento, apenas vamos a comenzar con la parte de de de la patente y bueno, pues eso también lo lo tenemos que queresolver.Pero sí, hasta ahora no no hemos metido todavía el protocolo de seguridad este, pero bueno, es algo que se que se tiene que realizar.Sí, sí, sí.Entiendo.Muchas gracias, profe Juan Carlos, por por sus respuestas eh y por su tiempo.Eh, realmente pues agradecemos también su generosidad y por compartir pues con nosotros sus conocimientos y pues las experiencias eh en el desarrollo de este sistema de monitoreo y pues control de la diabetes.Eh, pues nos queda que su conferencia realmente nos invita a reconocer la importancia de integrar los fundamentos matemáticos y también vimos las herramientas computacionales, la inteligencia artificial pues para abordar eh desafíos que tienen un impacto directo en la
sociedad, en este en esta parte pues en en el área de de la salud.Y en nombre de la Universidad Nacional Abierta y a Distancia y el comité organizador del décimo seminario virtual de estadística, pues le expresamos nuestro sincero agradecimiento por acompañarnos desde México y contribuir pues al enriquecimiento de este espacio académico.Eh esperamos que esta una esta sea una oportunidad para continuar fortaleciendo el intercambio de conocimientos y establecer nuevos vínculos de colaboración académica e investigativa.Y a nuestros estudiantes, docentes y demás participantes, muchas gracias por sus preguntas y por acompañarnos en esta conferencia.Ahora eh gracias por la invitación, Freddy.Gracias a todos.Es este para mí un un honor este trabajar sobre todo en Colombia.Colombia a mí he estado por allá y y he este trabajado con algunos compañeros de allá y y siempre es un placer saludar a a la gente colombiana.
Gracias por la invitación, gracias por todo.A usted muchas gracias, profesor Juan Carlos.Bueno, estimados eh participantes, ahora los invitamos a continuar pues participando en las actividades programadas para esta segunda jornada del seminario y le damos eh eh la apertura pues a a la palabra a la profe Lady Johanna para quepueda presentarnos nuestro siguiente conferencista.Muchas gracias, una excelente tarde.

12. Presentación del taller de auditoría con LLM

Lady Johanna Botero presenta al Dr. Brian Montenegro y su taller sobre auditoría de análisis estadístico con LLM.

Gracias, profe John Freddy.Eh mucho gusto para todos.Mi nombre es Lady Johanna Botero.Eh agradecemos la presencia de estudiantes, docentes, profesionales e invitados que hoy nos acompañan en esta nueva jornada del décimo seminario virtual de estadística y probabilidad.A continuación exploraremos de forma práctica e interactiva acerca de qué dice la IA sobre sus datos, además de la auditoría de análisis estadístico con LLM.Nos complace contar con la participación de nuestro conferenciista, el Dr.Brian Anduru Montenegro, que está por ahí conectado.Dr.Brian, nos escucha?
Hola, profe, claro que sí.Hola, profe.Bienvenido.Bueno, el Dr.Brian Andrew eh es ingeniero físico y magíster en automática de la Universidad del Cauca.Tiene más de 7 años de experiencia en inteligencia artificial, ciencia de datos y automatización.Actualmente es especialista en forecasting, automatización y agentes de IA.Diseñó y desarrolló agentes y sistemas multiagente con Cloud, OpenAI y Copilot, además de backend en Python, RPA y modelos de IA generativa con PyTorch y TensorFlow.El doctor tiene experiencia en visión artificial 2D y 3D, robótica, ROS, SLAM, nubes de puntos e investigación aplicada con publicaciones en revista indexada.Ha liberado ha liderado equipos de desarrollo en el SENA, donde participó en 28 proyectos de base tecnológica y en Intelsis, Canadá.Es consultor en formulación y estructuración de proyectos de CT EL para convocatorias nacionales e internacionales.Eh, el doctor eh es docente de posgrado en los programas en nuestros de maestría y especialización en ciencias de datos.
En su trabajo combina la inteligencia la ingeniería de software, la arquitectura de soluciones de IA, la gestión de proyectos de innovación y la transferencia de conocimiento en nuestros programas de maestría y especialización en ciencias de datos.Eh, su taller lleva por título ¿Qué dice la IA sobre sus datos?Auditoría de análisis estadístico con LLM.Eh, durante esta intervención se analizará entonces el uso de inteligencia artificial generativa en el análisis estadístico, se explicarán los riesgos de confiar plenamente en los resultados generados por el los modelos de lenguaje LLM, se presentarán las arquitecturas agenticasmulticapa como alternativa para mejorar la confiabilidad.Se describirá también una estructura de cinco capas con funciones especializadas.Estas permitirán analizar, evaluar, auditar y validar los resultados estadísticos.Se abordará también la importancia del contexto empresarial y la calidad de los datos.También se explicarán las métricas y procedimientos para verificar los modelos.
Se presentará un ejemplo de pronóstico de demanda con Arima, ETS y Prophet.Se destacará la importancia de la trazabilidad, la verificación y la explicabilidad y, finalmente, se reflexionará sobre cómo estas herramientas contribuyen a mejores decisiones en la industria.Dr.Brian Andrew, agradecemos sinceramente que nos acompañe y comparta su experiencia profesional y docente con nuestra comunidad académica.Le damos una cordial bienvenida, el espacio es suyo.Bueno, muchísimas gracias.Eh, bueno, nada, yo soy sencillamente ingeniero Profe Brian, qué pena, ¿puedes activar tu cámara?Eh, listo, listo, listo.Un segundito.¿Ya ven por ahí?Sí, mi profe.Gracias.Listo, perfecto.Bueno, no, un gusto estar con ustedes el día de hoy acompañándolos.Como les decía, eh nada, soy simplemente ingeniero y me encanta todo este cuento de la programación y demás.El Dr.

13. IA en la industria y posicionamiento con LLM

Se explora cómo la IA y los LLM están transformando la industria, el posicionamiento de marcas y los sistemas agénticos multicapa.

Eh, ¿cuál es el plan, chicos?Nada, me gusta mucho trabajar academia industria eh porque considero que es un lazo que que beneficia esencialmente mucho eh a las nuevas generaciones que vienen.Siempre me ha gustado estar trabajando en los dos lados, por eso me gusta mucho estar me vinculando con diferentes proyectos que me permitan eso, estar llevando y trayendo posibilidades eh que al final simplemente me permitan traer diferentes conocimientosdirectamente del desde la industria, porque esa lejanía es lo que a veces nos nos dificulta esa incursión comercial como tal.Y, efectivamente, en ese ámbito tan grande que está sucediendo en este momento, prácticamente que estamos cambiando de paradigmas, de modelos, de visiones cada nada, cada 6 meses prácticamente en este momento.Si usted aprendió algo en este momento eh prácticamente en 3 meses ya está desactualizado, ya no hay forma de estar al tanto de todo lo que está solicitando la industria para lograrse uno estar posicionado.
Se vuelve muy difícil, si se han dado cuenta prácticamente que ese ese perfil de senior está desapareciendo porque ya nadie puede tener nadie va a decir en este momento que tiene 10 años de trabajo directamente con el LLM,es muy difícil.Tendrías que haber trabajado directamente con OpenAI y demás, pero entonces los desafíos de la industria están mudándose y están cambiándose.Y curiosamente la estadística a pesar de que es una ciencia que relativamente tiene muchos muchos años porque la estadística realmente nos la dan a todos nosotros desde desde primaria prácticamente.En bachillerato la vemos, la tocamos, pero muchas veces no nos gusta, pero cada vez causa más importancia y más en las nuevas en las nuevas eras, en las nuevas en la nueva industria que se está generando con respectoa los LLM como tal.Esta industria pues efectivamente está con un desborde gigante e incluso con un desborde monetario muy muy alto, que es donde nosotros podemos y tenemos un gran frente ahí para empezar a trabajar para poder llevar precisamente todo lo que
nosotros sabemos, pero resulta que en ese momento la industria eh no está con la sed de tener los grandes programadores eh que muchas veces nos estábamos acostumbrados a ver.Antes teníamos realmente unas eminencias en programación muy fuertes que lograban desarrollar y que desarrollaron los sistemas más grandes que ahorita están liderando el mundo.Pero para llegar a para poder lograr ese ese esparcir ese conocimiento, realmente se está pidiendo mucho que ya todos seamos estadistas, que ya no entre todos seamos programadores, que todos tengamos esa capacidad de retomar y analizar.Y de las cosas que más está pegando en la industria y que en este momento, literalmente, eh hay un hay una sed muy muy muy profunda es el lograr los famosísimos De pronto los que estén cercanos a laindustria se han dado cuenta que prácticamente por todos lados nos están hablando de los que para mercadeo, para predicciones de variaciones de volúmenes, logística y demás.
Todo prácticamente que las ciencias se han desbordado a tratar de lograr esos esa palabra clave, esa frase clave, ese momento clave donde usted pueda hacer que una industria o se dispare o una industria fracase.Pero también asimismo como está esa fuerte necesidad, se están cometiendo muchos errores en la industria y ese es el tema que más me me interesa a mí abordar en en este tipo de charlas y es cómo nosotros realmentepodemos desarrollar un verdadero De pronto el se convierte en esa palabra clave, como les decía, pero cómo llegar a esa palabra clave, cómo realmente establecer un método, una una forma de lograr a esa practicidad para que en estemomento tú puedas posicionar tu marca.Yo no sé si se han dado cuenta que en ese proceso de revolución de de de todos los nuevos frentes de programación salió algo que se llama el El viene a reemplazar lo que se llamó en su momento
el que era simplemente aquellas aquella rama de la programación que trataba de posicionar una marca dentro de todo este este flujo de datos que es en internet.Ahora más encima tenemos que posicionar no solamente desde el internet normalito que estamos acostumbrados a trabajar, sino que tenemos que posicionarlo también dentro de los LLM y ahí es donde se convierte algo una dinámica y prácticamente que yolo llamo una guerra completa de tratar de que tu tu empresa, tu foco sea totalmente visto.Resulta que dentro de los sistemas de inteligencia artificial para que ellos te posicionen a ti existen tres puntos específicos.La marca de los 15 la marca de los 2 meses y la marca de los 6 meses.Tú puedes aparecer y desaparecer en cuestión de instantes y puedes puntear o puedes simplemente que te genere tal punto de malos comentarios y demás que te vayas totalmente desde el plome, pero entonces, ¿cuál es el secreto para lograr
que el sistema te mantenga en esa posición?Que sea totalmente visible y es efectivamente poder y lograr unos verdaderos ensayos.Al final esto a pesar de que sigue siendo el el típico vamos a ver cómo nos colocamos dentro de una marca comercial, al final y el trasfondo de todo esto se basa netamente en procesos estadísticos y no losprocesos estadísticos más complejos donde teníamos modelos de inteligencia artificial que estaban totalmente dedicados exclusivamente para generar una predicción de lo de la de la más pro por llamarlo así, sino que realmente tenemos los modelos más sencillos y enrealidad los LLM en este momento trabajan sobre los modelos más sencillos para poder lograr decir esta es la marca que yo voy a colocar como primera opción para las decisiones.Y esto es un es un gran golpe para la industria en el de las diferentes empresas, por ejemplo, empresa farmacéutica, en este momento cualquier nuevo medicamento, cualquier línea, lograr la posicionar literalmente se basa en el trabajo con los
Entonces, nuestros sistemas efectivamente para nosotros poder llegar a ese pronóstico de cuál es la herramienta que debo utilizar o cuál es la metodología que debo utilizar para lograr que nuestros nuestras marcas, nuestro llegue nuestro posicionamiento a esa alturaque esperamos, se basa en poder generar y poder utilizar esa mezcla tan interesante entre el clásico y lo nuevo.¿Por qué digo esta mezcla?Resulta que ya yéndonos puntualmente a a mi experiencia dentro de de la industria, especialmente en esta parte de posicionamiento como tal, resulta que los sistemas no le va muy bien y a los agentes muy, son muy potentes, lesva genial, pero resulta que ellos tienen una característica y es que ellos empiezan a aprender cómo complacerte a ti.Cuando usted tiene su dentro de la dentro de su máquina, ellos van aprendiendo de usted, pero también aprenden a cómo hacerlo sentir a usted totalmente satisfecho.
Y en ese proceso resulta que empiezan a suceder cosas que no son muy buenas para los procesos matemáticos y estadísticos, es que empiezan a hacer algunas aproximaciones, algunas comodidades que se van convirtiendo en un problema a la horade tú generar realmente un Entonces cuando yo evalúo máquinas, por ejemplo, de algunos de los de los procesos que audito, encuentro a veces a agentes que ya están tan dedicados a hacerte feliz que realmente nunca te van adecir qué es lo que está pasando en realidad con tu proceso y tu tu tu tu marca y lo más importante, llegan a a a buscar simplemente ese modo tan cómodo para ti que realmente te empiezan a ocultarmuchas cosas.Y es necesario donde empieza, nosotros necesitamos pasar del típico del típico agente, la típica a sistemas agénticos multicapas que son los únicos que en este momento han demostrado que si ellos operan de esa forma logran romper este tipo
de paz.¿Qué pasa en los sistemas típicos cuando usted solamente hace un el que el que usted se ha acostumbrado a hacer, que incluso usted le dice el rol, que usted le dice las características y simplemente él se va avanzandohacia hacia donde usted le colocó la tarea, él lo logra y como ya te conoce, simplemente te complace en la salida.Pero si no existe un sistema multiagéntico que tenga la capacidad de trabajar evaluando esas respuestas, en realidad tú siempre vas a estar, te están mintiendo y realmente siempre te están acomodando.Los sistemas multiagénticos, recuerden que ahorita lo que nos dice la industria, lo más probable es que, como les decía, aquí a 3 meses esto está desactualizado.Nos dice que debemos trabajar con skill, con agentes y con prompts.Y, curiosamente, estos, más encima, hay que sumarle algo y son los famosísimos scripts, que es lo que nosotros trabajamos.
Entonces, los scripts típicos que permiten precisamente que usted tenga sus secuencias eh de procesos estadísticos, matemáticos y demás definidos en alguno de los lenguajes, independiente del que sea, los prompts que usted le tiene una tarea corta que nono pide y no tiene necesariamente que trabajar directamente sobre el sistema, las skills que le permiten a usted a tener una habilidad aprendida y enfocarte totalmente, y los agentes que tienen la capacidad de adoptar personalidades diferentes y eluso de las anteriores herramientas con el fin de lograr ese potencial.Y resulta que tenemos que aprender a jugar con todo eso para lograr que nuestros sistemas realmente tengan el impacto que esperamos y realmente esto es lo que beneficia a la industria total.

14. Arquitecturas agénticas multicapa

Se describen las capas de contexto, análisis y evaluación, el uso de skills, scripts y prompts para optimizar el consumo de tokens.

