OSCAR HUMBERTO MORATTO SANTOS COORDINADOR DE INVESTIGACIONES
FACULTAD DE INGENIERÍA
UNIVERSIDAD PILOTO DE COLOMBIA
INSTITUTO DE INVESTIGACIONES Y PROYECTOS ESPECIALES - INIP BOGOTÁ, D.C.
2. Productos...2
3. Objetivos...2
3.1 Objetivo General...2
3.2 Objetivos Específicos...2
4. Alcance...2
5. Justificación...3
6. Marco Conceptual...6
6.1 Conceptos Previos...6
6.1.1. Participación de Mercado...6
6.1.2. Precio de la propuesta y el margen...7
6.1.3. Margen...7
6.1.4. Riesgo y Administración de Riesgo...7
6.1.5. Modelaje Computacional...9
6.2 Ineficiencia de los modelos tradicionales de toma de decisiones relacionadas con la selección del margen...9
6.3 Ventajas de CBR respecto a otros modelos...11
6.3.1 CBR y el. Retorno de Información de Bases de Datos (Information Retrieval - IR) 12 6.3.2. CBR vs. Técnicas Estadísticas...13
6.3.3. CBR vs. Sistemas Expertos basados en reglas...13
6.3.4. CBR vs. Máquinas de aprendizaje (Machine Learning)...15
6.3.5. CBR vs. Redes Neuronales...16
6.3.6. Conclusiones de comparaciones tecnológicas...16
6.4 CBR en términos generales...18
6.4.1. Supuestos del CBR...19
6.5 Solución de problemas basado en casos...19
6.6 Aprendiendo en razonamiento basado en casos...20
6.7 Combinando el caso con otro conocimiento...21
6.8 Fundamentos de los métodos de razonamiento basados en casos...21
6.8.1. Tipos de métodos CBR...22
6.9 El Ciclo CBR...24
6.9.1. Representación de Casos...26
6.9.2. Indexar...28
6.9.3. Almacenamiento...28
6.9.4. Retorno de Casos...28
6.9.5. Adaptación...30
6.10 Jerarquía de tareas de CBR...31
7. Modelo de toma de decisiones para selección del margen aplicando CBR...34
7.1 Factores Claves para la presentación de propuestas...38
7.1.1 El Proceso Analítico Jerárquico - AHP...45
8.3 Organización del Caso Base - Estructura...60
8.4 Organización del Caso Base – Arbol de Indexado...63
9. Conclusiones...64
Tabla 1 – Razonamiento basado en reglas vs. Razonamiento Basado en casos 15
Tabla 2 - Comparaciones de Tecnología 17
Tabla 3 - Relevancia Relativa de Importancia de Factores 39 Tabla 4 - Relevancia de Factores para Categoría "Mercado y
Entorno del Proyecto" 40
Tabla 5 - Relevancia de Factores para Categoría "Margen de Riesgo" 42 Tabla 6 - Relevancia de Factores para Categoría "D.O.F.A. de la Compañía" 44 Tabla 7 – Método AHP: Escala Fundamental de Evaluación 47
Tabla 8 – Indice de Consistencia Media Aleatoria 49
Tabla 9 – Importancia Definitiva de Factores 50
Tabla 10 – Vocabulario de Indice de Casos 58
Tabla 11- Atributos de la clase “Licitación” 61
Tabla 12 - Atributos de las Subclases 63
Tabla 13 - Convenciones de Tipos de Dominio de Valores 63
Figura 1 - El Ciclo CBR 26
Figura 2 – Espacios de Problema y Solución 27
Figura 3 - Descomposición del método de tareas del CBR 33
Figura 4 - Modelo de Razonamiento de Licitaciones 36
Figura 5 - Modelo de Razonamiento de Licitaciones modificado a Colombia 36
Figura 6 – Jerarquía de Niveles 46
Figura 7 – Matriz de Comparaciones de Parejas 48
Figura 8 - Marco Lógico de Modelamiento 55
Figura 9 - Taxonomía para el atributo “Identidad de la entidad contratante” 59 Figura 10 - Taxonomía para el atributo “Dificultad Tecnológica” 60
Figura 11 - Estructura de clases 61
Anexo 1 - Factores Claves 68 Anexo 2 - Factores de Mercado y Entorno del Proyecto 70
Anexo 3 - Riesgo de Margen 73
licitatorios.
