Si bien el impacto de la IA en la pandemia producida por el COVID-19 se ha informado ampliamente en los medios de prensa del mundo, el impacto de este en la IA no ha recibido mucha atención. Tres áreas clave de impacto han ayudado a dar forma al uso de la IA en los últimos cinco meses y continuarán transformando el análisis avanzado en los próximos meses y años. El informe, publicado esta semana en la página del Foro Económico Mundial (WEF, tal sus siglas en inglés) fue realizado por Anand Rao, Líder Global de Inteligencia Artificial en Price Waterhouse Coopers (PwC), una de las firmas de consultoría más importantes dentro de las Big Four;  y Kay Firth-Butterfield, Jefe Inteligencia Artificial y Aprendizaje Automático del Foro Económico Mundial.

La velocidad de 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 tomó por sorpresa a la mayoría de los gobiernos, empresas y ciudadanos. Esta crisis se convirtió en una crisis económica y de la cadena de suministro en cuestión de semanas (la demanda de papel higiénico y toallas de papel solo aumentó en un 600-750% durante la semana del 8 de marzo en los Estados Unidos). Menos de 100,000 casos globales confirmados a principios de marzo se dispararon a más de 13 millones en julio con más de 580.000 muertes .

Si bien los modelos de aprendizaje automático fueron una ayuda natural, el tiempo de desarrollo para los modelos de aprendizaje automático o los modelos analíticos avanzados, generalmente, se registran entre cuatro y ocho semanas, y eso es después de que se comprende claramente el alcance del caso de uso, así como los datos necesarios para entrenar, validar y probar los modelos. Si se agrega una evaluación de caso de uso antes del desarrollo del modelo, y la implementación del modelo después de que el modelo ha sido entrenado, está considerando tres o cuatro meses desde la concepción inicial hasta la implementación de la producción.

“Con la necesidad de que los líderes empresariales actuaran rápidamente, la crisis brindó la oportunidad de análisis avanzados y técnicas basadas en inteligencia artificial para aumentar la toma de decisiones”. Para las soluciones en días, no semanas o meses, los modelos de IA viables mínimos (MVAIM) tuvieron que desarrollarse en plazos mucho más cortos. Utilizando metodologías ágiles de ciencia de datos, PwC pudo comprimir estos tiempos, construyendo un modelo SEIRD (Susceptible-Exposed-Infected-Recovered-Death) de progresión de COVID-19 para los 50 estados de EE. UU. Luego lo probamos, validamos y desplegamos en otra semana. Una vez que se implementó este modelo inicial, lo extendimos a todos los condados en los EE. UU. Y lo hicimos más sofisticado.

La incertidumbre sobre el futuro conduce a simulaciones de múltiples agentes

La incertidumbre tocó todos los aspectos de la vida bajo COVID-19, desde la salud hasta el comportamiento y el impacto económico, y aceleró la mayor adopción de análisis avanzados y técnicas de IA. La incertidumbre alimenta reacciones emocionales como el miedo, la ira y la frustración, y ese comportamiento impulsado emocionalmente tiene prioridad sobre las decisiones y acciones racionales, especialmente en los primeros días de la pandemia.

La incertidumbre, a lo largo de las diferentes dimensiones, convirtió la planificación de escenarios en el marco dominante para evaluar planes y decisiones. El análisis de escenarios se convirtió en el paradigma predominante para evaluar la progresión de la enfermedad, la recesión económica y la recuperación (p. Ej., Recuperaciones económicas en forma de V, U, L, W), así como para la toma de decisiones de gestión en aperturas de sitios, planificación de contingencias, detección de demanda,  interrupciones de la cadena de suministro y planificación de la fuerza laboral. Si bien el análisis cualitativo de escenarios es bastante común en el mundo de los negocios, la pandemia puso en primer plano el uso de simulaciones basadas en IA para comprender, cuantitativamente, los vínculos causales de los diferentes impulsores y desarrollar planes de acción contingentes.

Modelar el comportamiento humano (racional y emocional) se convirtió en un aspecto importante del análisis de escenarios. Por ejemplo, el cumplimiento de las órdenes de quedarse en casa fue uno de los principales factores de comportamiento para ayudar a contener la propagación de la enfermedad y la actividad económica. Como resultado, el modelado y la simulación, basados ​​en agentes, fueron una de las principales técnicas avanzadas de análisis e inteligencia artificial utilizadas para realizar análisis de escenarios. Los datos de movilidad diaria, sobre cuántas millas se condujeron dentro de cada código postal en el país, se convirtieron en un proxy de la efectividad de los pedidos de quedarse en casa. La misma información se utilizó para modelar el comportamiento de movilidad de las personas en diferentes partes de los EE.UU. A medida que avanzaba la pandemia, los modelos basados ​​en agentes fueron una de las mejores técnicas para capturar las variaciones dependientes del tiempo y la ubicación en el comportamiento humano durante la pandemia.