Como nos interesa tener esas capas eh en en realidad esta es una de las capas, tal vez la más simple de las que uno pueda llegar a obtener, porque realmente en este momento las arquitecturas hay unas arquitecturas bastantegrandes.Lo máximo que yo he llegado a trabajar dentro de mi experiencia son cinco capas en formación paralela que son bastante robustas para lograr los procesos, pero normalmente nosotros qué esperamos para iniciar un proceso de introducir un sistema agénticodentro de un sistema para lograr precisamente que trabaje de la mejor forma y se auto evalúe, es que tenga esa base de contexto.Esa base de contexto donde usted precisamente va a lograr trabajar todo lo que tiene que ver con el modelo de negocio, que tiene que trabajar definitivamente eh con toda la contextualización del entorno, incluye ubicación geográfica, eh incluye todolo que tiene que ver el contexto de país y demás.
Y curiosamente me me acordé ahorita que le estaban haciendo las preguntas al doctor que que acompañaba.Curiosamente en esta capa, en esa en esa primera capa de contexto, tiene que estar precisamente los sistemas que se encargan de hacer la anonimización de los datos.Cuando ustedes ya crecen este tipo de sistemas como el que estaba mostrando el doctor, que son sistemas muy complejos internamente matemáticamente, pero que van a terminar a estar trabajando con procesos que tienen que que ir con IA porqueahorita estamos prácticamente incluyendo todo, siempre tienen que colocar ustedes una capa previa exclusivamente basada en código para que pueda hacer ese proceso de limpieza.Entonces mire que a pesar de que la IA está evolucionando tan fuerte, las restricciones nosotros tenemos que seguir las trabajando y seguir estructurando esas arquitecturas que permitan proteger a las personas.Recuerden que una IA tiene la capacidad de llegar hasta tener el juicio completo de decirte esa persona es la que hay que sacar o esa es la persona la que no está funcionando dentro del sistema y eso viola
totalmente las leyes.Entonces esa primera capa de contexto siempre puede ser de dos formas muy muy diferente y es que Python controla al a la IA o la IA se encarga de llamar simplemente los scripts.Y esa arquitectura tan básica es la que nos permite tener una base de contexto realmente procesada, a más de que posteriormente lo que hacemos es simplemente ya organizar estos sistemas para que permitan tener esos análisis y esos análisistotalmente limpios.En las capas ya de de análisis, perdonen, me paso por acá.ahí.En las capas de análisis, lo que nos vamos a encontrar específicamente es que es donde más tenemos que aprender a manejar muy bien precisamente esta etapa de los agents, de los skills, de los scripts y de los prompts,porque los agentes nosotros los diseñamos para que tengan la capacidad de llamar totalmente esas skills, pero una skill normalmente nunca le pedimos que llame un agente al menos de que sea llamada por un skill skill master como tal.
Estos procesos que que de pronto suenan un poco raro, al final lo que estamos terminando es tratando de generar una arquitectura basada en un agente máster que se encargue de llamar al resto para lograr esos análisis limpios.Una de las características que tienen los agentes versus las skill y esto funciona para Copilot, para Claude y para OpenAI es que los agentes se ejecutan en forma paralela.Como nuestro computador tiene, por llamarlo así, un agente porque el el hecho de toda la interacción que tú haces diaria él empieza a forjar y a formar un comportamiento para tratar de adaptarse a su mejor a su formade trabajar contigo.Recuerden que ellos están acostumbrados a lo que tú le ordenas y ellos te dan.Te van conociendo cuál es la herramienta que más te gusta, cómo te gustan las que está diseñando, cuáles son los procesos matemáticos que normalmente utilizas, cuál es el lenguaje que tú utilizas para poder te entender más fácil.
Eso incluye muletillas, incluye todo el proceso de análisis eh que permite que él te entienda de ahí en adelante.Normalmente cuando uno utiliza por primera vez una herramienta de LLM le parece a uno como medio torpe, pero mediante va uno interactuando con ella, ella se adapta totalmente.Resulta que ella hizo el proceso de aprendizaje.Entonces tenemos, por llamarlo así, ese agente que vive en nuestro computador, en nuestra cuenta al final, que cuando nosotros le decimos trabájame con un agente, él se sale totalmente de ese entorno y dice, yo entro en un entornototalmente libre, totalmente eh eh sin contexto y dame ahora sí la posibilidad de trabajar.Cuando le damos esas posibilidades y le abrimos totalmente la el ajuar de herramientas como tal, lo que vamos a lograr es que la gente va a tener la posibilidad de llamar todas las herramientas posibles que tú tengas, las
famosísimas skill para que puedan ejecutar.Las skill pueden llamar a script como tal con el fin de lograr que esa arquitectura sea lo más limpia posible.Hay dos cosas ahí importantes.Una ¿a quién no se la ha reventado una cuenta de Claude, una cuenta de Copilot?Más encima ahorita eh con los nuevos cambios de las formas de cobros, es bastante difícil y es muy y es es muy es muy fácil romperlas y es muy fácil alcanzar los límites, porque normalmente tú no le pidesque maneje los procesos como como debe ser.Ahora, si tú le pides a la gente que simplemente se dedique a hacer los procesos que por Python tú los puedes realizar, en ese momento estás quemando token definitivamente y sin nada más.Que es la recomendación que se maneja normalmente en en la industria en este momento.Vamos creando a partir de las necesidades que tengamos diferentes skill que nos vayan permitiendo organizar esos procesos metódicos que usted que usted ya tiene, pero no solamente cree las como skill de código puro, sino que llámelas a partir
de script y utilicen script, que eso es lo que nos eh como tal los token dentro del proceso.Todo este sistema lo que al final va a lograr es una compensación token velocidad, porque no es lo mismo generar una predicción en base solamente en el LM, va a ser mucho más demorada a cuando yo la realizosolamente a partir de script de Python como tal.Una de las herramientas que yo más trabajo es que la gente se encargue de organizar los datos en estructura no más, no tiene que tocarlos, el script que se ejecute y posteriormente la gente que lo revise.Otras cosas que son muy importantes de manejar dentro de los analizadores y evaluadores, los agentes que se encargan de ello son los formatos como tal de salida.Dentro de los formatos de salida nos va a permitir precisamente validar esos márgenes de errores, llegar a tener esas esa viabilidad de que si el agente detecta que el sistema no tiene la no ha llegado el punto como
tal de de ese mapeo pues que normalmente estamos buscándolo por debajo del 10% él vuelve a inicializar el proceso.Y ahí viene un proceso que más ha servido mucho, especialmente en las empresas que buscan precisamente aplicar en sus sistemas basado con inteligencia artificial.Entonces, normalmente uno va y se encuentra que las personas están utilizando el arrastrado directamente desde la gente como tal, que toma todas las decisiones, escoge el modelo, hace sus predicciones y lo que resulta es que al final tenemossimplemente un sistema que no es el más óptimo y lo peor, que no genera los buenos resultados.Pero es porque estamos haciendo el mal uso de la herramienta.¿Qué pasa cuando nosotros logramos simplemente aprovechar el uso del LM para que nos ayude a calibrar todos los valores del sistema?Si yo calibro todos los valores basado en un contexto como tal, lo que yo logro es que mi agente me dé esos valores lo más preciso posible para tratar de extraer las las características mejores de la predicción que
yo voy a generar.Recuerden que muchos de los parámetros, y en el caso de los modelos eh de de capas, de los hiperparámetros, que me permiten a mí tener esa predicción lo más fiel posible y con la mayor con fiabilidad y conel menor eh y con el menor rango pues de error como tal, se basa específicamente en poder calibrar esos esos parámetros.Y muchas veces esos parámetros los escogemos simplemente basados en algunos procesos que no toman el contexto.Esa es una de las características de los LM que más podemos potencializar.Y es que si yo le digo a él que analice y que evalúe los parámetros en base al contexto antes de aplicárselo al sistema de de generación, lo que vamos a lograr es que el sistema se ajuste muchomás fácil y mucho más práctico.En este momento también eh de cierto modo en la parte de han salido en algunas otras herramientas puntuales que están permitiendo basar toda la predicción con el contexto completo que aún está muy en modelo prueba.
Google tiene por ahí algunas, pero que funciona más o menos parecidas.La diferencia es que ellos sí tienen motores pues muy potentes que nos que al final van a generar la predicción basada totalmente en un contexto de los de los de la historia que tengan ellos ya guardadas, que susbases de datos pues son muy amplias.Pero dado que no podemos acceder normalmente a esto, este es el método que hemos logrado y en varias realmente en varios procesos prácticos dentro de varias industrias que ha logrado el mejor resultado.Hacer que el LM haga el análisis del contexto, nos genere los parámetros basados en el análisis del contexto y esos son los que metemos a Python y esperamos la respuesta como tal y logramos realmente la reducción del mismo.Ahí viene una pregunta que normalmente uno se encuentra mucho en la industria y es cuántas veces la iteración tiene que llegar para lograr reducir ese mapa.
Uno si ni siquiera realmente la cuenta si la coloca en modo loop, que es simplemente estar en ese ciclo infinito, lo que va a lograr es que el sistema queme una vez toquen de forma exageradamente eh en esepunto o que simplemente lo limitemos, ya sea por el límite de número de ciclos o por el número del porcentaje del error.Si nosotros colocamos los dos, logramos una configuración buena, pero si nosotros más encima le decimos que evalúe de nuevo el contexto y a partir de ello recalcule los parámetros cercanos a lo que ya logró extender, lo que yalogró eh generar, lo que vamos a lograr es que el sistema se ajuste mucho más hacia ese criterio.

15. Modelos ponderados y medición de visibilidad

Se explica el uso de modelos ponderados para predicciones, la medición de visibilidad de marca en LLM y el contraste con Python.

Normalmente siempre le vamos a estar pidiendo al al sistema que nos ayude uno a perfilar y y a lograr determinar y detectar ese tipo de cosas ya hablando muy hacia hacia la industria que no conoce mucho de laparte de de revisión de esos procesos de DL que que eran fantásticos y estuvimos en en varios en en su pico hace alrededor ya va a ser tres añitos como tal, pero que pues por el proceso de evoluciónde la industria se ha como dejado un poco un poco al lado, pero sin embargo que siguen siendo muy importantes como tal,
nuestras posibilidades de generar.Yo tengo que acostumbrar a mi sistema que tenga la capacidad de detectar la calidad y a partir de esa calidad de esos datos me pueda predecir realmente cuál es ese rango que yo puedo generar.Aparte de eso, una de las cosas que me ha parecido más interesante es que en los modelos uno normalmente ya no escoge el modelo que que uno le guste o que que considera conveniencia.Lo más fácil qué es?Colocarle una serie de parámetros, en ese caso a partir ya de de casos de uso como tal y lograr que más encima del sistema tenga varias posibilidades para poder generar esa predicción.En algunos de los casos que he trabajado en la industria de lo que más ha logrado impacto es lograr sacar un modelo ponderado.Cuando nosotros normalmente tenemos algunos algunos eh modelos para generar predicciones que nos ayudan a sacar la parte estacional, otros modelos que nos ayudan a mejorar sacando la tendencia y cuando nosotros hacemos el ponderado de estos modelos a partir
del error como tal y le damos un peso a partir del error, lo que logramos es que se que se logre encontrar la mejor tendencia más ajustada y normalmente con la con el mejor intervalo eh para lograr esapredicción como tal.Lo que buscamos en ese caso es es tratar de que el modelo no solamente nos prepare los datos, sino que el sistema LM más encima nos ayude a escoger la mejor la mejor posibilidad.¿En qué nos ayuda a ahorra muchísimo y en qué nos ahonda esta parte?Y es que muchas veces era muy difícil el consumo de máquina porque teníamos que dejar modelos muy fuertes trabajando mucho tiempo y al final no era mejor el la mejor eh la mejor predicción era realmente la mejor posibilidad.Esto ha gustado bastante en la industria porque ha acercado mucho lo que es el poder obtener resultados realmente que sean útiles.
De cierto modo lo que busca la industria en este momento es poder acercar la estadística a las personas que lo necesitan a diario sin necesidad de entrar a hacer procesos demasiado extensos.Porque como les decía, como nos gusta que todo sea muy rápido, el poder evaluar de este modo nos facilita el nos facilita el poder seleccionar modelos, nos facilita poder aplicar efectivamente una arquitectura como tal.Al final pues se nos convierte en todas estas en como en esta práctica de que vamos a tener siempre unas capas, vamos a tener unos modelos dentro de los opcionados y al final lo que vamos a buscar esque simplemente el proceso logre trabajar sin llegar a colocar riesgo en ninguna cita, ninguna fuente que sea delicada como tal para los usuarios.
Esta necesidad pues efectivamente lo que busca es que tú puedas tener diariamente dado que prácticamente que los mercados se han acelerado en muchos sentidos, podamos tener diariamente insight que nos permitan generar acciones y que nos permitan tomar decisionescomo tal.Esto pues obviamente se le está aplicando, se le está generando inyectando muchísimas muchísimo dinero con el fin de lograr generar esos insight de valor y los insight de valor no se generan solamente con un agente que está trabajandolimpiecito o con un solo prompt, sino que se genera cuando tú logras estructurar estas arquitecturas agenticas como tal.Siempre vamos a permitir que esas capas trabajen incluso las las sesiones de pruebas como tal.Nos vamos vamos a buscar que siempre el LM ya sea el que controla Python o Python controla de una forma muy interesante que nos ha sacado en las últimas en las últimas semanas, porque hay muchos eh eh existe
eh muchos modelos que han salido literalmente estamos a 2 meses casi que salieron y es poder trabajar los sistemas embebidos como tal.Ahora lo que se está llevando mucho es que cuando yo hago el embebido de la gente del LLM como tal me permite a mí eh poder trabajarlo directamente y aislado también.Sin embargo, no lo hace a partir de una API como lo estábamos trabajando de la forma clásica, sino que nos lo trabaja a través directamente de una embebido del sistema, que es directamente la gente que está trabajando enla máquina, extraerle y colocarlo para que él tenga la capacidad de utilizar ya todos los modelos que están procesándose en ese momento.En este caso, por ejemplo, a veces utilizamos de los environment para que almacenen todo esto, extraigan el modelo, lo trabajen y ya en nuestro ambiente tenemos los diferentes modelos y los diferentes posibilidades para hacer predicciones o cualquier funcionalidad
que requiramos como tal.El El ciclo el ciclo agentico al final se va a estar siempre alimentando de una forma eh bastante fuerte y en realidad nos mantiene en una evolución constante porque si nuestro sistema logra empezar a autoevaluarse, auto autogestionarse, loque vamos a empezar a que a darnos cuenta es que él empieza él mismo empieza a crear eh subsistemas para poder mejorar lo que va sucediendo.Normalmente nosotros siempre lo colocamos a que evalúe en de forma temporal para que él vaya evaluando la evolución que tienen los los diferentes resultados que va teniendo y él mismo vaya autogenerando los nuevos script que se vayan adaptandoa las necesidades.Y eso es un sistema unas medidas que hemos eh perdón, una una arquitectura que hemos trabajado mucho esencialmente en la parte de farma, porque la a partir a pesar de que la farma tiende a tener pues una estacionalidad
bastante fuerte por el hecho de que normalmente no cambia tan fácil, es, sin embargo, la tendencia del mercado todo el tiempo está solicitándonos que generemos nuevas cosas, nuevos nuevos cambios dentro de toda nuestra apariencia para lograr mantenernos posicionadosdentro de la marca ¿Qué es lo que trae al final todo esto como beneficio?Lograr tener una estadística pura porque siempre la base va a ser tener la estadística que ya conocemos, que ya está trabajando, pero manejada con contexto, verificada y que nos genere una acción y recomendación debidamente para el para lala el caso que estamos trabajando.Dentro, por ejemplo, del del como tal que que veníamos hablando al inicio, esto se ve a partir del la diferencia entre lo que sucedía en la forma clásica como veíamos los textos a la nueva forma como se estáestructurando a pesar de que la de que las medidas tienden a ser exactamente las mismas.
Cuando tú, por ejemplo, una de las prácticas y una de las formas de hacer precisamente el es que tú coges varios modelos de que tengan sistema web o que no lo tengan dependiendo de tu tema de interés, loque haces es que empiezas a hacerle preguntas directamente a ellos donde vas buscando que ellos te den diferentes respuestas, diferentes respuestas en diferentes enfoques.Por ejemplo, si yo tengo eh quiero mirar la el posicionamiento directamente de la universidad, lo que yo voy es a preguntar sobre la sobre sobre eh la eh sobre las carreras, en este caso directamente la universidad, puedo preguntarsobre los programas más próximos, por ejemplo, generados eh y que están más actualizados a las necesidades del mercado en este momento.Y puedo preguntar, por ejemplo, cuál es eh las nuevas necesidades y cómo está variando el empleo en este entorno y cuál es la universidad que más está logrando posicionarse.
Esto lo que estamos haciendo ahí es preguntarle a ciegas, por eso es muy importante trabajar sobre sistemas que están totalmente aislados.Cuando yo le pregunto a ciegas, vamos a poder mirar realmente cuál es mi visibilidad basado en la medición de algunos parámetros.La otra opción para generarlos, que es para poder mirar la favorabilidad, lo que hacemos es que le preguntamos si mi universidad específicamente, por ejemplo, la Universidad UNAD, cómo se ve a partir del pensum establecido y cuál es lanecesidad que tiene en este momento la industria.¿Cuál es la posibilidad de conseguir empleo si tú sales de tal universidad?¿Cuál es la posibilidad de lograr eh ascensos rápidos si hago eh cierta especialización de tal universidad?Ese tipo de preguntas lo que nos va a generar es mirar la favorabilidad, qué es lo que está sucediendo detrás del LM, cuánto ha aprendido.Recuerden que, como le decía, esto tiene unos ciclos y si tú dentro de los últimos 60 días has logrado posicionarte, lo más probable es que vayas a tener una buena favorabilidad.
Pero, sin embargo, si tu si tu manejo no ha sido el mejor, lo más probable es que se vaya ir cayendo poco a poco.¿Qué es lo que buscamos entonces medir con este tipo de preguntas?Es lograr intentar entender cuál es la visión que está teniendo eh netamente los los los sobre sobre ti.Por eso nos dice muy importante qué dicen los datos realmente de ti, qué es lo que está pasando.Lo bueno es que este tipo de herramientas llegan ya no solamente a las páginas base, no solamente van a preguntarte a lo que dices tu página principal, sino que entran a foros, entran a todo lo que tiene quever con publicaciones, tiene que entran directamente a lo que tiene que ver con eh información que hayan publicado en blogs y demás.Y eso le permite a él tomar una decisión.Aparte de eso, nosotros le hacemos un contraste.
¿Ese contraste en qué se basa?Yo, qué es lo que estoy diciendo en mis redes y en mi página versus lo que está pasando y lo que está apareciendo como tal, como a mí cuando a mí me buscan dentro de un sistema del LLM.Esto puede variar mucho dependiendo de los lenguajes que del del modelo que yo seleccione.Recuerden que, por ejemplo, en el caso de OpenAI tenemos los nano, tenemos los mini, tenemos los pro, que cambian, por supuesto, su forma de interactuar y su forma de hablar con el fin de lograr precisamente ese foco quepueda estar eh que tienen ellos cada uno de los modelos.Pero, sin embargo, normalmente ellos comparten algunas bases de lo que es el entrenamiento que recibe el modelo como tal.