1. Introducción
El cambio cultural que ha experimentado Bogotá en los bajo las últimas administraciones locales, cambio entendido como concepto de ciudad, se ha visto reflejado de manera tangible por medio de fuertes inversiones por parte del Distrito Capital en proyectos de infraestructura (Transmilenio, bibliotecas, ciclorutas, etc.). Esto ha ayudado a que la industria de la construcción haya sobrevivido una de las crisis más profundas de los últimos años por medio de la contratación con el Estado, a través de la presentación de propuestas y la posterior asignación de contratos.
En industrias que dependen altamente de la presentación de propuestas para su supervivencia económica, como es el caso de la arquitectura e ingeniería civil, aplicar algún tipo de metodología que asegure que el precio del contrato, y primordialmente, el margen del mismo, cumple con los objetivos y metas de la firma, es de particular importancia. Adicionalmente, los procesos de toma de decisiones, y más específicamente, la toma de decisiones relacionadas con selección de margen en la presentación de propuestas, es una actividad compleja que involucra diversos factores que deben ser ponderados de manera formal y que generalmente, en el medio colombiano es realizada de forma intuitiva o a lo sumo, aplicando teoría de probabilidades sencilla. En recientes estudios (Chavez, 2004), se determinó, para una población reducida de contratistas bogotanos, que el 32% de los entrevistados utilizaba modelos estadísticos sencillos para determinar el monto de la propuesta económica, el 11% modelos matemáticos, el 37% modelos de determinación detallada del precio (presupuestos) y el 21% se basaba en la experiencia e intuición del personal responsable de tomar la decisión.
El razonamiento basado en casos (CBR por sus siglas en inglés – Case Based Reasoning) es una metodología que busca simular los procesos de toma de decisiones realizados por humanos, en el sentido de tener en cuenta experiencias pasadas a situaciones presentes, pero ajustando dicho conocimiento previo en relación con la realidad vigente.
2. Productos
Diseño conceptual de un modelo de aplicación de razonamiento basado en casos a procesos licitatorios.
3. Objetivos
A continuación se presentan los objetivos del proyecto de investigación.
3.1 Objetivo General
Diseñar un modelo conceptual basado en razonamiento basado en casos (Case Based Reasoning – CBR), que tenga como finalidad el ser usado como herramienta de toma de decisiones en procesos licitatorios, más específicamente, en la determinación del margen de la propuesta económica, para su implementación posterior como insumo en una herramienta computacional.
3.2 Objetivos Específicos
Los objetivos específicos del proyecto son:
- Describir y conceptualizar los elementos constitutivos de un sistema basado en CBR (repositorio de casos, extracción de casos, inferencia, ajuste de casos, etc.).
- Determinar los factores fundamentales que afectan la toma de decisiones en procesos licitatorios en el medio colombiano
- Cuantificar las relaciones entre los diferentes factores que afectan la toma de decisiones en procesos licitatorios en el medio colombiano
- Desarrollar un modelo conceptual que pueda ser migrado posteriormente a un modelo computacional
4. Alcance
5. Justificación
El licitar o no licitar ha sido siempre un decisión crucial de negocios en la cual la firma determina los requisitos de la propuesta, identifica y evalúa a los competidores y arriesga tanto tiempo y dinero en función de la percepción que se tenga de qué tanto es práctico arriesgar.
Según Rivera(2004), en el medio Bogotano de construcción, la razón principal para licitar es Mantener y Ampliar Experiencia (47%), seguida por la Necesidad de Trabajo (20%) y la Utilización de Recursos Disponibles (13%). Chávez (2004), confirmó los hallazgos de Rivera, determinando que los motivos primordiales para licitar eran Mantener y Ampliar Experiencia (36%), la Necesidad de Trabajo (33%) e Incursionar en Nuevos Mercados (15%). De lo anterior, se puede asegurar que, la Necesidad de Trabajo y Mantener y Ampliar la Experiencia son las causas primordiales que llevan a una compañía a presentarse a una licitación.
