La crisis exigía soluciones en cuestión de días, no de semanas o meses, lo que requería nuevos enfoques para los modelos y las tecnologías de IA.
Los métodos ágiles y los modelos dinámicos y resilientes pueden garantizar nuevas soluciones para afrontar las crisis y los desafíos futuros.
Aunque el impacto de la IA en la COVID-19 ha sido ampliamente divulgado por la prensa, el impacto de la COVID-19 en la IA no ha recibido mucha atención. Tres áreas de impacto clave han contribuido a dar forma al uso de la IA en los últimos cinco meses y seguirán transformando la analítica avanzada y la IA en los meses y años venideros.
¿Qué está haciendo el Foro Económico Mundial frente al brote de coronavirus?
La rapidez en la toma de decisiones conduce a una ciencia de datos ágil
La propagación de la pandemia, primero en China y Corea del Sur y luego en Europa y Estados Unidos, fue rápida y sorprendió a la mayoría de los gobiernos, empresas y ciudadanos desprevenidos. Esta crisis sanitaria mundial se convirtió en una crisis económica y en una crisis de la cadena de suministro en cuestión de semanas (la demanda de papel higiénico y toallas de papel por sí sola aumentó un 600-750 % durante la semana del 8 de marzo en Estados Unidos). Los menos de 100 000 casos confirmados a nivel mundial a principios de marzo se dispararon a más de 13 millones en julio, con más de 580 000 muertes.
Dado que los líderes empresariales necesitaban actuar con rapidez, la crisis brindó una oportunidad para que las técnicas de analítica avanzada y de IA basadas en IA potenciaran la toma de decisiones. Si bien los modelos de aprendizaje automático eran una ayuda natural, el tiempo de desarrollo de los modelos de aprendizaje automático o de los modelos analíticos avanzados suele oscilar entre cuatro y ocho semanas, y eso es después de tener una comprensión clara del alcance del caso de uso, así como de los datos necesarios para entrenar, validar y probar los modelos. Si se añade la evaluación del caso de uso antes del desarrollo del modelo y el despliegue del modelo una vez entrenado, el proceso puede prolongarse de tres a cuatro meses desde la concepción inicial hasta el despliegue en producción.
«Dado que los líderes empresariales necesitaban actuar con rapidez, la crisis brindó una oportunidad para que las técnicas de analítica avanzada y de IA basadas en IA potenciaran la toma de decisiones».
Para obtener soluciones en cuestión de días, y no de semanas o meses, hubo que desarrollar modelos mínimos viables de IA (MVAIM) en plazos mucho más cortos. Mediante metodologías ágiles de ciencia de datos, PwC logró reducir significativamente estos tiempos y construyó en una semana un modelo SEIRD (susceptible-expuesto-infectado-recuperado-fallecido) de la progresión de la COVID-19 para los 50 estados de EE. UU. Después, lo probamos, validamos y desplegamos en otra semana. Una vez desplegado este modelo inicial, lo ampliamos a todos los condados de EE. UU. y lo hicimos más sofisticado.
La incertidumbre sobre el futuro conduce a simulaciones multiagente
La incertidumbre afectó a todos los aspectos de la vida durante la COVID-19, desde la salud hasta el comportamiento y el impacto económico, y aceleró la adopción creciente de técnicas de analítica avanzada y de IA. La incertidumbre genera reacciones emocionales como el miedo, la ira y la frustración, y estas conductas impulsadas por las emociones prevalecieron sobre las decisiones y acciones racionales, especialmente en los primeros días de la pandemia.
La incertidumbre en las distintas dimensiones convirtió la planificación de escenarios en el marco predominante para evaluar planes y decisiones. El análisis de escenarios se convirtió en el paradigma predominante para evaluar la progresión de la enfermedad, la desaceleración económica y la recuperación (por ejemplo, recuperaciones económicas en forma de V, U, L y W), así como para la toma de decisiones de gestión sobre la apertura de centros, la planificación de contingencias, la detección de la demanda, las interrupciones de la cadena de suministro y la planificación de la fuerza laboral. Si bien el análisis cualitativo de escenarios es bastante común en el mundo empresarial, la pandemia puso de relieve el uso de simulaciones basadas en IA para comprender cuantitativamente los vínculos causales de los distintos factores y desarrollar planes de acción contingentes.
El modelado del comportamiento humano (racional y emocional) se convirtió en un aspecto importante del análisis de escenarios. Por ejemplo, el cumplimiento de las órdenes de permanecer en casa fue uno de los principales factores de comportamiento que contribuyeron a contener la propagación de la enfermedad y la actividad económica. En consecuencia, el modelado y la simulación basados en agentes fueron una de las principales técnicas de analítica avanzada y de IA utilizadas para realizar el análisis de escenarios. Los datos diarios de movilidad sobre el número de millas recorridas en cada código postal del país sirvieron como indicador de la eficacia de las órdenes de permanecer en casa. Los mismos datos se utilizaron para modelar el comportamiento de movilidad de las personas en distintas zonas de EE. UU. a medida que avanzaba la pandemia. Los modelos basados en agentes fueron una de las mejores técnicas para captar las variaciones del comportamiento humano durante la pandemia que dependen del tiempo y del lugar.