16. Caso práctico de posicionamiento en farma

Se presenta un caso real de mejora de visibilidad y favorabilidad de marca farmacéutica usando arquitecturas agénticas.

¿En qué se diferencian de como lo hacíamos clásicamente?Asimismo, Python realiza este tipo de de de averiguaciones, pero la diferencia radica esencialmente es que los modelos interpretan de forma diferente lo que se está percibiendo.Mientras que Python está basado en el entrenamiento neto a partir de una cantidad de simplemente palabras que le fueron establecidas y tienen una puntuación, los modelos como tal ellos hacen un análisis y tratan de buscar siempre un ganador.Ese es como uno de los de las características que hace que sea diferente la puntuación a la hora de buscar sobre el yo y generar esa estructura que me permita a mí tomar decisiones para que quede totalmente posicionadoy posicionarla de la mejor forma.¿Qué es lo que pasa en ese en ese momento?El agente que debe estar buscando eso normalmente es un agente lo que lo estructuramos, nos va a permitir enfocarlo un poco más hacia diferentes hacia diferentes puntos, mientras que Python utilizaba simplemente una comparación eh independientemente del tema que
se estaba hablando.Cuando nosotros utilizamos un agente, lo que nosotros vamos a encontrar es que la gente como va a estar enfocado sobre el punto, la decisión de quién es el el el competidor ganador, porque normalmente siempre se presentan varias opciones,va a ir variando respectivamente dependiendo de cada una de estas características.Por eso era que hace rato le preguntábamos no solamente diciendo el nombre del del foco que necesito, sino también le preguntamos diciéndole, simplemente manteniendo los fantasmas en ese caso el el foco de la interacción.Simplemente lo buscamos eh el enfoque en base a una pregunta basado hacia un objetivo.Además de eso, normalmente nosotros para poder evaluar le cambiamos el tipo de interpretación que le que se le debe dar a la a la a la pregunta que se está generando, dado que nos interesa también determinar dependiendo deldiferentes tipos de usuario cómo me está viendo la marca y cómo me están viendo a mí en ese punto.
Lo que sucede es que entonces la interacción va a variar porque él determina el agente cuando está cuando yo le hago la pregunta dice y trata de determinar qué tipo de persona soy, si soy una persona del común,si soy una persona especializada, si soy una persona que está demasiado preparada en el tema y a partir de ello establece un tipo de respuesta hacia mí.Y asimismo hace la interacción con las bases de búsqueda y asimismo filtra sus procesos internos para darme una respuesta.Cuando nosotros establecemos estos rangos, lo que vamos a empezar a medir es yo a qué tipo de público le puedo estar llegando a partir de la variabilidad de las respuestas que está generando los diferentes LLM.Y esto cuando lo analizo lo que me va a generar es un espectro del público, incluso edades, porque el cuando uno busca tipo de de de generalidades, lo que va tratando de generar es el lenguaje adecuado para que
me detecte que es una persona joven, el lenguaje adecuado para que es una persona de edad y así yo creo los prom que se están generando para empezar a evaluarlo como tal.Al final todo esto yo lo puedo volver y retribuir totalmente en un sistema de de estadístico clásico.Miren que no no entramos a a utilizar las grandes eh fórmulas de cierto modo que que se que que normalmente ya estamos acostumbrados a manejar, sino que volvemos a las clásicas y a las básicas que nos interesan parapoder determinar el comportamiento.Un simple promedio, simplemente vamos a buscar qué tanto estamos posicionados, si fuimos los primeros que nos nombraron, si estamos dentro del rango de las primeras 250 palabras, si estamos en el rango de las primeras 50 palabras, son rangosque normalmente se buscan para determinar cuál es mi posición, cuántas veces se repite, por ejemplo, eh eh mi marca específicamente dentro de un texto y cuántas veces se se repite versus los textos de los demás.
Son comparativas que se van haciendo y además de eso el tono con que fue creado, pero no el tono clásico, sino basado en un enfoque.Si yo estoy en el en la parte estudiantil, normalmente yo le voy a pedir que basado en el entorno académico, cuál es esa percepción que tienen y eso va a variar con respecto a los modelos clásicos.Al final todo esto lo que me va a poder a mí dar permitir es simplemente determinar cuáles son las acciones que yo en las que yo voy a programar a mi sistema, a mi arquitectura para lograr que miarquitectura misma empiece a generar los suficientes eh publicaciones, los suficientes movimientos en redes, los suficientes movimientos en todo mi espectro para generarme y poder posicionarme dentro de una marca como tal, de lograr que simplemente logremos llevemos nuestra marcahasta el punto que permita siempre estar dentro de las preferidas de todo el el entorno como tal.
Esto es algo que se está utilizando bastante.Por ejemplo, dentro uno de los resultados, literalmente ahí traigo basado en un caso eh específico de Pharma que es que lo hemos estado trabajando bastante.Iniciamos cuando hicimos la primera prueba, cuando hicimos el primer barrido eh exclusivamente eh logramos una visibilidad del 15%, realmente estaba muy bajo.Lo que pasaba era que sus primeros estudios, los principales estudios en realidad, eh estuvieran prácticamente inaccesibles.Hicimos los barridos, en este caso para Canadá, hicimos los barridos para Brasil eh y Colombia.En el caso de Brasil había una menor eh influencia, estaba por alrededor del 11% y lo que sucedía era que eh prácticamente que la marca estaba totalmente inexistente.En Canadá había un poco más de conocimiento sobre ella, pero sin embargo estaba muy muy inexistente.En cuestión de favorabilidad, normalmente en en en Brasil estaba por alrededor del 50% mientras que en Canadá está alrededor del 62% en ese en ese momento.
A partir de todo ese trabajo que se inició, lo que hicimos fue crear una arquitectura completa que se encargara de generar las respuestas para el tipo de público.Generamos una página que funciona totalmente está trabajando en este momento, que funciona automática y a partir de la variación de estos de de las preguntas que se van generando, él va modulando las respuestas y las preguntas basadas, porsupuesto, en datos real porque está basado totalmente en un rack de información de la marca que va permitiendo que todo el tiempo se genere y se actualice esa información.Lo que hemos lo que hemos logrado encontrar en estos 4 meses que lleva el proceso eh trabajando completo es que la marca ha ido logrando posicionarse más, logrando que casi en este momento dentro de la visibilidad logremos aumentarmás o menos 10 puntos como tal en el caso de Canadá, ocho para el caso de Brasil, y en la favorabilidad sí hemos aumentado alrededor de 15 puntos casi que a la par para los dos países.
Que eso parece parece poquito, pero eso se ve directamente relacionado como la marca es aceptada dentro de las clínicas, como la marca es utilizada dentro del ecosistema con el fin de que logremos, por supuesto, un mayor punteo enventas como tal.¿Qué significa esto?Que muchos de los procesos que ahorita eh muchas empresas en realidad todavía están haciendo a mano, eh que incluyen los procesos de marketing, que incluyen los procesos de visibilidad, que incluyen los procesos de análisis completo, es muy buenollevarlo a estos sistemas mixtos porque el sistema efectivamente él está internamente a partir de lo que ve, le entregan los LLM, hace una proyección, hace el modelado de la predicción, eh basa, por supuesto, todo un LLM que seestá encargando de mantener el contexto y se actualiza con lo que se va generando en las páginas de posicionamiento y con ello logra generar una predicción a partir de la de la predicción de diferentes respuestas que se van
que se van colocando dentro de la página, lo que él va intentando es modelar la posibilidad y el cambio de esa visibilidad y favorabilidad y esto se ejecuta literalmente cada semana porque es, como les digo, no es unmercado que cambie tan exageradamente rápido, pero con ello vamos logrando obtener esa curva hacia arriba que ha ido poco a poco posicionando al sistema.Literalmente esto lo maneja una persona que no tiene eh mayor experiencia en la parte de programación, que eso es una de las de las cosas importantes, y lo más interesante es que siempre va a haber una etapa dondeel humano tiene que seguir eh haciendo y tomando y aprobando las decisiones.A pesar de que los sistemas y el y el sistema en este momento está trabajando con 14 agentes todo el tiempo eh verificando, posicionando, logrando que que el que el trabajo sea totalmente eh autónomo, por llamarlo así, pero
con todo ese potencial que tiene, el el humano siempre va el final generando su su su aporte, porque la experiencia que él tiene es muy alta en su área y eso es algo que también me importa a míeh llevar de mensaje prácticamente que en todo lado donde se va.Es cierto, la inteligencia artificial se nos convierte en una herramienta de mucho potencial, le está brindando al usuario todo un estadista, le está brindando al usuario todo un sistema de web scraping que se está encargando de medirlo, teestá te está generando al usuario la prácticamente que en este caso trabajamos con 25 LLMs que están se están se están haciendo los requests y es una potencia muy grande porque es tener un equipo gigantesco a tu favor,pero al final la decisión total de los insights siempre la va a tomar él que le permite y al final a pesar de que está toda esta arquitectura, la obra maestra de lograr subir ese insight es obra de
él.Entonces, nada, me gusta mucho siempre tener presente ese mensaje de que a pesar de que la IA está tan fuerte, seguirá creciendo y seguirá explotándose muchísimo, siempre el humano va a ser el que va a estar ahí lograndometer su genialidad que por ningún lado lo logran realmente la IA.En realidad, muchos de los agentes que están construidos de este sistema es basados en charlas con ellos, una de la de las técnicas que nosotros utilizamos eh para lograr hacer la adopción de la forma como la persona ehhace sus procesos para tratar de llevárselos a la gente.Nos juntamos, charlamos, cuéntame el proceso, qué haces, todo normalmente eso se hace grabado para evitar estar detrás de la persona con un papel y posteriormente le colocamos a un a un agente que se encargue, ahí sí ya tenemostambién nuestras arquitecturas, que se encarga de hacer el análisis completo de la conversación y lograr extraer esa metodología que hemos tratado de de de que el usuario nos cuente un poco.
No significa robar el conocimiento del usuario, para nada, significa simplemente extraer toda la parte operativa que él está haciendo, que hacía normalmente porque ese era su trabajo y que se encargue solo y exclusivamente eh para la de lagenialidad que yo le llamo y es que usted con su conocimiento y su y y toda su experiencia logre pegar muy fuerte.Eh, cosas que me gustan, se logra eh mejorar mucho la la calidad de la vida de las personas cuando uno aplica este tipo de sistemas en cualquier área eh para que ellos ya no se presionen por la parteoperativa, sino que sigan siendo la mente más fuerte pensante en ese punto, por eso no nos podemos volver eh creyentes de que la IA nos soluciona todos eh todo y absolutamente todo en este punto.Eso era lo que quería conversarles un poquito, simplemente la IA en la industria y cómo está evolucionando y cómo es el papel nuestro.

17. Preguntas sobre agentes y auditoría de IA

Espacio de preguntas sobre aportes desde ingeniería de sistemas, seguridad de agentes y coordinación multiagente.

Muchas gracias, profesor Brian.Eh, pues es un placer haberlo tenido acá con nosotros el día de hoy.Gracias también pues por su tiempo, su generosidad y valiosos conocimientos compartidos eh pues durante el día de hoy.Eh, abrimos entonces ahora un espacio para las preguntas, un espacio de 10 minutos.Bueno, entonces eh por acá tenemos una primera pregunta de @ Jani Paola Chaverra Correa.Dice, ¿qué aportes podemos realizar desde la ingeniería de sistemas al desarrollo de la inteligencia artificial para generar un impacto significativo en la sociedad en el futuro teniendo en cuenta la temática presentada?Sí, una de las una de las de las características que que curiosamente se necesita todavía estudiar muchísimo y es precisamente la estructuración eh de agentes, de convertir todo el proceso que hace las las personas en en esa enesa estructura agéntica como tal, a pesar de que eso hm ya está dando de cierto modo bastante boom y aparecen muchas cosas, al final prácticamente que cualquier caso de estudio se te vuelve se te vuelve algo totalmente diferente.
Eh, y lo bueno es que como tú ya entiendes todo lo que es el sistema lógico, el análisis lógico como tal, tú puedes lograr realmente eh entrar, prácticamente que nos volvemos al al principio de la programación, pero yacuando nos enseñaban por diagramas de bloques, literalmente lograr entender muy bien los procesos eh eh desde ese punto ayuda mucho y realmente en eso son muy buenos los que están trabajamos todo lo que tiene que ver como desarrollo.Aparte de eso, eh a pesar de que es todos estos sistemas funcionan muy bien, para ser sinceros, toda la auditoría sí se ha se debe hacer manual, porque como les decía, ellos se van acostumbrando a lo que túle estás pidiendo, a lo que tú quieres, a lo que tú necesitas eh y te empieza a mentir un poco.Y solamente cuando tú montas realmente bien un protocolo de auditoría, logras determinar eh qué es lo que está pasando, si se están violando reglas de la compañía o reglas de protección de datos, si realmente está utilizando los procesos
matemáticos debidamente.Y esto sí, créeme que realmente todavía se hace total prácticamente a mano porque es la única forma de que el no se dé cuenta que tú lo estás eh forzando y que tú lo estás vigilando totalmente para poderpara poder detener toda esa esa característica que puede estarse pasando como tal.Gracias, profe Brian, por su respuesta.Tenemos otra pregunta que formula Gustavo Empir.Él dice, ¿qué factores pueden llevar a un sistema de inteligencia artificial a ejecutar un ciberataque o actuar por fuera de las normativas y restricciones que se le han establecido?Hm, pues bueno, uno eh es definitivamente las capacidades con que tú lo con que tú lo generes.En este momento hay algo que se aplica mucho cuando ya se lleva un sistema agentico a a producción, por llamarlo, que es aplicar el y el En ese punto, cuando tú normalmente inicias a desarrollar, tú creas el agente,
por llamarlo así, libre porque le estás todavía midiendo hasta dónde va a llegar, tratando de de encasillar.Cuando tú ya montas un sistema completo y aplicas lo que haces es decirle y crear ciertas reglas que él ya no puede tocar, que él ya no puede variar.Si tú le dices tú no puedes modificar archivos que se encuentran en tal carpeta y se encuentra dentro de ese proceso, lo limita totalmente.Entonces siempre va a haber el misterio porque eh efectivamente a veces de vez en cuando y en algunas de las de las de los procesos que hemos realizado recibimos eh eh normalmente algún de seguridad porque se intentó modificarun archivo, porque se intentó extraer una información, porque se intentó eh generar ese ese ese punto crítico ahí.Lo que hacemos es aplicarle ya y sobre él eh prácticamente que la gente queda como con todas las las ramas y con todas sus habilidades para poder trabajar, pero encerrado como en una cajita que nos ayuda a proteger
precisamente los datos sensibles, cuentas y demás que no lleguen a salir como tal.Exacto, muchas gracias, mi doctor Brian.Tenemos una tercera pregunta de Franky Gutiérrez 88, él nos dice, cuando se trabaja con varios agentes especializados de inteligencia artificial, ¿cómo se logra que todos compartan la misma información y mantengan coherencia en los resultados que genera?Normalmente lo que uno hace es que la gente master crea un hilo principal, que es donde se está trabajando.Como les decía, los agentes trabajan de forma paralela, entonces tú los activas para que ellos trabajen de forma paralela, pero hay siempre una una evaluadora al final que se encarga de esperar las respuestas de los demás.Entonces todos ellos te van a confirmar con un literal, con un check okay, y te devuelve la la salida.Solamente cuando se logra todas esas esos esos valores eh es que tú puedes procesar las siguientes.
La parte de trabajar con agentes en paralelo es muy interesante porque curiosamente hay unos eh que toman decisiones diferentes en cuestiones de los momentos que te van a dar esa esa alternativa, pero cuando tú creas ese agente centralmaster que tiene ese línea donde tu dato les vas a decir, todo lo que tú produzcas lo tienes que llevar allá, lo que generas es como como un agente que está haciendo la versión eh de simplemente coordinar todoel proceso.Y ellos como pueden alimentarse, entonces lo que les va resolviendo un segundo agente lo pueden utilizar para alimentarse ellos mismos y mejorar su respuesta.Al final de todo siempre cogemos el evaluador, el que dice ya ustedes llegaron al punto necesario, ahí si tenemos que establecer unas métricas que les dicen a ellos logramos el puntaje del 90% basado en estos criterios eh ycon ellos ya logran salir del sistema, porque si no ellos entran en un ciclo infinito que o sea del consumo de token eh realmente al final eh pueden no dar la mejor solución, a veces pensar demasiado tanto ya
los simplemente los empieza a sesgar como tal.