Licitar es una actividad costosa para una firma, además de ser, en muchos casos, una actividad crítica para la supervivencia comercial de la misma. Diversos estudios muestran que el costo de los recursos necesarios para preparar una propuesta en un proyecto de construcción pueden empezar a oscilar entre el 0.25 y el 0.20% del costo del proyecto. Estos costos incluyen, entre otros, revisión de términos de referencia, adquisición de términos y preparación de la propuesta. Lo anterior significa que si una firma tiene que presentar cuatro (4) propuestas de $1000 millones para que se le adjudique un contrato, los activos consumidos tratando de obtener los tres proyectos no adjudicados pueden llegar a ser hasta de $10´000.000. En resumen, el contratista invierte aproximadamente $10 ´000.000 antes que sea capaz de obtener un contrato a través de una estrategia exitosa de licitación. Por lo anterior, la presentación de propuestas es una actividad relevante de la cual, en un sinnúmero de industrias, depende de manera importante la compañía para la consecución de trabajo. Es relevante desde diversos puntos de vista, no solo si se considera proporción de proyectos “conseguidos” por medio de licitaciones, sino también desde otros ángulos, como por ejemplo, desde el de los recursos (financieros, dedicación de personal, etc.) asignados a este tipo de actividades pueden llegar a ser apreciables dentro de la organización.
Una de las principales características de la adjudicación de proyectos a través de licitaciones es que la mayoría, si no todos los proyectos, son “ganados” uno a la vez, independiente de los demás proyectos, ya sea que se encuentren en proceso o aguardando su inicialización. Dada la independencia de eventos, un licitante perderá recursos económicos en algunas operaciones “debido a la aletoriedad de ocurrencia de condiciones adversas, pero estas pérdidas se recobrarán con otros proyectos” (Slattery, 2001). Es más, la supervivencia de la firma depende en que se cumpla este supuesto.
variedad de formas, dependiendo del mercado. Puede alcanzarse simplemente por tener una publicidad superior que cause en los consumidores potenciales el obviar a la competencia y convertirse en consumidores reales. Puede involucrar grandes esfuerzos de revisión, consecución de personal, producción y negociación de las licitaciones de tal forma que se asegure un punto medio entre el contratista y el contratante. Sin embargo, el ganar involucra primordialmente asegurar la participación en el mercado por medio de la capacidad de asignar un precio correcto en relación al mercado y a la competencia” (Nassar, 2002). Por lo anterior, una de las actividades vitales para ganar en un mercado competitivo es el desarrollo de una estrategia licitatoria exitosa. Una estrategia licitatoria se considera exitosa cuando por medio de ella la compañía es capaz, como se expuso previamente, de asegurar trabajo y aumentar su participación del mercado en el largo plazo (Nassar, 2002). Dadas las características de alta competencia en este tipo de mercados, muchas firmas fracasan en el intento de licitar. En mercados donde la obtención de trabajo depende de la adjudicación de contratos a través de licitaciones, los reveces en esta actividad pueden acarrear consecuencias nefastas para la estabilidad comercial de la firma. Existen varias razones para las altas ratas de fracaso comercial; sin embargo, los flujos de caja negativos permanecen como una razón predominante; sumado el hecho que, bajo algunas circunstancias, las firmas se presentan a demasiadas propuestas, muchas de las cuales no se acoplan al perfil de la firma o que están fuera de su mercado geográfico y/o su habilidad técnica de controlar adecuadamente.
Adicionalmente, licitar es una actividad riesgosa. Aunque generalmente los responsables de determinar el precio de la propuesta consideran en alguna medida los riesgos a los cuales se ve expuesta la firma, estos riesgos son raramente reflejados en el estimativo final en una forma sistemática y formal, debido primordialmente a que en pocas ocasiones estos riesgos son identificados explícitamente y mucho menos cuantificados.
factores, cada vez se tienen mayores dificultades para la adjudicación de trabajos (Belecheanu R, et al, 2003). Otro factor que hay que tener en cuenta es que, bajo las actuales circunstancias de negocio, la propuesta económica es el factor categórico de adjudicación de contratos. Para que un contrato sea adjudicado a una firma, ésta debe contar con la totalidad de requisitos tanto técnicos, financieros como de experiencia requeridos en los términos de referencia. Sin embargo, la principal fuente de pérdida de licitaciones por parte de contratistas es la sobreestimación de costos, reflejados en la propuesta económica (Chávez, 2004; Rivera, 2004). Por lo anterior, la propuesta económica es en resumen, el elemento que define la adjudicación o no del proyecto, dado que en proyectos donde “la precisión en los cronogramas y en la definición del presupuesto reducen el riesgo y proveen una predicción más acertada de los costos probables de construcción, el margen es la llave para una licitación exitosa” (Tenah K, Coulter C, 1999). De hay radica la importancia de la selección de un margen que asegure la asignación del trabajo; pero por sobre todo, que una vez asignado, contribuya estratégicamente a los objetivos de largo plazo de la organización y a la generación de valor de la firma; máxime en momentos en los cuales “cada vez más contratistas pujan por un número limitado de proyectos, lo que hace que los contratistas se presenten a más propuestas con el fin de permanecer solventes” (Tenah K, Coulter C, 1999).