El modelado dinámico del sistema, otra técnica conocida, fue fundamental para integrar múltiples dominios de toma de decisiones (por ejemplo, progresión de la enfermedad COVID-19, intervenciones gubernamentales, comportamiento de las personas, detección de la demanda, interrupciones del suministro, etc.). La simulación, basada en agentes, ha sido utilizada tradicionalmente por los Centros para el Control y la Prevención de Enfermedades (CDC) y otras autoridades de salud para modelar la progresión de la enfermedad y los comportamientos de salud. Ambos métodos se han utilizado con éxito en una serie de escenarios inciertos para ayudar a tomar decisiones de gestión estratégicas y operativas. Algunos ejemplos recientes incluyen los siguientes:

-Un modelo de progresión de la enfermedad SEIRD (Susceptible-Expuesto-Infectado-Recuperado-Muerto) utilizando datos de comportamiento sintéticos para los EE. UU. Para estimar la propensión al riesgo COVID-19 de grupos de población localizados Este modelo, construido por PwC, demostró ser invaluable en los primeros días de la pandemia para estimar las hospitalizaciones, la demanda de camas en la UCI y los ventiladores. El MVAIM inicial (modelo mínimo viable de IA) se extendió para tener en cuenta la movilidad de la población en diferentes códigos postales. A medida que algunos estados de los EE. UU. Superaron los puntos de hospitalización máximos, creamos modelos de simulación de demanda basados ​​en agentes para hospitales para ayudar a determinar la demanda de procedimientos no COVID-19. Los modelos de demanda incorporaron el comportamiento emocional potencial de los pacientes, incluidos el miedo y la ansiedad, y la urgencia / gravedad de las condiciones de salud existentes.

-Un modelo integrado de detección de demanda, interrupción de la cadena de suministro y planificación de la fuerza laboral. Nuestro equipo trajo múltiples silos de toma de decisiones de gestión en un modelo dinámico de un solo sistema, un requisito crítico dada la velocidad e incertidumbre de la pandemia en evolución. Este MVAIM inicial se extendió para incorporar múltiples escenarios de recuperación macroeconómica como los escenarios de recuperación económica V, U, L y W. En escenarios normales, no pandémicos, la demanda, la producción (utilizando fuerza de trabajo y maquinaria) y la cadena de suministro se tratan como silos independientes para la toma de decisiones localizadas. Sin embargo, durante la pandemia, estos tres tuvieron que analizarse juntos y todos los días para garantizar que las empresas tomaran decisiones de manera integral en torno a la demanda, la oferta y la fuerza laboral, lo que hizo que los sistemas dinámicos del sistema fueran ideales para dicho análisis.

La falta de datos históricos conduce al aumento de la IA basada en modelos

Dada la rareza del evento pandémico, había muy pocos datos históricos a nivel mundial sobre la enfermedad. Como resultado, había poca información para potenciar los enfoques de AI, ricos en datos y sin modelos, como el aprendizaje profundo que se ha vuelto popular en los últimos años. Por necesidad, la IA, basada en modelos (que aprovecha los datos disponibles), vio un resurgimiento. A medida que avanzaba la pandemia y había más datos disponibles, se podían combinar enfoques ricos en datos y sin modelos, lo que conducía a algunas soluciones híbridas clave:

-Los modelos epidemiológicos encapsularon el conocimiento y la experiencia de la progresión de la enfermedad de brotes anteriores. A medida que surgían diariamente 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 nivel granular (por ejemplo, a nivel estatal y del condado en los EE. UU.) Proporcionó un mecanismo para comparar los resultados simulados y reales y mejorar estos modelos.

-Al desarrollar un modelo de fuerza laboral híbrido para un cliente que considera abrir un sitio de fabricación con pocos datos disponibles sobre el ausentismo de sus trabajadores, pudimos construir un modelo para ayudar a ejecutar múltiples escenarios utilizando otras fuentes de datos (por ejemplo, tendencias de ausentismo dentro del sector) y datos de otros modelos (p. ej., tasas de infección y mortalidad en el condado donde se encontraba el sitio de fabricación, utilizando 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 una oportunidad para que los científicos de datos y los científicos de IA utilicen sus técnicas y herramientas avanzadas al ayudar 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 se manejan a través de esta pandemia y se transforman, vale la pena tener en cuenta tres aprendizajes clave. Primero, enfocarse en métodos ágiles de ciencia de datos que aborden la velocidad, la urgencia y la incertidumbre de la toma de decisiones. En segundo lugar, cree y administre su negocio utilizando modelos dinámicos y resistentes (p. Ej., simulaciones basadas en escenarios que usan modelos dinámicos del sistema y basados ​​en agentes) que capturan las interrelaciones de múltiples dominios (p. Ej., demanda, producción, oferta, finanzas). Tercero, combina enfoques ricos en modelos y en datos para obtener lo mejor de ambos mundos mientras construye sistemas de inteligencia artificial. Estos enfoques pueden garantizar que pueda buscar soluciones rápidamente mientras maximiza las tecnologías y procesos que ya existen.