18. Preguntas sobre herramientas y arquitecturas

Se responden preguntas sobre herramientas óptimas, integración de plataformas, ciclo PHVA y personalización de agentes.

Gracias eh doctor Brian.Tenemos una cuarta pregunta de @sebastianpardo5977.
Él nos pregunta cuál considera que es la herramienta más adecuada o con mayores capacidades para realizar este tipo de análisis en los que se procesan grandes cantidades de datos y se busca obtener resultados los más precisos y confiablesposible.Eh bueno, de pronto ahí la la pregunta está orientada a dos a dos lados.Eh por un lado lo que lo que yo les decía de siempre los agentes para lograr precisión, que estén realmente ubicados, enfocados y nunca nos vayan a alterar un resultado matemático, eh siempre basarlo ya sea en un scriptde Python o o JavaScript o alguna lenguaje de su preferencia donde ustedes les guste programar, eh que se encargue literalmente del de la cuenta matemática, del proceso matemático, ahí si utilizamos las las herramientas que normalmente nosotros estamos acostumbrados,normalmente por eh la interpretación es Python es el lenguaje que uno más utiliza y ellos les queda más cómodo trabajar sobre Python.
Eh sin embargo C Sharp y demás que lo hemos utilizado en algunos diseños de videojuegos también lo hace muy bien para para generar precisamente la vectorización pues de todo el entorno y demás.Eh, pero nada, es difícil decirte cuál es la mejor herramienta porque cada herramienta tiene su potencial más fuerte, cada herramienta tiene su su característica especial, así como lo hace uno, por ejemplo, a la hora de selecciones de basesde datos.Hay algunas que son más cómodas a las con Postgres, algunas por las velocidades y demás.Eh, entonces nada, toca ahí necesariamente dentro del espectro, dentro del objetivo que tienes sobre el proyecto, decidir cuál es la herramienta más óptima.Procesamiento de datos normalmente yo me voy por por Python como tal.Y dentro de los sistemas agenticos algo que a mí me ha funcionado muy bien para los procesamientos es colocarle siempre un agente extra que está fuera del entorno.
¿Qué es lo que yo hago?Le coloco un evaluador, por ejemplo, en OpenAI sobre una arquitectura creado totalmente en cloud.Como OpenAI es un elemento diferente en toda su estructura, arquitectura y demás, él genera observaciones y características totalmente eh a veces en contra, a veces diferente, y solamente cuando ellos dos se logran encontrar bien es que ahí lepermito que la gente me supere.Entonces, de no ser cualquiera de las dos opciones son las que las que yo manejo.Gracias, Dr.Brian.Entonces ahí pues esa es su recomendación.Sin embargo, pues tener en cuenta lo que lo que nos menciona también depende como del objetivo de del estudio y donde yo me siento también pues un poco más cómodo, ¿verdad?Bueno, tenemos una quinta pregunta de Diego Chacón 433.Él nos dice, actualmente, ¿cómo podemos conectar o integrar redes neuronales o de agentes provenientes de diferentes plataformas de inteligencia artificial para que trabajen de manera conjunta?
Normalmente lo que se está manejando ahorita es muy mucho con el CP eh en algunos proyectos, incluso en un proyecto que se está trabajando ahorita que tiene esa característica precisamente que es un sistema que requiere eh varias herramientasincluidas de las comerciales, porque es un sistema eh de voz multiagéntico, pero estamos tratando de llevarlo a un nivel un poco más arriba de lo que de lo que se busca con la con la parte de charlas ytodo lo estamos conectando por NCP.Lo que hemos hecho es que hemos creado pequeños módulos con diferentes eh características.Por ejemplo, está el módulo de memoria, está el módulo de selección del mejor equipamiento porque es un sistema que se encarga de recomendar equipamiento a partir de las características que le va dando la persona y lo que hacemoses que tenemos diferentes servidores.Entonces, esos servicios todos están conectados por NCP y NCP lo trabaja de forma muy cómoda, muy nativa y se convierte prácticamente que en una conversación entre el el agente máster que está trabajando y los demás que están ayudando
a procesar la información para poder precisamente mantenerla en tiempo real, que es una de las cosas más difíciles, que lograr mantener esa conversación con el usuario es muy complejo, por lo que hay que manejar en información y hasido como el método que más nos está funcionando ahorita.Es una arquitectura prácticamente nueva que estamos probando, pero nos ha gustado el funcionamiento puntual.Muchas gracias, doctor Brayan.Por acá tenemos una sexta pregunta de Carlos Alberto Guaichar Zavala.Él nos dice, dentro del proceso de desarrollo, ¿es posible aplicar el ciclo planear, hacer, verificar y actuar, PHVA, de manera simultánea con estas tecnologías o su implementación podría quedar limitada al utilizar sistemas de inteligencia artificial?
En esta parte de la de la arquitectura, dependiendo de los casos eh como les decía, normalmente uno eh se encuentra con un con con algo que en donde no se ha implementado.La idea siempre es traer de extraer el proceso como está sucediendo en este momento, como lo hace la persona y ahí te vas a encontrar que a veces se nos parecen a las arquitecturas clásicas o a veces literalmentetenemos que ser muy novedosos, porque resulta que la persona tiene una forma diferente, tiene una forma única de hacer su proceso y para nosotros lograr porque al fin y al cabo la inteligencia artificial lo que busca es imitarlo mejor posible al humano, tenemos que tratar de explorar y extraer todo esa esa esa arquitectura.Entonces, por eso es que incluso si ustedes van a la literatura, a pesar de que hay planteadas unas unos conceptos y unas herramientas básicas de arquitectura, la conclusión al final es usted puede llegar a encontrarse y con que
tiene que hacer mezcla de estas arquitecturas.Mientras que en la programación clásica nosotros ya sabíamos que nos vamos por esta arquitectura, nos vamos con este con esta forma y la manteníamos y la protegíamos incluso durante todo el ciclo.En este caso, por las necesidades de tratar de imitar el ciclo humano, el proceso humano, nos vamos a encontrar que nos vamos a encontrar y tener arquitecturas mixtas de cuánta forma se se te pueda ocurrir prácticamente.Vale, doctor Brian, muchas gracias.Tenemos una siguiente pregunta de @electronica para todos 9841.Dice, para desarrollar un modelo de inteligencia artificial propio y especializado en una temática específica, ¿es posible modificar o adaptar un agente de inteligencia artificial que ya exista?Sí, claro que sí.En realidad hay varias el hay varias alternativas.Una de las que se ha estado utilizando mucho hasta hace poquito, pero ha venido como en declive, que es el fine tuning como tal.
Eh, otra es simplemente tener el modelo basado en RAG totalmente y a partir de reglas realmente es muy intuitivo porque siempre va va con va va a ir directamente a al RAG a lograr hacer ese proceso de vectorización.Es como los dos modelos que más se utilizan.En este momento más eh por RAG como tal que que el fine tuning porque el fine tuning llegó a tener sus problemas a la hora de entrenarlo porque tocaba tener muchos datos para lograr un un un un buenmodelo que trabajara que trabajará a fondo.Entonces, ahorita vectorial es como lo que más más está pegando para lograr esa personalización.Y lo hace muy bien, en la parte vectorial le puedes generar, puedes alimentar un mismo modelo con varios con varios sistemas vectoriales y puedes incluirle comportamiento, palabras, conocimiento, todo lo que se te ocurra a ti con que quieras
caracterizar a ese a ese sistema lo puedes hacer a partir de sistemas vectoriales.Dr.Brayan, muchas gracias.Bueno, creo que hasta ahí podemos cerrar con la sesión de preguntas.Pues gracias por sus respuestas, su presentación pues nos demuestra con claridad la importancia de no confiar ciegamente en los resultados que genera la inteligencia artificial.En nombre de la organización del décimo seminario virtual de estadística y probabilidad le expresamos nuestro sincero agradecimiento por acompañarnos y enriquecer este encuentro académico.A todas las personas asistentes, muchas gracias por su participación activa en el chat y por acompañarnos en esta sesión.Les invitamos a continuar participando de la próxima ponencia eh y que tengan una excelente tarde.Adelante, profesor Luis Enrique.

19. Presentación del semillerista Juan José

Luis Leiva presenta a Juan José Perdomo y su ponencia sobre modelamiento de riesgo financiero mediante cópulas.

Buenas tardes, profe Lady, ¿cómo estás?Muy buenas tardes a todos los asistentes.Eh mi nombre es Luis Enrique Leiva Morantes.Principalmente agradecemos su asistencia y importante, chicos y chicas, realizar el proceso de registro que ustedes se encuentran ahí cada uno en el chat.Bueno, a continuación veremos una presentación de los semilleros que hacen parte de ciencias básicas para que cada uno de ustedes esté pendiente y tome nota y a futuro nos pueda acompañar así como han hecho sus compañeros en estatarde de hoy.
Listo, muchas gracias, ingeniero.Bueno, siguiendo con el décimo seminario virtual de estadística de la UNAD dedicado a la inteligencia artificial y ciencia de datos, en este espacio conoceremos una experiencia de investigación formativa que aplica herramientas estadísticas a un problema de mercado colombiano.Nos acompaña Juan José Perdomo Tovar, estudiante de último periodo académico de ingeniería electrónica de la UNAD e integrante del semillero de investigación Matías del CEAD Neiva.Su ponencia se titula Modelamiento del riesgo financiero a través de cópulas, una aplicación al mercado colombiano.Juan José nos explicará cómo se analiza la dependencia entre las acciones de Bancolombia y Ecopetrol y por qué importa saber si sus caídas tienden a coincidir al estimar el riesgo del portafolio.Juan José, bienvenido.Muchas gracias por acompañarnos en la tarde de hoy.Tiene la palabra ahí.Puede habilitar cámara y micrófono, por favor.Muy buenas tardes, ¿cómo están?
¿Me escuchan?Sí, te escuchamos, Juan.Eh, puedo empezar a compartir.
Eh, ¿ahí están viendo?No, todavía no, Juan.Listo, ya te estamos viendo, ya puedes ahí ampliar la diapositiva, por favor, please.Muy buenas tardes.Mi nombre es Juan José Perdomo Tovar, soy estudiante del último periodo académico de ingeniería electrónica de la UNAD e integrante del semillero Matías del Neiva.Hoy presento el trabajo modelamiento de riesgos financieros a través de cópulas, una aplicación al mercado colombiano.La pregunta que guía la ponencia es es sencilla.¿Qué cópula describe mejor la dependencia entre Bancolombia y Ecopetrol y cómo se traduce en una estimación de riesgo?
Primero explicaré problemas y los objetivos, luego presentaré los datos y cómo usamos las cópulas para simular pérdidas, después veremos qué modelo obtuvo el mejor ajuste, cómo interpretar las medidas de riesgo y que quede por validar.Cerraré con una breve referencia a mi experiencia en espacios de investigación.

20. Cópulas y dependencia entre acciones

Se explica el problema de dependencia entre Bancolombia y Ecopetrol, el teorema de Sklar y los criterios AIC y BIC.

Problema.El riesgo es una posición conjunta depende de lade cada activo y de cómo se mueven ambos.Y como habíamos indicado anteriormente, la pregunta guía que nos orienta hacia este proyecto fue qué cópula describe mejor la dependencia entre Bancolombia y Ecopetrol ycómo se traduce en una estimación de riesgo.
En el mercado bursátil se negocian títulos como acciones, bonos.Cuando una empresa emite títulos puede captar recursos.Cuando los inversionistas intercambian títulos ya emitidos, el mercado les facilita comprar y vender sus posiciones.Para esta ponencia nos interesa un problema concreto de quien compra acciones para medir el riesgo de mantener dos activos al mismo tiempo.
Fijémonos en los dos escenarios de ilustración, Bancolombia y Ecopetrol, que una es cada cae cae en una vez cada una en ambos casos.A la izquierda la caída ocurre el mismo día y sus efectos acumula el portafolio.A la derecha ocurre en días distintos.Vista por separado, las acciones registran el mismo número de caídas.Lo que cambia es la forma en que coincide y esa diferencia importa para medir el riesgo diario.En ambos escenarios, Bancolombia y Ecopetrol caen una vez cada una.Lo que cambia en sí en las caídas coinciden.Esas coincidencias es un ejemplo del tipo de dependencia que una cópula permite modelar para estimar el riesgo de tener ambas acciones en un portafolio.Si Bancolombia y Ecopetrol caen el mismo día, ambas pérdidas se suman en el portafolio.Ese día la cópula ayuda a estimar qué tan probable es que esa caída coincida.
Una cópula es una función que combina la distribución individual de las variables para describir cómo se comportan juntas.En estos gráficos simulados, cada punto reúne un rendimiento de Bancolombia y una de Ecopetrol.Los valores individuales son los mismos en ambos paneles.Cambian la manera de emparejarlos.Observen los puntos amarillos cuando Bancolombia presenta sus rendimientos más bajos.Y Ecopetrol puede registrarse valores igualmente bajos o valores en otra parte de su distribución.
El objetivo general fue aplicar modelos de valor en riesgo basados en cópulas para medir el riesgo de mercado.Para ello se planteó estimar la dependencia entre los activos, calcular el VAR y el TVAR mediante simulaciones y contrastar el comportamiento con un modelo TSCM GARCH.Estos objetivos conectan el ajuste estadístico con las estimaciones de las pérdidas del portafolio.El teorema de Sklar nos permite separar los componentes.En la fórmula F sub 1 y F sub dos describen el comportamiento individual de las variables.La C representa la cópula y reúne esa información para contribuir la distribución conjunta con la distribución de pérdida.El VAR identifica un umbral y el TVAR resume la pérdida promedio en la cola.La figura muestra la idea con un nivel de confianza del 95%
El informe trabaja con Bancolombia y Ecopetrol y señala que la cotización procede de Yahoo Finance.En la discusión se reporta un periodo desde septiembre del 2021 a septiembre del 2022.Primero se revisaron los cierres y sus transformaciones.Después se llevaron las observaciones a una escala con mediante rango y se ajustó cinco familias de cópulas.Con simulación de Monte Carlos se generaron para dependientes se transformaron a la escala de las variables y se combinaron las posiciones para estimar el riesgo.El DCC GARCH se exploró como contraste dinámico.
El AIC y BIC comparan el ajuste de los modelos teniendo en cuenta cuántos parámetros utiliza.El AIC aplica una penalización fija por parámetro.En BIC esa penalización depende del tamaño de la muestra.Si los modelos usan los mismos datos y sus verosimilitudes son comparables, buscamos el valor más bajo.Más adelante veremos cómo se ordenan las cópulas candidatas con estos criterios.

21. Resultados del modelo de cópulas

Se presentan los resultados del ajuste de cópulas, los valores de VAR y TVAR, y el contraste con DCC-GARCH.