Finalmente, aunque son claras las razones que hacen necesaria de una estrategia para licitar, y más específicamente, una estrategia para determinar el monto de la propuesta económica (margen), tradicionalmente, y especialmente en el medio colombiano, esta decisión crucial de negocios es relegada a personas con alto poder de decisión en la organización, que toman dicha decisión basados casi que exclusivamente en su experiencia e intuición del negocio, sin poseer herramientas adicionales que de manera formal apoyen esta selección. Aunque la metodología primordial para determinar el monto de la propuesta económica es la utilización de modelos estadísticos o la determinación del precio de forma detallada, a través de un presupuesto, seguidos de la experiencia e intuición del senior staff (Rivera, 2004; Chávez, 2004), la selección final del monto de la propuesta económica siempre es realizada de forma intuitiva. Incluso en el evento en que se utilicen modelos estadísticos, generalmente éstos son de tipo elemental y se apoyan exclusivamente en el promedio histórico del valor de la propuesta económica de propuestas ganadoras, sin tener en cuenta otros factores que afectan el proceso; además, éste tipo de modelos, al no seleccionar los casos previos almacenados según las características propias del proceso, y si no se alimenta de información adicional, mantienen estático el margen sugerido (Chua, D.K.H, Chan, W.T., 2001).
Este proyecto de investigación pretende proveer un marco lógico para la toma de decisiones relacionadas con la selección del margen de la propuesta económica, para compañías que posean información histórica amplia y consistente de procesos licitatorios pasados.
6. Marco Conceptual
En la presente sección se pretende dar al lector un conocimiento general relacionado con algunas de las metodologías utilizadas para la toma de decisiones, haciendo énfasis en el Razonamiento Basado en Casos (CBR). Algunas de las razones para la selección del CBR como metodología de modelamiento, de en qué consiste el CBR, sus orígenes, los elementos constitutivos de un sistema basado en casos y del ciclo de un sistema basado en casos.
6.1 Conceptos Previos
16.1.1. Participación de Mercado
En el sector de la construcción, la participación en el mercado puede definirse como la proporción o cantidad de trabajo que el contratista tiene, relativa a sus competidores. Esta cantidad de trabajo puede ser medida por el número de trabajos o por valor monetario, siendo ésta última, la medida más razonable y significativa. Bajo ciertas situaciones, como por ejemplo, en el caso de subcontratación de trabajo, ésta participación de trabajo puede medirse en términos de trabajo unitario (p.e., metros cúbicos de concreto, kilómetros cuadrados de pavimentación, metros lineales de instalación de tubería, etc.).
La participación de mercado de una firma puede ser un instrumento o indicador de la posición financiera de la organización en relación a otras firmas, así como también una herramienta de pronóstico referente a proyecciones y decisiones relacionadas con personal y recursos requeridos en el futuro. La importancia de ganar participación del mercado para contratistas radica no solo en la adjudicación de los contratos a los cuales la firma se presenta o está interesada, sino también en la posibilidad de expansión. Generalmente, a medida que se asegura participación del mercado, la firma tiene mayores posibilidades de crecimiento de su negocio en el futuro. En el sector de la construcción, ésta última aseveración es más palpable en situaciones de contratos negociados en lugar de ganados por medio de licitaciones, dado que el cliente tendrá la tendencia a contratar nuevamente con al mismo contratista, siempre y cuando, dicho contratista haya proveído un buen servicio y haya demostrado un buen desempeño en la realización de las tareas (Nassar, 2002).
6.1.2. Precio de la propuesta y el margen
Diversos factores afectan el precio propuesto por el contratista, entre los cuales se pueden incluir el riesgo (de diferentes niveles y fuentes), el número de trabajos o cantidad de trabajo que el contratista actualmente tenga (participación de mercado) y la capacidad de endeudamiento. Uno de los aspectos más importantes del precio de la propuesta es el margen. Entre más competidores hayan y más fuerte sea la competencia, existe una mayor tendencia a disminuir el margen. La decisión relativa al margen apropiado debe ser consistente con la participación de mercado ya asegurada. Existen diversas estrategias para optimizar la decisión relativa a la selección del margen, sin embargo, cabe anotar que “ninguna estrategia funcionará en todas las situaciones y la decisión relativa a la selección del margen dependerá de la experiencia y habilidad adquirida” (Nassar, 2002).