La modelización dinámica de sistemas, otra técnica de modelización muy conocida, fue fundamental para integrar múltiples ámbitos de toma de decisiones (por ejemplo, la progresión de la COVID-19, las intervenciones gubernamentales, el comportamiento de las personas, la detección de la demanda, las interrupciones del suministro, etc.). La simulación basada en agentes ha sido tradicionalmente utilizada por los Centros para el Control y la Prevención de Enfermedades (CDC) y otras autoridades sanitarias para modelar la progresión de las enfermedades y los comportamientos de salud. Ambos métodos se han utilizado con éxito en varios escenarios inciertos para ayudar a tomar decisiones estratégicas y operativas de gestión. Algunos ejemplos recientes son los siguientes:
Un modelo SEIRD (susceptible-expuesto-infectado-recuperado-fallecido) de progresión de la enfermedad que utiliza datos de comportamiento sintéticos para EE. UU. con el fin de estimar la propensión al riesgo de COVID-19 de grupos de población localizados. Este modelo, desarrollado por PwC, resultó inestimable en los primeros días de la pandemia para calcular las hospitalizaciones, la demanda de camas de UCI y los respiradores. El MVAIM (modelo mínimo viable de IA) inicial se amplió después para tener en cuenta la movilidad de la población en distintos códigos postales. Cuando algunos estados de EE. UU. superaron los puntos máximos de hospitalización, creamos modelos de simulación de la demanda basados en agentes para hospitales, con el fin de determinar la demanda de procedimientos no relacionados con la COVID-19. Los modelos de demanda incorporaban el posible comportamiento emocional de los pacientes, incluidos el miedo y la ansiedad, así como la urgencia y la gravedad de sus afecciones de salud. El principal factor que impulsó la necesidad de un modelado del comportamiento tan sofisticado para estimar la demanda fue la incertidumbre en torno al comportamiento humano durante la pandemia.
Un modelo de simulación integrado de detección de la demanda, interrupciones de la cadena de suministro y planificación de la fuerza laboral. Nuestro equipo reunió múltiples compartimentos de toma de decisiones de gestión en un único modelo dinámico de sistema, un requisito fundamental dada la velocidad y la incertidumbre de la pandemia en evolución. Posteriormente, este MVAIM inicial se amplió para incorporar múltiples escenarios de recuperación macroeconómica, como las recuperaciones económicas en forma de V, U, L y W. En situaciones normales, no pandémicas, la demanda, la producción (que utiliza fuerza laboral y maquinaria) y la cadena de suministro se tratan como compartimentos independientes para la toma de decisiones localizada. Sin embargo, durante la pandemia, estos tres aspectos tuvieron que analizarse en conjunto y a diario para garantizar que las empresas tomaran decisiones de forma integral en materia de demanda, suministro y fuerza laboral, lo que convirtió a los modelos dinámicos de sistemas en una herramienta idónea para este análisis.
La falta de datos históricos impulsa el auge de la IA basada en modelos
Dada la rareza del evento pandémico, existían muy pocos datos históricos a nivel mundial sobre la enfermedad. En consecuencia, había pocos datos que alimentaran los enfoques de IA ricos en datos y sin modelo, como el aprendizaje profundo, que se han popularizado en los últimos años.
Por necesidad, resurgió la IA basada en modelos (que aprovecha los datos disponibles). A medida que avanzaba la pandemia y se disponía de más datos, los enfoques ricos en datos y sin modelo podían combinarse, lo que dio lugar a algunas soluciones híbridas clave:
Los modelos epidemiológicos encapsulaban el conocimiento y la experiencia sobre la progresión de la enfermedad procedentes de brotes anteriores. A medida que surgían a diario más datos sobre la enfermedad, los enfoques de aprendizaje automático se combinaron con los modelos epidemiológicos. La parte histórica del modelo epidemiológico se calibró con los datos reales, y los modelos resultantes se utilizaron para ayudar a proyectar escenarios futuros. La actualización diaria de los datos de la enfermedad a un nivel granular (por ejemplo, a nivel estatal y de condado en EE. UU.) proporcionó un mecanismo para comparar los resultados simulados con los reales y mejorar estos modelos.
Al desarrollar un modelo de fuerza laboral híbrido para un cliente que consideraba abrir un centro de fabricación, con pocos datos disponibles sobre el absentismo de sus trabajadores, pudimos construir un modelo que permitió ejecutar múltiples escenarios utilizando otras fuentes de datos (por ejemplo, las tendencias de absentismo dentro del sector) y datos de otros modelos (por ejemplo, las tasas de infección y de mortalidad en el condado donde estaba ubicado el centro de fabricación, mediante el modelo SEIRD).
En muchos sentidos, la pandemia ha puesto de manifiesto las deficiencias de nuestros sistemas, procesos, gobernanza y comportamientos. Por otro lado, también ha brindado a los científicos de datos y a los científicos de IA la oportunidad de poner en práctica sus técnicas y herramientas avanzadas, ayudando a los líderes empresariales a tomar decisiones en un entorno desafiante, dominado por la velocidad, la incertidumbre y la falta de datos.
En resumen, a medida que las organizaciones gestionan esta pandemia y se transforman tras ella, conviene tener presentes tres aprendizajes clave. En primer lugar, centrarse en métodos ágiles de ciencia de datos que aborden la velocidad, la urgencia y la incertidumbre de la toma de decisiones. En segundo lugar, construir y gestionar el negocio mediante modelos dinámicos y resilientes (por ejemplo, simulaciones basadas en escenarios que utilicen modelos dinámicos de sistemas y modelos basados en agentes) que capturen las interrelaciones entre múltiples ámbitos (por ejemplo, demanda, producción, suministro, finanzas) y el comportamiento humano. En tercer lugar, combinar enfoques ricos en modelos y ricos en datos para obtener lo mejor de ambos mundos al desarrollar sistemas de IA. Estos enfoques pueden garantizar que se puedan buscar soluciones con rapidez, maximizando al mismo tiempo las tecnologías y los procesos ya existentes.