Con estos criterios.
Eh, el AIC perdón, el AIC y el BIC ¿qué modelo se ajustan mejor?El AIC, criterio de información de Akaike y el criterio de información bayesiano.Sirven para comparar modelos.Ambos premian el ajuste de los datos y penalizan el número de parámetros.Cuando los modelos ajustan a los mismos datos verosimilitudes son comparables.Se prefiere el valor más bajo de cada criterio.El aplica una penalización fija para por parámetro y el bit la penalización aumenta por tamaño de muestra.En su estudio pueden usar los para comparar las cúpulas gaussiana de y Si ambos criterios favorecen a esto respalda su elección entre las cúpulas comparadas.La capacidad del modelo para pronosticar pérdidas aparte con datos fuera de muestra.Veremos primero el ejemplo hipotético.Un bar diario del 95% de 2 millones de pesos indica que según el modelo alrededor del 5% de las pérdidas diarias superarían ese umbral.
Un te bar de 3 millones y medio es la pérdida promedio dentro de estos 5% de escenarios más desfavorables.El responde a otras preguntas como cambian la volatilidad de cada acción y correlación entre sus rendimientos a lo largo del tiempo.Bar y te bar.¿Cuánto podría perder el portafolio?El bar nos indica el el umbral de pérdida para un nivel de confianza y un horizonte determinados.Ejemplos hipotéticos a 1 día al 95% un bar de de 2 millones de pesos colombianos significa que según la el modelo alrededor del 5% de las pérdidas diarias superarían este monto.El te bar valor en riesgo de cola también llamado
que indica la pérdida promedio en la fracción de escenarios más desfavorables.El ejemplo hipotético de un de 3,5 millones significa que dentro del peor caso el 5% de los escenarios la pérdida diaria promedio sería de ese monto, no superior.
Aquí observamos las estadísticas de los cierres que recoge el informe.Los los ispogramas ayudan a ver la forma de cada serie, la tabla, resumen, la dispersión y la la simetría.Como series están en escalas distintas.Una desviación estándar mayor en los cierres por sí sola es insuficiente para establecer cuál acción tiene rendimientos más volátiles volátiles.
Las familias diferentes en la forma de representar extremos en la especificación que muestra la tabla.Clayton tiene dependencia en la cola inferior, Gumbel en la superior y en ambas.La captura Gumbel usó un parámetro de 1,981 y reporta una dependencia de cola superior cercana a 0,581.Para interpretar ese extremo como una pérdida o como un rendimiento alto debemos identificar primero qué variable entra al modelo y cómo está orientada su escala.En la en el comparativo final Gumbel obtuvo el más bajo, aproximadamente menos de 180,36y el más bajo, aproximadamente menos de 176,83.Por eso dos criterios fue la opción preferida entre las familias evaluadas.En este caso el siguiente paso es revisar cómo se traduce ese ajuste en estimaciones de riesgo y no sensibles a los
Esta tabla reúne cifras del VAR a un día reportada en las discusiones y en las capturas de del informe.El 99% por ejemplo la discusión muestran menos de 38 millones punto ocho punto dos 27 pesos.Mientras que la captura con marginales normales muestran menos de 34 punto 978 punto 652 pesos.La captura VAR al 99% con marginales normales muestran menos de 32 punto nueve 32 punto 543 pesos.Son cifras reportadas en salidas distintas.Antes de presentarlas como montos de pérdidas comparables debemos reproducir el cálculo y comprar los los pesos del portafolio.Las marginales las convenciones de signo.El ajuste DCC de orden uno uno reportan 252 observaciones.En este enfoque GAR estima como cambia la la volatilidad de cada activo y ese actualiza la correlación condicional entre los rendimientos.La imagen muestra un corte de esa correlación.El informe señala limitaciones de la especificación probada y plantea explorar otros órdenes por lo que el contraste debe leerse dentro del alcance de los modelos utilizados.
El principio resultado fue un La comparación por AI y para este par de activos las cifras VAR varían según la imagen, las marginales y la salida consultadas, así que el primer paso es reproducir el cálculo con una convenciónde signos explícita.Luego corresponde comprar si los umbrales pronosticados se comportan como esperamos en datos fuera de nuestra.En la siguiente diapositiva explicaremos cómo estarían esta comprobación.

22. Validación y experiencia del semillerista

Se explica la validación fuera de muestra y Juan José comparte su experiencia de tres años en el semillero Matías.

La La propuesta consiste en comparar cada pérdida observada como el par pronosticado el día anterior.Si la pérdida supera el umbral, registramos un excedente.Para un bar el 99% esperaríamos en promedio una frecuencia cercana a 1 2 %.En 250 días esto es equivalente a 2,5 excedencias esperadas.Es un promedio teórico, no conteo observado.También revisaremos si las excepciones se agrupan en determinados periodos.
Referencias.El trabajo parte del informe de de Iván Morantes, Ospina Oviedo y Salazar Cedeño.Para los fundamentos de cópulas se apoyan en Nelson y para su aplicación en riesgos financieros en An.En el trabajo de modelo debe ser sobre medida de riesgo mediante cópulas.Antes de de terminar la explicación de este trabajo también fue algo que me gustaría como explicar es que nos eh la explicación de este proyecto y la ejecución de este proyecto también nos ayudó a ver el impacto quetenían la bajada del precio, pues ya que tuvimos las dos grandes empresas de ingresos en Colombia que es Bancolombia y Ecopetrol.Eh también nos dimos cuenta que muchas veces cuando el peso colombiano bajaba eh para Ecopetrol no significaba gran pérdida, pero cuando Ecopetrol bajaban en la valorización del petróleo para Bancolombia sí era una gran pérdida.Ahorita les contaré mi experiencia como ponente.
Eh empecé hace ya 3 años.Empecé exponiendo este proyecto desde un principio.En estos tres años que he estado como ponente en el semillero Matías he logrado grandes avances, grandes cosas.He estado en movilidades internacionales, he estado en movilidades nacionales.Eh, he podido aportar un granito de arena al semillero y a diferentes proyectos que hemos podido ir desarrollando en el transcurso de los años.Ha sido una experiencia que muchas veces muchas personas se pierden por no saber qué les espera o por el temor a hablar o por el temor a a salir, a desarrollar un proyecto.En estos tres años he logrado hacer unas siete ponencias.Y en este momento estoy realizando una movilidad internacional que se está desarrollando en Perú.La estamos realizando de manera virtual y en diciembre, empezando diciembre, se espera poder viajar a una movilidad que se va a desarrollar en la Unión Europea.
Eso serían todas las experiencias que he tenido en en mis participaciones.
Mayor riesgo financiero que podemos tener como estudiantes es no adelantarnos a invertir y dejar conocer lo que el mundo nos genera.Muchas gracias.

23. Preguntas sobre riesgo financiero y cópulas

Espacio de preguntas sobre prototipos, generalización, selección de Gumbel, diferencias VAR/TVAR y experiencia en el semillero.

Bueno, Juan, muchas gracias por tu ponencia.Eh, el caso que acaba de presentar pues muestra por qué importa estudiar cómo se mueven juntas las acciones al estimar el riesgo del portafolio como los acabas de decir EcoPetrol y BanColombia.Eh, entonces es importante pues tener en cuenta que eh el análisis de estas de estas noticias base con base pues a Yahoo Finance que es lo que nos ha, lo que ha permitido, pues, el hacer el proceso deanálisis.Bueno, ahora abrimos el espacio de preguntas.Si tienen alguna inquietud o comentario, pueden eh compartirlo por el chat que aquí los estaremos leyendo.
Bueno, nos pregunta acá Voy a leer acá textualmente.SebastiánEh, 03R.Este desarrollo tecnológico académico presenta una un gran potencial para convertirse en un prototipo o tangible.¿Qué perspectiva futuro crees que puedes encontrar en ese prototipo?
¿Señor?¿Me podrías volver a repetir la pregunta, por favor?Listo.Pregunta @ Sebastián Sebastián Saldarriaga 03R.Este desarrollo tecnológico y académico presenta una gran un gran potencial para convertirse en un prototipo o tangible.¿Qué perspectiva eh a futuro crees que puedes encontrar en ese prototipo?
En este prototipo buscamos estimar el riesgo de un portafolio con acciones de Bancolombia y de Ecopetrol.Eso también lo podemos hacer tomando otras empresas diferentes, pero en este caso quisimos escoger las dos más importantes que en el momento son para Colombia que es Ecopetrol y Bancolombia.Para hacerlo es importante cuánto puede caer cada acción por separado y qué tan probable es que ambas caídas al mismo tiempo las cúpulas no permiten incorporar esa dependencia del cálculo al riesgo.Okay, Juan.Bueno, Juan, cuéntanos eh qué aporta el semillero Matías a su formación para presentar un tema como el riesgo financiero ante públicos de distintas disciplinas.La verdad me ayudó bastante porque cuando yo ingresé al semillero Matías siempre fue con el miedo de querer empezar un proyecto de cero, porque pues cuando uno está en un semillero o está en este mundo de investigaciones unono sabe ni cómo iniciar ni cómo empezar a hacer una propuesta.
Cuando ingresé al semillero Matías con el docente Luis Leiva eh él me explicó paso a paso cómo era el desarrollo, fuimos recolectando los datos hasta que poco a poco fuimos llevando el desarrollo del proyecto.Bueno, Juan, por acá tenemos otra pregunta.Esto, la cúpula Gumbel eh observamos que obtuvo de los mejores valores de AIC y BIC.Eh, ¿qué te faltaría para comprobar, para saber si si también pronostica bien las pérdidas?
Gumbel obtuvo los menores valores de AIC y BIC como lo acaba de decir recientemente, lo que le favorece en el ajuste a los datos eh analizados para evaluar su capacidad de pronóstico, primero verificaremos cómo se definieron las pérdidasy qué pesos se usaron en el portafolio.Luego calcularíamos el VAR diario con información disponible hasta el día anterior y lo compararíamos con las pérdidas observadas fuera de la muestra de ajuste.Para un VAR al 99% esperaríamos que las pérdidas superaran el umbral que es acerca del 1% del día.También revisaríamos si esas operaciones se concentran en ciertos periodos.
Bueno, Juan, por acá nos pregunta eh @Viviana Sánchez Ramírez, ¿se puede generalizar el resultado a todo mercado colombiano?
Sí se puede generalizar a todo el mercado colombiano, pero se tendría que ver a qué a qué empresas podríamos hacer la comparación.Teniendo en cuenta que esto lo realizamos con los datos de Yahoo Finance, podríamos obtener a cualquier mercado colombiano.Bueno, tenemos acá otra pregunta.Eh, ¿cómo fue su vinculación al semillero y qué consejo le daría a cada una de estas jóvenes generaciones e integrantes de la UNAD?Eh, de pronto a nuestros estudiantes externos que tengamos acá que quisieran iniciar en su proceso de investigación.Eh, la verdad mi vinculación al semillero fue algo que se dio de la nada por lo que yo no lo esperaba, yo no estaba buscando eh participar en ese momento de ningún semillero.En ese momento una profesora con la cual eh había visto una materia de mi carrera, ella me estaba ayudando en algunas materias a en explicaciones y eso.
Ella sabía cómo llevaba pues mi promedio de calificaciones, cómo iba, entonces ella fue la que se comunicó personalmente conmigo y me ofreció la oportunidad de ingresar al semillero Matías.Y pues que y que les recomiendo a las personas que ingresan a estudiar o que están estudiando, no se pierdan la oportunidad de vivir la experiencia de de estar en un semillero, de empezar en un semillero, en investigación,en proyectos.Al principio se queda pena porque pues a mí al principio las primeras ponencias fue algo que me costó demasiado, el nerviosismo me costaba muchísimo al exponer, hasta que poco a poco fui perdiendo esa pena al hablar en público,le fui cogiendo más confianza.Y poco a poco he ido a través de eso consiguiendo lo que hasta hoy he logrado.
Bueno, aquí nos pregunta @ladyvanesacortesramos2486
¿qué aporta DCC GARCH al análisis?¿Qué te aporta ahí para el análisis que realizaste?¿Qué aporta?La parte de GARCH estim estimula el cómo cambia la la volatilidad de cada acción.La parte DCC estima cómo cambia la correlación entre sus rendimientos a lo largo del tiempo.En la ponencia se presentan como un contraste que permite preguntar, por ejemplo, si la relación entre Bancolombia y Ecopetrol se intensifica en periodos de alta volatilidad.
Bueno, por acá nos pregunta eh ¿por qué seleccionaron la cópula Gumbel?
¿Por qué seleccionamos la cópula Gumbel?Porque era la que mejor nos acercaba a los resultados que nosotros esperábamos.
Okay, bueno, entonces tenemos acá otra pregunta.Eh,
¿por qué analizar rendimientos en lugar de comparar directamente los precios de las acciones?Nos pregunta acá Sebastián Saldarriaga guion 03 R.
¿Por qué analizar en vez de las acciones?Pues como sabemos nosotros en cuando hablamos financieramente nosotros no podemos irnos de una vez a los riesgos, sino es que debemos primero estudiarlos para empezar a ejecutarlos.Por lo menos un ejemplo, eh digámoslo con las monedas digitales que hay a día en día.Nadie se va a a comprar una acción en estas monedas sin estudiarlas o sin o sin mirar sus avances, si ha bajado o ha subido.
Bueno, por acá nos hacen acá otra pregunta.Eh
Y se nos dice acá, bueno, ¿cuál es la diferencia entre el VAR y el T VAR?Si nos puedes recordar ahí de pronto que lo explicaste ahí al inicio.¿Cuál es la diferencia del VAR y el T VAR?El VAR indica un umbral de pérdida y el T VAR indica la pérdida promedio en los escenarios más desfavorables.En en el ejemplo hipotético de las presentación, un VAR diario al 95% de 2 millones de pesos indica que cerca del 5% de los escenarios supera su umbral.Un T VAR de 3 millones y medio indica cuánto se perdería en promedio entre esos de ese de ese peor 5%.
En el ejemplo más hipotético, el T de VAR en este en este explicación tiende a tener un poquito más de pérdida el VAR, perdón, que el T de VAR.Bueno, tenemos acá otra pregunta.Eh ¿cómo compararían si el VAR pronosticara, digamos, bien su proceso?Ya que nos acabas acá de responder acá la diferencia entre el VAR y el T VAR.¿Cómo compararíamos si el VAR pronostica para cada para cada día?Con la pérdida que se observó ese día usando datos fuera de la muestra de ajuste, cada vez que la pérdida supere el umbral registraríamos una excedencia.Para un VAR al 99% esperaremos una frecuencia cercana al 1%.También revisaríamos si las excedencias se concentran en determinados periodos.La presentación, esta comprobación se plantea como un trabajo futuro.
Bueno, por acá nos preguntan eh si Gumbel eh modela la cola superior.¿Cómo puede servir para estudiar pérdidas?¿Cómo te serviría para estudiar las pérdidas?Depende de cómo se definió la variable.Si modelamos rendimiento, las caídas extremas están en la cola inferior.Sí, modelamos pérdida con valores positivos, las pérdidas más grandes están en la cola superior.Por eso, antes de afirmar que Gumbel captó caídas simultáneas, hay que verificar qué variables se entró al modelo y cómo se transformó.Listo, bueno, por acá nos pregunta @David Santiago Naranjo Rivera, ¿cuál fue el problema que buscó resolver el estudio?
Como lo dije finalizando la presentación, el problema que intentamos evidenciar en este estudio fue qué tanto afectaba a Bancolombia la pérdida con el bajón de de petróleo de Ecopetrol.Y también al revés, qué tanto afectaba la valorización del peso colombiano a Ecopetrol.Listo, Juan.Bueno, vamos eh acá para que ustedes puedan motivarse, puedan evidenciar nuevamente los semilleros que nosotros acá tenemos para que cada uno de ustedes puedan eh tomar apuntes, ya que nos están preguntando constantemente sobre ellos, entonces eh vamos ahacerles nuevamente una breve transmisión sobre esos semilleros para que ustedes estén atentos y así como Juan puedan lograr inscribirse.
Pues, te agradecemos Juan por tu intervención.Muchas gracias.