6.1.3. Margen
En la industria de la construcción, el margen puede definirse como “la cantidad adicionada al estimativo de costos directos con el fin de recuperar los costos indirectos de la firma y obtener ganancias del proyecto”. El margen considera elementos de trabajo, subestimación del proyecto, contingencias y utilidad. “En el ambiente actual de competencia incremental y márgenes de utilidad decrecientes, la definición del margen para proyectos son más críticos que nunca, especialmente, en proyectos asignados por medio de licitaciones”.
El tener acceso cantidades de obra y precios relativamente precisos no garantizan que el contratista tendrá una propuesta exitosa o ganadora, la cual es una propuesta que cubre todos los costos y asegura maximizar la utilidad, de tal forma que esté dentro de un rango de precios aceptable. Si los demás participantes (licitantes) poseen información similar en cuanto a mano de obra, subcontratistas y proveedores, existe una alta probabilidad que los costos directos de los diversos competidores sean aproximadamente iguales. Por lo tanto, las diferencias en el precio de la propuesta son causadas por productividad en los ítems de costo directo, que son en algunos casos referidos como medios y métodos o estrategia, costos indirectos y utilidad. Es bastante común en el medio de la construcción que dos contratistas con exactamente la misma información y costos directos, no coincidan la cuantificación del margen de la propuesta. La selección del margen basada principios de ingeniería de costos es común en las industrias manufactureras, pero estos principios no son prevalecientes en la industria de la construcción. (Tenah, K., Coulter, C., 1999).
6.1.4. Riesgo y Administración de Riesgo2
Todos los proyectos, incluidos los de la industria de la ingeniería civil, tienen una serie de riesgos asociados. Cuando una firma prepara una propuesta para un proyecto, debe en primera instancia identificar las fuentes de riesgo de dicho proyecto y luego ajustar el precio de la propuesta o incluir, de ser posible, algún tipo de cuantificación en la propuesta, de ser posible, con el fin de limitar el impacto potencial, en términos de costos, del riesgo
en el proyecto. Si el análisis de riesgos emplea conceptos de probabilidad, este impacto en términos de costo debe ser una función tanto del costo como de la eventualidad de ocurrencia de la situación adversa. La administración de riesgos en el sector de la construcción se basa frecuentemente en la intuición derivada de la experiencia del contratista. Los riesgos no son cuantificados de manera igual por distintas personas, debido a la percepción del riesgo que tiene cada una de ellas. La percepción del riesgo tiene que ver con “los factores psicológicos y emocionales que han demostrado tener un impacto importante en el comportamiento” (Kureuther, 2004)
Ante la eventualidad de ocurrencia de un riesgo, las cuatro (4) opciones de respuesta primordiales a éste son: i) retención; ii) reducción; iii) transferencia y; iv) evasión (Slattery K, Bodapati N, 2001). Dada la aleatoriedad de eventos, aquellas circunstancias donde se deba cubrir el costo de una situación desfavorable en un proyecto (ocurrencia de situación riesgosa), se equilibrarán con otros proyectos con resultados favorables.
En algunos casos, puede ser más económico para la firma retener riesgos repetitivos de menor impacto. “Por ejemplo, cuando se licite un trabajo que requiera de la liquidación de perjuicios por terminación tardía de los trabajos, la propuesta debe ser incrementada como una función de los posibles niveles de liquidación de daños multiplicada por la probabilidad de las demoras correspondientes” (Slattery K, Bodapati N, 2001), de tal forma que las pérdidas ocasionadas por la terminación tardía de un trabajo serán compensadas con las ganancias de proyectos que se completaron a tiempo. Por el contrario, una propuesta con un incremento igual al máximo probable de daños a liquidar (cubrimiento total de riesgo) rara vez será exitosa.
Otros tipos de riesgos pueden ser reducidos por medio de una mejor administración y entrenamiento del personal. La reducción de riesgos puede requerir de recursos adicionales, y este sobrecosto debe ser justificado vía reducción del costo esperado. Por ejemplo, el “monitoreo y la realización de ensayos adicionales en el proyecto pueden ser empleados para reducir el riesgo de problemas que bajo otras circunstancias pasarían inadvertidos, los cuales pueden llevar a reparaciones onerosas en el futuro; sin embargo, estos costos debe ser justificados basados en la probabilidad de una problema de importantes proporciones que pueda no ser detectado”.
