Con inteligencia artificial se “aprendería” del error y se pronosticaría el futuro con mayor precisión

Los modelos predictivos se utilizan casi en cualquier ámbito: para predecir cuánta audiencia tendrá un programa de televisión, en qué momento un cliente comprará de nuevo un producto, o cuáles serían los riesgos de tomar un crédito bancario. Lo único que se requiriere son suficientes datos previos o históricos que permitan capturar patrones, y por ende el comportamiento de los datos.

“Actualmente muchas empresas utilizan modelos predictivos que, sin embargo, suelen presentar errores con el paso del tiempo, sobre todo si no se entrenan adecuadamente para adaptarlos a cambios en el contexto, o a la complejización natural de la realidad. Por eso tratamos de optimizarlos con autoaprendizaje y así reducir los márgenes de error”, explica el investigador Samuel Murillo Ospina, magíster en Ingeniería - Analítica de la UNAL Sede Medellín.

El investigador trabajó con un modelo llamado Transformer, adaptado a series de tiempo, que detecta las formas sutiles en que los datos de un conjunto se influencian y dependen entre sí. Por ejemplo, si se tiene la variación diaria y durante años de la audiencia de un programa de televisión, un modelo predictivo de este tipo permitiría determinar si las cifras se ven influenciadas positivamente en un momento específico del mes.

“A esto, que ya es valioso, le incorporamos autoaprendizaje, lo que permite ajustar el error esperado con base en los anteriores. Por ejemplo, si ayer pronostiqué que tendría 5 personas de audiencia y tuve un error del 1 %, si hoy vuelvo a pronosticar con la misma información previa, es probable que el error también sea similar. Esto fue lo que tratamos de solucionar haciendo que el modelo ‘aprenda’ de forma automática de los errores anteriores”, continúa.

Pronosticar con base en los datos y en los errores

Para poner a prueba el modelo y su optimización con autoaprendizaje, el magíster Murillo trató de predecir cómo se comportaría el índice S&P 500, uno de los índices bursátiles más importantes de Estados Unidos que muestra cómo se están comportando financieramente las 500 empresas más importantes de ese país, entre ellas Apple, Microsoft y The Walt Disney Company (Disney).

Este índice refleja el valor diario de las acciones de estas empresas y se calcula en función de la capitalización bursátil ajustada por el free float (acciones disponibles para el público). Es decir, se basa en el valor total de mercado de las acciones en circulación, dando mayor peso a las empresas con más valor de mercado.

“Así pues, trabajamos con datos de 1997 a 2023, que incluían la fecha diaria, el precio de cierre, de apertura, y los valores mínimos y máximos de las acciones, con el fin de predecirlos y comparar con la realidad para determinar si la precisión mejoraba”, explica.

Este ejercicio lo realizó para 60 valores, con y sin autoaprendizaje. “Vimos que con el modelo Transformer los pronósticos del precio de cierre del S&P500 se alejaron como máximo un 4,04 % de la realidad, y en algunos casos se acercaron con una diferencia muy pequeña: 0,03 %”.

Ahora bien, al incorporar autoaprendizaje al modelo de IA, los pronósticos se alejaron como máximo un 3,07 % y se acercaron con una diferencia muy pequeña: 0,0019 % respecto al dato real, lo que representa una mejora del 19,6 %. “Esta sustancial reducción del error porcentual abre caminos para futuras investigaciones y mejoras que pueden impactar no solo en ámbitos como las finanzas, sino también en otras industrias y en la ciencia”.

Además, los resultados son relevantes porque representan una mejora superior a lo que se ha registrado con estudios similares. “Para mejorar los pronósticos es más importante monitorear y ajustar las métricas que aplicar modelos cada vez más complejos. Ahora bien, lo que nosotros logramos fue que estos monitoreos y ajustes se hicieran automáticamente, es decir, sin intervención humana”, señala el investigador.

Tener pronósticos cada vez más acertados –precisos y acordes con la realidad– impactaría positivamente en factores como la planificación de la producción de una fábrica y la aplicación de estrategias para aumentar la competitividad en las organizaciones; además permitiría predecir el comportamiento de los clientes para propósitos de mercadeo y reducir costos.

“Todo esto reduciría los tiempos de ejecución de los procesos de entrenamiento de los modelos de AI y ayudaría a tomar mejores decisiones, lo que para el ciudadano de a pie se traduciría, por ejemplo, en una mejor administración de su negocio, inversiones más seguras en las bolsas de valores, etc.”, finaliza el magíster Murillo.

La investigación fue dirigida por la profesora María Constanza Torres Madroñero, adscrita a la Facultad de Minas de la UNAL Sede Medellín.