24. Presentación de Germán Galeano en seguros

John Freddy presenta a Germán Galeano, analista de pricing en HDI Seguros, y su conferencia sobre IA en tarificación de riesgos.

asistentes.Eh, con esto cerramos la participación de nuestro estudiante semillerista Juan José y damos paso al siguiente espacio de programación del décimo seminario virtual de estadística.Eh, a continuación viene nuestro profesor y compañero John Freddy Losada con nuestro siguiente ponente.Hola, estimados participantes, docentes, profesionales invitados que nos continúan acompañando.Eh, muy buenas tardes nuevamente.A continuación exploraremos cómo la estadística, la ciencia de datos y la inteligencia artificial contribuyen a resolver desafíos concretos de la actividad aseguradora.En particular, conoceremos cómo el análisis del riesgo y de los datos permite fundamentar decisiones de tarificación con componentes implicaciones con importantes implicaciones técnicas y de negocio.Nos complace contar con la participación de nuestro ponente nacional, Germán Andrés Galeano Ortiz.Él es profesional en matemáticas con énfasis en estadística y magíster en estadística aplicada y cuenta con experiencia en los sectores financiero y asegurador.Actualmente se desempeña como analista senior de pricing de seguros generales y vida en HDI seguros en la vicepresidencia técnica y la gerencia de pricing.
Su labor se centra en los productos de de copropiedades y eh mediante análisis de renovaciones y calibración de tarifas a partir de indicadores como la siniestralidad y la prima técnica.Asimismo, participa en el análisis y la cotización de negocios de grandes cuentas conocidos como integrando criterios estadísticos, técnicos y comerciales para apoyar la toma de decisiones.Su conferencia lleva por título ¿Hasta dónde puede la IA ayudarnos a ponerle precio al riesgo?Y tiene estadística, ciencia de datos e inteligencia artificial en seguros.A lo largo de esta intervención comprenderemos como los datos históricos se convierten en decisiones de tarifa y como modelos predictivos y las técnicas de aprendizaje automático pueden complementar las herramientas estadísticas tradicionales.También tendremos la oportunidad de reflexionar sobre aspectos fundamentales como la interpretabilidad, la estabilidad de los modelos y su coherencia pues en el riesgo asegurado.Germán, agradecemos sinceramente que nos acompañes y nos compartas tu experiencia profesional con nuestra comunidad académica.
Te damos una cordial bienvenida, el espacio es tuyo.Adelante.Muchísimas gracias, John Fredy, eh por la invitación.Igual pues para para todo el comité de organización organizador del seminario unas gracias.Eh, ya entonces les empiezo a compartir la presentación.
Me confirman si pueden ver mi pantalla, por favor.Sí, Germán, la vemos.Puedes darle modo presentación.Gracias.Listo, entonces como bien lo dijo John Freddy en su presentación, eh hoy les traigo una charla acerca de cómo puede la IA ayudarnos a ponerle precio al riesgo, un enfoque desde seguros.Ya llevo más cerca de 2 años trabajando en HDI Seguros y pues actualmente hacemos parte de la vicepresidencia técnica en la gerencia de Generales y Vida.Vamos a tener una pequeña agenda, vamos a tener un marco, vamos a hablar un poquito de cómo es el mercado colombiano, unos referentes europeos, vamos a ver ese panorama en ese sector asegurador.La idea es tener un enfoque de lo que he venido trabajando en los últimos más o menos 8 10 meses, que sería los las copropiedades y cómo sería esos riesgos que tenemos dentro de las copropiedades.Vamos a presentar eh hoy en día de qué hablamos de un amparo y cuáles serían esas variables de análisis.
Igualmente la idea es que a partir de la IA eh podamos construir un modelo de precio, cómo podemos estimar ese precio de una copropiedad, qué tanto pagaría de prima según sus riesgo su riesgo y su evaluación de riesgoy finalmente pues daremos algunas conclusiones sobre los hallazgos del modelo.Aquí vamos a presentar unas hm vamos a hacer énfasis en una base simulada, entonces las conclusiones pues de pronto no van a ser tan disientes como tener una base real.La base simulada se puede asemejar mucho a unos riesgos eh pues reales y pues con ello pues podemos hacer algunas conclusiones.

25. Mercado asegurador colombiano y referentes

Se analiza el mercado asegurador colombiano, su penetración frente al PIB, comparación con Europa y motores de crecimiento.

Listo.Listo, entonces mercado colombiano y referentes europeos.¿Qué se ve hoy en día en el mercado colombiano?Hoy eh podemos emitir, hay una prima emitida, o sea, lo que se paga hoy en el mercado colombiano, estos son cifras de Fasecolda.Para el 2025 tenemos alrededor de 61.1 billones de pesos.De esos 61.1 billones de pesos, alrededor del 27.6 billones se pagan en reclamaciones durante eh este año, durante el año pasado, perdón, 2025.Eso refleja más o menos un 45% de la prima emitida se paga en siniestros.Podemos ver también cómo ha venido creciendo desde el 2021 con una variación eh acumulada del 72.6, pasamos de tener en el 2021 un una cifra de 35.4 billones a tener 61.1 billones.El crecimiento real para 2025, un comparativo con 2026, fue un 3.5, aquí se le quita el efecto inflación, por eso lo vemos en un 3.5.
El crecimiento real es un un 8.9 y una cifra que me parece interesante eh para mostrar es ese 3.3% que le habla hablamos hoy de penetración del seguro frente al PIB nacional.Eso quiere decir que hoy eh más o menos lo gastamos un 3% los colombianos del los ingresos que tiene la nación.¿Cómo sería Colombia frente a unos referentes europeos?Esta cifra era importante o la tenía superimportante para poder comparar frente a otros mercados.Este 3.3% hoy nos muestra que tenemos un una penetración más alta que Polonia, pero frente a otros países un poco más desarrollados, muchísimo más desarrollados como España, Alemania, Francia, Reino Unido, eh pues estamos aún muy bajos dentro deesa penetración.Tenemos unos retos importantes eh también por cumplir.Hoy estamos 3.3 eh por ciento por debajo del promedio de la OCDE para 2025 y pues nada, esa eso evidencia oportunidades para fortalecer la cultura del aseguramiento, desarrollar soluciones adaptadas a las necesidades de la población y en específico
hoy en día eh me pregunto si pudiese Colombia ampliar el aseguramiento.Hoy somos muy adversos o en general Colombia hm no mide tanto el riesgo o sus personas eh no miden tanto el riesgo hoy.Podemos comprar un vehículo o bueno, algunas personas pueden comprar un vehículo de segunda y no lo podemos asegurar.Decimos, no, nosotros no nos vamos a chocar, no no nos va a pasar nada.Eh, es importante medir ese riesgo y poder validar y y proteger el patrimonio.Hablando hace unos días con un compañero de trabajo eh nos hacíamos una pregunta filosófica.El seguro no es algo tangible, ¿cierto?O sea, como ir tú a comprar unas naranjas y consumírtelas.El seguro hoy te protege en algo futuro que quién sabe si va a suceder o no va a suceder, pero estás amparando una necesidad, estás cubriendo un riesgo.Entonces hay unas oportunidades de crecimiento para poder incrementar ese 3.3 que tiene Colombia frente a su PIB.
Hoy se está hablando de microseguros, poderles llegar a toda la población, tener una mayor cobertura, unos seguros inclusivos.También se está hablando hoy de unos seguros paramétricos.Estos principalmente se dan en la protección climática y en el agro es proteger el cultivo eh de persona en determinado municipio.Digamos hoy, yo soy del Tolima, nosotros tenemos producción de arroz.Entonces ese seguro paramétrico hoy eh le podría cubrir la producción que él tendría eh de un lote determinado de arroz.Y eso estaría cambiaría un poco el panorama de un seguro normal.Entonces hoy se está hablando de esos seguros paramétricos para poder hacer ese crecimiento del 3.3.¿Cuáles serían esos motores de crecimiento?Estamos hablando de innovación y analítica de datos, expansión en seguros de vida y salud y pues una mayor inclusión y educación financiera.El reto no es crecer en prima, sino que ampliar esa protección a personas y hogares y empresas.
¿Listo?

26. Copropiedades y amparos de seguros

Se explican los amparos obligatorios y adicionales para copropiedades, incluyendo incendio, terremoto y responsabilidad civil.

Siguiente.Vamos a hablar ahora sí con un enfoque eh más específico.Vamos a hablar de las copropiedades y sus riesgos.Hoy es relevante hablar un poco del terremoto, del terremoto del 10 de agosto.Muchas copropiedades sufrieron con dicho terremoto, sobre todo en la zona pues del del Valle y en la zona de Pereira y Manizales.Entonces hoy vamos a hablar un poquito de qué cubre eh hay alguna reglamentación eh específica que es el artículo 15 de la Ley 615 del 2021.Las copropiedades son sometidas al régimen de propiedad horizontal y deben contar con seguros contra incendio y terremoto para bienes comunes susceptibles de ser asegurados.Esos dos amparos pues eso es obligatorio para todas las propiedades que estén bajo el régimen de propiedad horizontal.¿Cuál es el destino de la indemnización en caso de de suceder un terremoto o un incendio, pues debe destinarse prioritariamente a la reconstrucción del edificio conjunto o cuando esta sea procedente.
Hoy en día en los informes que emite Fasecolda eh no recuerdo la cifra que está emitiendo hoy, pero alrededor de 3 billones estarían pagando las aseguradoras para la reconstrucción de lo que hoy fue el terremoto al 10 deagosto.¿Qué amparos tenemos dentro de un seguro?Hoy en día podemos hablar de unos amparos principales y estamos hablando de un amparo de incendio y rayo que cubriría ese o qué protege ese amparo.Estamos hablando de daños materiales por incendio, fuego en dentro de la estructura y también eh de las eh cubiertas como tal.Terremoto y temblor, como bien lo dice, va a cubrir los los daños causados por los movimientos sísmicos.Tenemos el de explosión, daños causados por explosiones accidentales.Tenemos fenómenos naturales, también puede cubrir eh granizada, vientos fuertes, deslizamientos y otros eventos que se puedan definir dentro de los fenómenos naturales.Tenemos daños por agua y anegación.
Estos son daños por roturas de de tuberías o de alguna maquinaria dentro de una copropiedad.Finalmente tenemos algo que se llama AMIT y que son actos mal intencionados de terceros, huelgas, motines, asonadas y conmoción civil.Los dos que son obligatorios, estamos hablando de incendio y rayo y de terremoto y temblor.Tenemos unos amparos adicionales.Estos amparos adicionales bien pueda eh comprometerse en administración dentro una copropiedad a adquirirlos.Tenemos la rotura de maquinaria, son daños internos para ascensores, motobombas y otros equipos que se pueden asegurar dentro de una copropiedad.Tenemos equipos electrónicos, todo lo que tenga que ver con cámaras de seguridad, computadores y otros equipos.Hurto calificado, son esos robos a los bienes asegurados bajo condiciones de violencia o fuerza.Tenemos responsabilidad civil extracontractual, eso es la responsabilidad civil que se da por daños causados a terceros, residentes o a visitantes.Podemos hablar de pronto de daños que se den a personas que lleguen con su vehículo, podría caber en dentro de estas responsabilidades civil.
Tenemos la remoción de escombros, caso tal de un siniestro de generarse escombros.Eh, tenemos este amparo adicional y cuotas de administración.

27. Creación de base de datos simulada con IA

Se muestra cómo se usó IA para generar una base de datos simulada de 200 copropiedades con variables de riesgo y análisis.

Ahora vamos a pasar a algo un poco más interesante y es vamos a hablar de la IA, cómo me puede ayudar para medir, poner un precio específico dentro de un riesgo de copropiedades.Entonces vamos a empezar a explorar cómo fue la creación de ese modelo de precio.Entonces, inicialmente hoy en día muchas de las aseguradoras y muchas de las empresas estamos utilizando IA.Ya tenemos dentro de nuestro entorno de Microsoft Copilot instalado dentro de nuestras herramientas de Microsoft.Tenemos embebido dentro de Word, dentro de Excel, lo tenemos embebido en Power PowerPoint y hoy en día quise traerles eh esa solución utilizando IA.Entonces le pedí a la IA que me ayudara a crear una base de datos simulada con información de 200 prospectos.Esta información debe estar organizada en las siguientes columnas, nombre de la copropiedad, correo electrónico, teléfono, ciudad, municipio.Además le dije que incluyera variables que sean óptimas para realizar un modelo de precio según las características de la copropiedad pensando en amparos como terremoto, incendio y amit.
Le pedí esta este prompt se lo pedí dentro de Excel.Este prompt me arrojó una base que ya se las voy a a mostrar, les vamos a hacer una exploración de esta base, qué fue lo que me arrojó, qué variables me arrojó y eh además le solicité después degenerarme esa base le pedí que me hiciera un análisis de la base de datos, que creara una nueva pestaña llamada análisis donde esta pestaña eh deba contener gráficas de resumen con la información de la base de datos, añadanun análisis estratégico y las gráficas deben de contener los colores corporativos de HDI.Regálenme un minuto, ya les comparto la base de datos.Eh, me confirman si están viendo el Excel, por favor.
Sí, Germán, lo estamos viendo.Puedes continuar.Gracias.Listo, entonces esta base de datos eh simulada eh me generó 200 riesgos, ¿cierto?con alrededor de 37 37 variables.Algunas de estas variables están enfocadas aquí tengo una agregación a la identificación de ese riesgo, eran seis variables, nombre, contacto, ciudad, municipio.Eh, 13 variables estaban eh agrupadas dentro del inmueble, su uso, el tipo, el año, las torres.Ya les muestra un poquito más o menos que contiene cada una de estas variables, eh las unidades de que que tantas unidades tenía, el área, si tenía sótanos, cuál es la estructura y unas normas de sismorresistencia y losmateriales en que fue construida.Hay unos valores, valores de lo que está asegurando el edificio, o sea, su estructura, cuánto cuesta su estructura, cuánto cuesta los contenidos que hay dentro de esa copropiedad, no son los contenidos internos de cada apartamento, sino que los
contenidos de la copropiedad, equipos comunes y una ocupación promedio.Hay unas variables que me generó eh la IA de prevención.Toda copropiedad en su mayoría tiene rociadores, una red eh ah si hay o no bomberos muy cerca, eh sí, eh vamos a ver un poco que me puso dentro inspección, mantenimiento y seguridad, ¿cierto?También vamos a ver esa exposición y la historia.Entonces eh aquí hablamos un poco de los siniestros.Estos siniestros eh hace cuánto se sucedieron, cuántos siniestros han sucedido y cuánto se ha pagado en siniestros.Y se generó la prima.Cuánto paga esta copropiedad por ese riesgo para poder crear más adelante mi modelo.Entonces en la base hoy en día tiene una ciudad, ¿cierto?Me generó riesgos casi para toda Colombia, un municipio, tiene su departamento, el uso principal, si es comercial, si es mixto, si solamente es residencial.Eh, tenemos el tipo de la copropiedad, si es una ciudadela, es un conjunto, es un edificio.
Tenemos los años de construcción, cuándo fue construido, listo, cuántas torres tiene.Número de máximo de pisos.El área construida, número de unidades dentro de ese conjunto, cuál es el área construida, número de sótanos, eh si tiene sistema sistema estructural, es decir, eh cuál es su tipo de construcción, si es en estructura metálica, si esen mampostería, si es en muros de concreto, pórticos de concreto.Me dice si tiene o no la norma o qué norma tiene.Además me habla del tipo de suelo declarado, si es tipo de suelo blando, si es roca, si es firme, si es intermedio.También me está hablando de los valores asegurables de edificio, es decir, cuánto cuesta eh ese edificio hoy eh en caso de tener algún siniestro de terremoto o por incendio.¿Cuáles son los valores asegurados por contenidos, por bienes comunes, ocupación promedio?Eh en sí pues tiene una gran variedad de de variables que me podría servir para medir ese riesgo específico y poder determinar un precio.
Hm la distancia declarada a la estación de bomberos, año de última inspección, listo, mantenimiento preventivo si se hace o no, vigilancia 24 horas si la tiene o no, si tiene eh el control de eh de seguridad en cámaras,controles de acceso, exposición a es decir, a esos eh riesgos eh si ya me está dando una clasificación específica, si tiene esa exposición, me está diciendo si es alta, baja, media o esté o no lo pueda determinar yal final me está diciendo la cantidad de siniestros y el valor total que se ha pagado con su prima anual.Aquí tenemos primas desde los 2,600 hasta los 648 millones.
Esta es nuestra base simulada.Al igual como se los dije anteriormente, le pedí que me hiciera un análisis.Vamos a ver que qué me hizo la IA con ese análisis.Hoy me presentó, utilizó los colores corporativos de HDI, es un verde, tiene verdes claros también, me está haciendo un conteo de los prospectos, una suma asegurada en miles de millones, es decir, que esos 200 riesgos, si hoy todosesos riesgos se me llegasen a siniestrar, yo debería como aseguradora responder por 13,549 millones eh cuáles son la cantidad de siniestros que se han presentado por terremoto e incendio en los últimos 5 años, que son 52 y unporcentaje de copropiedades que tienen rociadores.A mí la verdad no me gustó mucho eh el análisis que me presentó, creo que podía funcionar eh pidiéndole un pro un poco más específico, mmm que me mostrara más información relevante.
Lo único importante de pronto fue la distribución de los prospectos por departamento, que me agrupó en el resto, pero me muestra Bogotá, Antioquia y Valle del Cauca, Cundinamarca con los mayores riesgos.Me muestra la zona asegurada por componente, entonces me dice cuánto es la zona asegurada por edificio, cuánto es la el valor asegurado, perdón, por los contenidos y por los equipos comunes.Además me mostró siniestros simula los siniestros simulados por amparo, cuántos me aparecen por terremoto, cuántos contratan incendio y la protecciones declaradas.Red contra incendio, rociadores y detención automática.Además me dio una lectura estratégica de lo que eh me mostraba.Listo, y al final me agrega las tablas con las que alimentó las las gráficas.¿Listo?Eso apuntaría la IA.Yo creo que en parte ahí ya hay un entrenamiento desde mi perfil con las consultas que le he hecho.Hay variables que hoy en día eh son relevantes de lo que se hace dentro del día a día eh dentro de la organización.
Algunas variables se utilizan, son relevantes para medir el riesgo y nos establece ese ese precio a partir de esas variables.Ahora bien, yo listo, ya tengo mi variable, ya hice un análisis, eh hice una inspección general de la base.Esta base eh al ser simulada no presenta errores, no tiene eh alguna forma, es casi que perfecta para modelarla en el día a día día a día no funciona así, siempre tenemos nuestros valores faltantes, valores que no noscruzan, que al final no podemos tener.Hoy en día o bueno, desde nuestra organización HDI eh voy a mostrar ya cómo es la creación de un modelo.Nosotros desde el área de actualmente no lo hacemos directamente el modelo.Tenemos un área de modeling el cual es la encargada de producir todos los modelos de precio, pero en compañía de quien conoce el producto, de quien ha estado al frente con siniestralidad, es el que está ahí uno a
uno en la construcción de este modelo.Dado que mi conferencia era, ¿puede la IA ayudarnos a ponerle precio al riesgo?

28. Construcción de modelos GLM y machine learning

Se detalla la construcción de un notebook con GLM y modelos de machine learning para predecir primas de copropiedades.

Le pedí
a la IA que me ayudara a crear un modelo.Perdónenme, es que se me fue donde estaba.Ya.Le pedí entonces ahora para poder crear ese modelo de precio que me construyera un código en Python en donde construyas dos modelos.Le pedí que tuviera un enfoque clásico, donde íbamos a construir un GLM sencillo, en donde escoja las variables más representativas para los datos que les iba a entregar, que eran estos 200 riesgos simulados de copropiedades.Además, le pedí que me construyera un segundo modelo donde utilizara modelos de machine learning.Él que activamente eh me hizo una pregunta, ¿cuál era esa variable objetivo?Entonces tocó especificarle que la variable objetivo es la prima pagada simulada y que a partir de las otras variables pues logrará crear este modelo.¿Listo?Su resultado es, ya les muestro, un un notebook, ¿cierto?Donde me muestra paso a paso eh ese diseño para poder crear un modelo con sus librerías, con su configuración.
Vamos a ir recorriéndolo un poco paso a paso.Vamos a ver al final sus resultados y eh poder llegar a algunas conclusiones específicas sobre lo que nos creó directamente esta IA para nuestro modelo de precio.Entonces,¿qué librerías utilizó?Las que hemos visto usualmente dentro de Python, Pandas para manejar tablas, NumPy para cálculos matemáticos, Stats Model para construir el GLM y mostrar resúmenes estadísticos.Igualmente para poder utilizar eh los modelos de machine learning eh utilizó el y al final eh agregó una para eliminar eh avisos de lo que pudiese encontrar dentro de la ejecución.Listo, entonces vamos a ir a la par.Encontramos las librerías, lo que se utilizó dentro de Sklearn, perdón.Y segundo paso.Fuimos a la configuración.Listo.¿Qué qué me hizo eh esta construcción?Creo la ruta del archivo, cómo se llama la hoja que iba a leer del archivo de los 200 riesgos, cuál era esa ruta de salida, porque le pedí que me generara unos resultados y que me los iba en
generar en Excel.¿Cuáles eran los años de referencia?Utilizo una semilla para poder replicar dichos resultados.Utilizo eh en repeticiones que utiliza en la variación cruzada de una vez los fue colocando.Colocó un máximo de variables para tener en cuenta en el GLM.Eh además puso cuál iba a ser el modelo eh la selección del modelo por una IC, el objetivo, ¿cierto?Puso un objetivo y al final incluyó el monto de siniestros.Aquí fuimos explorando si de verdad era lo que me estaba llevando a cabo dentro de esa configuración.Aquí tiene su configuración.Luego hizo la lectura de la base.Bien, lectura y depuración de bases de datos.Está siguiendo una línea desde que uno debería ser para esa construcción de modelos.Entonces, eh llamado de librerías, llamado de su base de datos y ahí ya empieza a hacer una lectura y depuración de esas bases de datos.
Hace un un renombre de columnas, lee el Excel y quita algunas filas que no son necesarias dentro de la eh la estructura que le planteé, que será para crear un modelo de precio.Listo, entonces aquí al final dentro del mismo código me hace un conteo, me muestra una media, eh la desviación estándar de estas primas, el mínimo y su distribución.Vamos a un cuarto punto, que lo llamó ingeniería de variables.¿Qué encontramos en la ingeniería de variables?Aquí empezó a hacer una estructura interesante.Empezó a agrupar el valor asegurado.Entonces, cogió los valores de edificio, contenidos y equipos y me lo montó como un único valor asegurado.Listo.Luego transformó esa variable en una variable logarítmica con el propósito de poder construir el GLM a partir de esa variable logarítmica.Me creó una tasa.Esta tasa es simplemente tomar la prima sobre un valor asegurable.
Me crea una tasa.La antigüedad la transformó, me hizo una agrupación.Creó una banda para los años de construcción.Igual lo hizo para los pisos.También en los años de inspección hizo una clasificación y me la mostró con unos rangos específicos.Y así fue construyendo diferentes variables que me permitieran de alguna manera eh poder tener clasificaciones o eh estructurar dichas variables en algunas categorías específicas.Aquí está su construcción, su código, eh lo que estaba generando en cada una de estas variables, el valor asegurado, la suma del valor asegurado y el logaritmo, eh la tasa, calculó la tasa.Hizo exactamente lo que les estaba mostrando dentro de la estructura de código en Python.¿Listo?Luego pasamos al primer modelo.Ya fuimos a nuestro primer modelo GLM.Y aquí es algo importante.Hoy en día nos preguntamos será que la IA nos podrá reemplazar en un futuro.
Y aquí pues preciso de pronto eh aún no.Yo creo siento que va a ser un un instrumento que nos va a hacer optimizar mucho el tiempo.Y en específicamente lo veo acá y me causó gracia en la construcción de este primer modelo.Entonces él ¿qué hizo para construir el primer modelo?Simplemente montó una fórmula a partir del AIC, eh me fue escogiendo las variables.Pero hizo eh empezó a en un orden.Llamó primero normas hicimos resistencia, vio que la AIC pues estaba menor que tener no tener ninguna variable, luego pasó a una segunda variable que fue rociadores, fue el menor el AIC.Listo.Y fue creando eh metiendo diferentes variables y revisando si su AIC era menor.Y llegó a un punto donde hasta la séptima o la octava séptima variable decidió que era momento ya de parar porque le había formulado un máximo y me dejó estas variables.
Entonces, aquí está el criterio del analista.Eh, sería relevante utilizar solamente esas siete variables, le podría quitar ese máximo de variables, le podría pedir que me evalúe eh un modelo con todas las variables y empezar a ver la importancia de las variables y me empezaraa eliminar estas variables que tengan menor peso.Inicialmente el modelo lo traje tal cual, le consulté a la IA para mostrárselos a ustedes.Solamente escogió un máximo de siete variables, eh puso una condición que era que la fuese menor y la incluía si el eh el era menor, dejaba la variable y si ya se completaban las siete ocho variables, paraba.Entonces aquí me escogió esas siete ocho variables y no fue más.Entonces aquí uno dice, aquí está el criterio de la analista para empezar a decirle a la IA, pues mejoremos estos resultados, probemos eh programar todas las variables, revisemos cuáles son las de menor importancia, busquemos eh agrupaciones entre las
variables para obtener el mejor modelo.Entonces eh de alguna manera hm aquí es donde me pregunto, ¿aún nos hace falta poder tener estos entrenamientos de estos modelos para poder tener los resultados que uno espera?O de alguna manera mejorar sus La pregunta que le estamos haciendo, ponerle más especificidad a ese que le estamos dando a la IA para que nos genere los modelos.¿Listo?En un segundo modelo, en el modelo seis, en el modelo número seis, eh perdón, en la estructura del código modelo dos machine learning ya era una en la estructura número seis, vamos ya para el paso número seis, mecreó y aquí sí empezó a evaluar diferentes modelos.Hizo un gradient boosting, un random forest, hizo eh diferentes clasificaciones para ver con cuál se quedaba.Al final entiendo yo que el modelo con los resultados que me muestra tuvo en cuenta el random forest y el gradient boost.
Generó unas métricas para poder evaluar eh el uso o su clasificación en estos modelos, me creó el MAE, el RMS, el MAPE, el R cuadrado, el R cuadrado log, el deviance del gama y un sesgo total.A partir de estas mediciones eh hacemos una clasificación y decidimos pues cuál fue el mejor modelo.Aquí tenemos una base chiquita eh una base que no tiene tantos riesgos, posiblemente los modelos de machine learning no se comporten muy bien porque ellos trabajan a partir de reentrenamiento, necesita una muestra un poco más grande para podervalidar lo que está haciendo.Entonces de alguna manera pues los resultados de pronto van a decir que está estableciendo que el modelo el más sencillo, el GLM, pues me predice mejor que los de machine learning.Eh finalmente tenemos unas validación cruzada a partir del modelo el GLM, el gradient boosting y el random forest.
Tenemos un R cuadrado para el GLM menor, igual se parecen mucho aunque hay un sesgo menor para el gradient boosting, pero pues el MAE eh es menor en el GLM, ¿cierto?¿Qué es el MAE?El error promedio en pesos.Entonces, es un menor error en esa categoría de estimar un precio.Nosotros aquí estamos hablando de pesos colombianos, entonces para nosotros es superimportante que ese error sea chiquito.No la diferencia de lo que me esté promediando no sea tan grande.Finalmente, eh hizo un ajuste a los modelos, unas predicciones y me generó un archivo de resultadosque ya se los voy a presentar, que viene a continuación, donde eh teníamos una comparación, mirábamos la estabilidad, cuál fue la selección del GLM, los coeficientes de ese GLM, la importancia de las variables en el modelo y cuálesfueron las predicciones.

29. Resultados y conclusiones del modelo de precios

Se presentan los resultados comparativos entre GLM y machine learning, la importancia de variables y conclusiones del modelo.

Eh, estos son los resultados que podemos ver en el modelo.Entonces, tenemos la comparación que ya se las mostré allí arriba en la presentación,
sus diferentes variables, cómo se están viendo con respecto a los tres modelos que él me creó, el GLM, el gradient boosting, el random forest, su r cuadrado, su MAE, su error promedio, su error medio, perdón.Y al final podemos ver ese mismo modelo de GLM.Eh, bueno, primero una estabilidad de las variables, una selección de las variables del GLM, cuál es su AIC, que es la misma lógica que utilizo para seleccionarlos, cuáles son esos coeficientes, hoy cómo podemos utilizar y cómo impacta ehdeterminados coeficientes de las variables para poder determinar esta tarifa, la importancia en el ML, ¿cierto?¿Cuáles el valor de esta importancia relativa?Entonces acá me dijo que era más importante suelo, los rociadores, la antigüedad, banda de pisos y las menos importantes el sí tiene vigilancia, sí tiene sistema circuito cerrado de televisión, eh sin incendio, eh sin siniestros en incendios en
los últimos 5 años, sin incendio en terremoto, el control de acceso, la ocupación.Esas fueron las menos relevantes, le dio más importancia al suelo, a los rociadores, a la antigüedad, a la banda de los pisos, cuántos pisos tienen, al tipo de construcción, si tiene o no red de incendios.Igualmente las predicciones.Entonces, ¿cuál era la prima observada?Su valor asegurable y hizo una predicción a partir del GLM, del gradient boosting y me mostró los errores tanto el GLM como del M del modelo de machine learning.¿Listo?
¿Hay alguna pregunta por el momento o las dejamos ya para el final?Ya estoy cerrando un poco la la presentación.Eh Germán, estamos recopilando todas las preguntas del chat para pues para que tú finalices y pasamos a a que tú nos colabores dándole respuesta.Listo.
Bien, entonces ya finalmente, ¿qué conclusiones podemos dar?Observando estos resultados que vimos dentro de de los dos modelos o bueno, los tres modelos, pues podemos ver que el GLM eh ganó, me genera una mejor prima dentro de esta simulación.Como le dije anteriormente, pues era una base pequeña, teníamos solamente 200 casos, había poca información.Entonces los modelos simples hm o pues los más antiguos, la base del machine learning que son estos modelos de GLM genera eh mejores resultados, me puede generar mejores resultados, eh me generó una validación cruzada dentro de lo quehizo pues mejor.Eh, podría mejorarse, podríamos establecer otras variables específicas.Eh, usualmente hoy lo que más está desarrollado está en la parte de autos, autos eh pesa muchísimo sobre esa emisión de primas.Entonces está mucho más desarrollado la parte autos en modelos, hoy ya se utiliza muchísimo machine learning dentro de autos.
También es porque es un un solo ramo dentro de Generales y Vida tenemos una infinidad de ramos.Nosotros somos un equipo de alrededor de ocho personas y tenemos nuestras categorías.Entonces hoy tenemos dos personas trabajando para el ramo de comercial, la cual hago yo parte, donde tenemos productos como copropiedades, las pyme.Tenemos un modelo para generar eh cubrir el riesgo que tienen las pyme.Dentro de esa línea de comercial tenemos aviación, tenemos marine.Entonces hoy en día Generales y Vida es un mundo grandísimo que genera una prima chiquita a comparación de lo que genera autos, pero que hoy está creciendo en esa tecnificación que estamos viendo, cómo utilizar la IA a partirde los modelos usuales de GLM empezando a construir ya mucho específico estos modelos de eh trabajando en compañía bueno la eh la compañía en la que estoy tiene un grupo específico en el cual podemos trabajar con científicos de
datos.Nosotros vamos más hacia el negocio a conocer más el negocio y poder acompañarlos en esa construcción, que el modelo que ellos estén construyendo a partir de las variables que estén construyendo tengan sentido.Por ejemplo, es más riesgoso tener unas eh copropiedades de cinco piso a tener unas copropiedades de 20 a 23 pisos.Entonces es ver bien esa construcción de los modelos de lo que hoy se está generando eh dentro del equipo de si tiene o no sentido hacer esa evaluación.Si de pronto te está diciendo no, es más riesgoso los de cinco pisos que los de 23, poder entender bien ese riesgo para poder establecer un precio.Hoy este modelo me dijo que era más importante revisar el suelo.Usualmente cuando se construye habría que hacer una inspección de ingeniería, poder mirar el suelo en que fue construida para poder determinar ese impacto que tenga el suelo.
Dado los impactos que se han tenido eh últimamente con sismos eh sobre todo este último del terremoto, pues genera eh impactos dentro de las compañías.Las compañías hoy en día y esto fue un un pequeño resumen de lo que se hace dentro de la parte de esto es grandísimo, eh tiene muchísimas aristas y hay una parte que se llama el reaseguro.Hoy la mayoría de compañías eh tiene una aseguradora de eh de nosotros mismos, es decir, internacionalmente nosotros como aseguradora también tenemos un seguro que nos cubre y nos ayuda a proyectar eh a cubrir ese riesgo en caso deser muy grande.Entonces, hoy la exposición el hablamos de exposición cuando tenemos un valor asegurado eh para esta base de 200 riesgos, que es una base chiquita de copropiedades, vimos un valor asegurado cercano a los 13,000 13,000 millones.Usualmente eh puede superar los billones de pesos en asegurabilidad de exposición que tenemos en caso de sufrir algún siniestro y por eso muchas aseguradoras hoy eh hablan de un reaseguro, que es el encargado de cubrir estos riesgos y
el impacto es menor.Por eso hoy eh quise traer este tema de copropiedades, eh como es obligatorio poder tener un unos amparos específicos y poder construir un modelo que me permite identificar y ver qué sería lo óptimo para nosotros como compañía podermedir ese riesgo.Esa es mi conclusión final.Muchísimas gracias y pues quedo atento, John Freddy, a las preguntas.

30. Preguntas sobre reaseguro y formación actuarial

Espacio de preguntas sobre impacto del terremoto, seguros hipotecarios, diferencias GLM/ML y recomendaciones de formación.

Eh, muchas gracias, Germán.Eh, pues por esta interesante conferencia y por mostrarnos cómo la estadística y la inteligencia artificial pueden dialogar con el conocimiento del negocio para pues para contribuir a decisiones responsables en el sector asegurador.Eh, bueno, para aprovechar el tiempo, entonces vamos a abrir eh un espacio de aproximadamente eh unos 15 minutos, yo creo que unos 12 o 15 minutos para atender las preguntas de que nos han a nos han acompañado, ¿cierto?Ya tenemos a la recopilación de algunas, pueden ir registrando otras en el chat.Eh, de la transmisión, cierto, allí en el chat de YouTube.Y entonces para para dar inicio, Germán, eh a las preguntas eh tenemos las siguientes preguntas eh que hemos recopilado.Eh, Juan Camilo Grajales nos pregunta lo siguiente, nos dice, si se habla de poco más de 3 billones de pesos destinados a la reconstrucción de propiedades aseguradas después del terremoto, ¿qué impacto representa este valor frente al monto de
las primas pagadas por los asegurados?¿Qué tipo de fondo respalda financieramente estas indemnizaciones?Listo, perfecto.Entonces ahí esa pregunta la contestaría con eh lo último que les nombré en las conclusiones.Hoy las compañías de seguros, usualmente todas, tienen un respaldo, un seguro del seguro.Hablamos del reaseguro.Entonces hoy esas compañías eh transmiten ese riesgo de terremoto a ese reaseguro.No completo, pueden compartirse, eh puede ser 100% le trasladan el riesgo, entonces toda la prima emitida eh sobre ese amparo específico para terremoto se le transfiere al reasegurador y ellos, en caso de tener un terremoto con ese patrimoniointernacional que suele ser pues muchísimo más que el patrimonio interno de una compañía, es el que responde eh bajo ese riesgo.¿Qué impacto tiene o qué se vio impactado dentro de pronto de HI?Fue la liquidez.Eh, hoy en día pues pagar los siniestros con anticipación, entonces al reaseguro hay que mandarle estos siniestros, el reaseguro tiene que pagar y enviar entonces el dinero, entonces empieza a perder un poco de liquidez.
Eso simplemente fue el impacto que se tuvo dentro de las aseguradoras en su mayoría, ¿sí?Dentro de la parte interna, eh no es mucho, se traslada muchísimo ese riesgo en parte de terremoto.Igual funciona con incendio, también hay un reaseguro que cubre esos riesgos.Entonces, los impactos pueden ser dentro de esa prima supergrandes, se pueden ver supergrandes, claro, pero se traslada un reasegurador, lo que hace que se disminuya dentro de un PIG que podamos ver cuánto es el impacto de del delos 3 billones sobre las primas aseguradas.Gracias, Germán, por esa explicación.Ahora, bueno, eh Luz Estela también nos hace o nos hizo otra pregunta en el chat y ella dice así, cuando una persona adquiere una vivienda de interés social y paga el seguro asociado al crédito hipotecario, si años despuésocurre una emergencia como las mencionadas en la conferencia, ¿cómo puede consultar o reclamar la cobertura de ese seguro ante el banco o la aseguradora correspondiente?
¿Tú nos puedes dar alguna luz en en bueno, en este asunto?Listo.Eh ese es un está dentro de la línea de Generales y Vida.Eh hace parte no tanto de un seguro de copropiedad.El seguro de la copropiedad lo administra la copropiedad.Este ya es un seguro eh personal donde eh generaste un un crédito para poder pagar tu copropiedad y allí se genera un un seguro obligatorio de la hipoteca.
Sí, eso también eh lo manejamos dentro de HI, usualmente, como lo dijo John Frey dentro de mi presentación, habla del large account.Entonces, esa large account habla de estos créditos hipotecarios.Estos créditos hipotecarios eh no conozco mucho la parte desde la suscripción o la parte de reclamación de un siniestro, pero desde que tú estés al día con el crédito en los pagos de los créditos, tú tienes la coberturaen caso de de ocurrir algo.Y es allí donde se tiene que reclamar dependiendo de las las cláusulas eh lo reclamas directamente con el banco porque los bancos a veces tienen una persona específica de la aseguradora trabajando en el banco para responder dichas solicitudesen caso de un siniestro.Perfecto, Germán.Muchísimas gracias por esas aclaraciones y respuestas que nos estás dando.Eh una tercera bueno una una siguiente pregunta Lady Vanessa Cortés nos hace nos comenta lo siguiente, nos pregunta lo siguiente, ¿cuáles son las principales diferencias entre estimar el riesgo mediante modelos estadísticos tradicionales y hacerlo utilizando técnicas de machine
learning?¿Qué evidencias o qué ventajas, perdón, ofrece este último enfoque?Bueno, yo creería que hoy eh pasar hoy a machine learning a tener modelos de machine learning nos podría generar eh una mayor susceptibilidad o un razonamiento más preciso del riesgo por la inclusión de más variables, por el usoque pueda ser eh con muchas más variables que lo que se hace con un GLM normal.¿Qué se pierde un poco al usar machine learning?La interpretabilidad, decir cuánto estamos cobrando por terremoto y se da porque eh tu riesgo supera más de 26 pisos.Ya tienes tú dentro del GLM un peso asociado a esta característica y tú puedes decir te soportas en que aquí lo que más pesa el precio es esta característica.Lo pierdes un poco con machine learning, pero creo que ganaríamos muchísimo más poder eh de especificar ese precio, tener un precio más ajustado a la realidad con múltiples variables.
Entonces ahí ahí hay que sopesar y empezar a entender qué sería lo mejor para la cartera que tienes.Si tener el modelo de o el sencillo y usual donde puedas especificar bien el precio que te está dando para determinados amparos.Perfecto.Bueno, muy interesante esa respuesta, Germán.Eh, bueno, Sebastián Saldarriaga por aquí nos hace otra pregunta.Nos pregunta lo siguiente, ¿qué recomendaciones les daría a los estudiantes de estadística y ciencia de datos que desean orientar su formación profesional hacia la analítica del riesgo y a trabajar en este sector?¿Qué sugerencias?Sí.¿Qué sugerencias podemos darle?Yo creo que en el modo de tal vez de profundización, yo creo que él tal vez lo está pensando en formación como tal.Sí.Bueno, actualmente o dentro del entorno hoy se conoce como actuarios y hay unas especializaciones específicas en actuaría o maestrías en actuaría.Eh, usualmente estás eh especializaciones eh suelen ser un poco costosas, eh han sido relevantes eh dentro del del precio eh de un semestre.
Hace poco, cuento alguna incidencia, yo tengo la Maestría en Estadística Aplicada, estoy en el mundo de la actuaría y quería de alguna manera eh ver eh si valía la pena o no también hacer otra Maestría dentro de delmundo de la actuaría para que te diera ese título realmente dentro de la eh de actuario.Y hoy un semestre toda una Maestría puede estar alrededor de los 45 a 50 millones de pesos.Entonces es un poco costoso, pero una motivación adicional también son muy bien retribuidas en las compañías.Eh, actuarios hay pocos y eh relativamente eh pagan muy bien en en las compañías.

31. Preguntas sobre IA en el sector asegurador

Se responden preguntas sobre interpretabilidad, efectividad de la IA y agentes de suscripción automática en seguros.

Perfecto.Gracias, Germán, por esas informaciones que nos compartes.Eh, por aquí Luis Enrique Leiva nos hace una la siguiente pregunta, ¿cómo se puede equilibrar la capacidad predictiva de un modelo con la necesidad de que sus resultados sean interpretables, transparentes y justificables, especialmente cuando se usan modelos complejos?Yo creo que ahí estamos hablando un poco de lo que estábamos en las respuestas anteriores, en la comparativa entre qué sería mejor utilizar el machine learning o el GLM.Pierdes tú un poco interpretar el precio o ¿dónde encuentras mayor eh fuerza dentro de las variables para determinar un precio con los de machine learning que el GLM?Allí hay una discusión aún que se está haciendo dentro de las compañías.Hablo internamente HDI, estamos aún discutiendo si perdemos un poco ese poder de interpretabilidad del precio de la tarifa que estamos dando eh para utilizar modelos de machine learning sobre los modelos de GLM donde sí podemos tener ese peso
específico de determinadas variables donde podemos sustentar el precio y eh de alguna manera establecer qué sería lo mejor.Entiendo.Gracias, Germán.Bueno, aquí voy a leerte dos preguntas.Eh, yo creo que están, bueno, un poco relacionadas y yo creo que tú tal vez puedas eh bueno, dar respuesta a ellas de de forma simultánea.Entonces, eh Sebastián nos pregunta si qué tan certera puede llegar a ser la IA en este tipo de procesos.Es decir, si creamos, por ejemplo, prompts lo más completos posibles, ¿qué porcentajes y a qué porcentaje podría llegar se puede llegar?Yo me imagino que él se refiere a efectividad, ¿cierto?Yo me imagino Sí, y Carmen yo creo que eh bueno, Carmen me hace la siguiente pregunta.Dice, me surge una inquietud de eh qué tipo de IA podrán usar las aseguradoras para verificar si cumple con los requerimientos de ser beneficiado o aplicado el seguro en caso de una emergencia.
Bueno, las dos van enfocadas a la IA.Incluso, bueno, tengo otra pregunta de Carmen por aquí.Dice, ¿podrá la IA llegar a un punto de quiebre en algunos procesos y que lo obligue a evolucionar solo en ciertas tareas?Bueno, no sé si tú las entiendes obviamente y las puedes relacionar y responder las tres simultáneamente.Hace poco hm John Freddy estuve eh en un evento regional de actuaría y el punto central era la IA, ¿cierto?Cómo puede la IA eh empezar en seguros a obtener mejores resultados.Y en conclusiones generales lo que podía escuchar era eh en optimizar los tiempos.Hoy, digamos, hm sucede un terremoto, necesitamos validar ese impacto, poder correr calibraciones, mirar si eh suena un poco difícil, pero eh hay un impacto económico, hay que subir de alguna manera el precio para revertir ese impacto económico porlos siniestros que se están dando.
Hoy las aseguradoras pues ganan dinero a partir de las primas que emiten versus estos siniestros, ¿cierto?Y pues si estos siniestros son superiores a las primas emitidas, no va a ganar una aseguradora.Entonces hoy estamos hablando o entre ese seminario se hablaba mucho en que en las aseguradoras va a permitir generar mucho más rápido estos procesos, estar mucho más atentos y a disposición de generar un resultado mucho más rápido enel procesamiento de la información que nos pueda ayudar a procesar la información en minutos, en segundos, en validar la información de los siniestros, de hacer conteos, de validar, de Entonces era eh una base, hoy plantear una base yes poder que esa IA nos dé más eh tiempo de reaccionar a eventos eh catastróficos y poder ser competitivos dentro de de los tiempos de ejecución frente a un cliente, de medir el riesgo.Hm, hablaban mucho Yo lo hablo desde el tema de pero las aseguradoras tienen muchas ramas, entonces está la parte comercial, está la parte de suscripción, está la parte de siniestros.
Entonces habla mucho de los agentes, de crear agentes eh de IA que puedas suscribir de manera automática, es decir, que tú puedas entrar a una página, seleccionar eh las condiciones del riesgo, poner tus valores y que ella mismaeh pueda generarte una vez una póliza.¿Listo?Por detrás va a haber modelos, va a estar desde el área donde estoy y nosotros ahí tenemos también desde el área de pues ser mucho más eh dinámicos frente a esta movilidad que se da entre agentes de IApara poder llevar esas soluciones de precio y que se genere una póliza de esa manera.Entonces yo creo que hacia allá iría por el momento la IA.Estamos empezando dentro de las compañías a incorporarlas, a tenerlas, a a capacitarnos, a poderle sacar todo el jugo posible, y espero en una próxima ocasión, dentro de un año si si me invita John Freddy, a traerles ya más
impactos eh del uso de la IA dentro de los seguros.Hoy hice un un pequeño abrebocas de lo que se está utilizando y cómo podíamos utilizarla.

32. Cierre del décimo seminario virtual

Agradecimientos a conferencistas y semilleristas, reflexión final sobre IA y cierre oficial del décimo seminario virtual.

Eh, bueno, Germán, muchísimas gracias.Eh, pues por tan bueno, por esa excelente conferencia que que nos has impartido, ¿cierto?Por compartir obviamente con nosotros esa experiencia profesional que tú tienes, y por mostrarnos lo enriquecedor, ¿cierto?Que la ciencia de datos, la estadística, la inteligencia artificial eh pues contribuyen a comprender el riesgo y a fundamentar pues la toma de decisiones en el sector asegurador.Eh, quedamos inmensamente agradecidos pues por por esta charla, ¿está bien?Por tus conocimientos compartidos con nosotros.Eh, gracias a ustedes por la invitación, por aceptarme, y pues esperamos próximas invitaciones entonces.Muchísimas gracias, Germán, por tu disponibilidad.Eh, bueno, estimados participantes, yo creo que con esta valiosa intervención pues llegamos al cierre de nuestro décimo seminario virtual de estadística, que fue dedicado a la inteligencia artificial y la ciencia de los datos.Eh, durante estas dos jornadas, ayer y hoy, hemos compartido experiencias académicas, investigativas y profesionales que nos han permitido explorar el potencial de estas disciplinas en ámbitos tan diversos como la salud, la educación, el sector financiero y el asegurador,
y también eh nos han permitido reflexionar sobre el uso responsable de la inteligencia artificial y la importancia del análisis riguroso de los datos.Eh, quiero expresar nuestro más sincero agradecimiento a nuestros conferencistas nacionales e internacionales, a a talleristas y de manera muy especial a a dos estudiantes semilleristas, a Wendy Valentina y a Juan José, quienes nos demuestran que la investigación tambiénse construye desde las aulas, ¿cierto?Desde la curiosidad y desde el compromiso con la transformación de nuestro entorno.Agradecemos igualmente a la Universidad Nacional Abierta y a Distancia, ¿cierto?Eh, la UNAD, nuestra universidad.Eh, a nuestra Escuela de Ciencias Básicas, Tecnología e Ingeniería, eh SBTI y a las redes a la red de Estadística y Probabilidad, a la Maestría y la Especialización en Ciencia de Datos y Analítica y pues a todo elequipo académico, técnico y logístico que han hecho posible esta décima edición de nuestro seminario.
Eh, a nuestros estudiantes y a toda la comunidad académica quisiera dejarles una reflexión y y es la siguiente.En un mundo donde la inteligencia artificial avanza rápidamente, ¿sí?Lo hemos visto eh pues en en este seminario.Los fundamentos matemáticos estadísticos, el pensamiento crítico y la responsabilidad ética adquieren adquieren cada vez mayor importancia.¿Certo?Eso quedó en evidencia en nuestras conferencias.¿Sí?La IA no nos va a reemplazar.Realmente esto es una reflexión profunda que la debemos llevar, ¿cierto?En nosotros de ahora en adelante.Realmente no se trata únicamente de aprender a utilizar nuevas herramientas, sino también de comprenderlas y ponerlas al servicio del conocimiento y el bienestar de nuestra sociedad, como lo menciona Germán.Esperamos que las experiencias compartidas durante estas dos jornadas eh sean el punto de partida de nuevas ideas, de nuevos proyectos de investigación y de nuevas oportunidades de aprendizaje.Sigamos conectados a la estadística con el futuro, conectando la estadística con el futuro, ¿cierto?
Con nuestro entorno y continuemos construyendo conocimiento y transformando realidades desde la educación.En nombre de la Universidad Nacional Abierta y a Distancia y de todo el equipo organizador, damos por finalizado el décimo seminario virtual de Estadística, Inteligencia Artificial y Ciencia de Datos.Muchísimas gracias a todos y todas eh, por acompañarnos.Que tengan una excelente tarde.Hasta una próxima edición.Un abrazo grande para todos.Chao, chao.
Seek backward 5s ←
Longer seek (10s) Shift ←
Play Space Seek forward 5s →
Longer seek (10s) Shift →
0:00 Auto-scroll A Copy link at current time S

X Seminario Virtual De Estadística: "Inteligencia Artificial Y Ciencia De Datos" .Día 2