El riesgo puede también ser transferido a otras entidades, por ejemplo, a través de seguros o requerimientos contractuales. “Idealmente, el costo neto del riesgo se minimizará cuando el riesgo es asignado al ente que tiene el mayor control sobre el aspecto causante de dicho riesgo en el proyecto”.
6.1.5. Modelaje Computacional3
El modelaje computacional es una herramienta de utilidad en situaciones de transmisión de conocimiento, primordialmente porque los métodos tradicionales de distribución de conocimiento incluyen inversiones importantes en entrenamiento extensivo, mentoring y revisión de las prácticas empleadas.
El modelaje computacional está diseñado para capturar y comunicar interactivamente el conocimiento detallado de un experto, incluyendo las dependencias de contexto del razonamiento del experto y sus conclusiones de juicio. “Fundamentalmente, el modelaje computacional hace accesible la teoría de proceso orientado relativa a cómo realizar juicios semiestructurados que requieren de considerable conocimiento específico a la tarea por realizar” (Wright, et al, 2004).
6.2 Ineficiencia de los modelos tradicionales de toma de
decisiones relacionadas con la selección del margen
Tal y como se expuso previamente, tradicionalmente las compañías cuyo modelo de negocios gira primordialmente alrededor de la presentación de propuestas, usualmente no poseen una heurística ortodoxa para la selección del margen de la propuesta económica. Generalmente, la selección del margen es realizada con base en la experiencia e intuición del personal directivo de la firma. En el mejor de los casos se cuenta con un modelo probabilístico en el cual la compañía lleva un record de licitaciones presentadas, montos de presupuesto oficial y monto de la propuesta económica. A través de operaciones estadísticas sencillas (cálculo de distribución de frecuencia, media y desviación estándar), se llega a un valor esperado de valor de propuesta ganadora. Aunque estas metodologías estadísticas son mucho más consistentes que depender exclusivamente del juicio del experto, tiene ciertas debilidades, como por ejemplo:
No se cuantifica el margen como tal, sino que la decisión gira entorno al AIU (Administración, Imprevistos y Utilidad)
El valor de la contingencia, con el cual se cuantifican los riesgos del proyecto, es usualmente un número arbitrario y puede no ser apropiado para el proyecto propuesto
Sólo tiene en cuenta factores como cantidades de recursos y precios de dichos recursos, cuando el precio de la propuesta depende también de factores como de los precios de los competidores.
Los encargados de identificar los riesgos, generalmente tienen la tendencia a sobreestimar los mismos.
Este método evalúa los riesgos sólo como variables negativas y no considera potenciales positivos (oportunidades)
Finalmente, la mayor deficiencia de estas metodologías radica en el hecho que se utiliza información histórica sin ajustarla al contexto bajo el cual fue usada. En otras palabras, no se consideran elementos como las condiciones socio-económicas, de competencia, de cantidad y necesidad de trabajo de la compañía que afectan de manera importante la selección del margen y que no son modificadas para las condiciones actuales de negocio. Es decir, los datos históricos son utilizados indiscriminadamente sin tener en cuenta el contexto que influenció la decisión. Esto no quiere decir que la información histórica no es de utilidad, sino que debe ser utilizada teniendo en cuenta éstas limitaciones y ajustándola con el fin de reflejar la realidad del contexto económico bajo el cual se licita. Con base en lo anterior, se puede llegar a asegurar que las metodologías tradicionales de selección del margen de la propuesta económica pueden llegar a no ser de utilidad si no son usadas bajo el contexto apropiado y sin tener en cuenta las restricciones inherentes de este tipo de modelos.
En resumen, la toma de decisiones en presentación de propuestas se caracteriza por tener una argumentación cualitativa, subjetiva y algunas veces, no muy clara. Estos problemas están poco estructurados. Por lo tanto, las experiencias son difíciles de asignar con patrones, pero son más fácilmente vistas como casos distintos, por lo que un modelo CBR se ajusta a las características del problema. (Belecheanu, R., Pawar K.S., Barson, R.J., Bredehorst, B., Weber, F., 2003).
A todo lo anterior se debe sumar el hecho que para la selección del margen, es usual que un contratista tienda a adicionar un porcentaje fijo, tan amplio como sea posible, de los costos directos, esperando que esta “profecía” sea suficiente para cubrir errores de estimación del presupuesto, omisiones y contingencias, pero lo suficientemente bajo para que el contrato le sea asignado. La definición de esta suma en muchas ocasiones se realiza como resultado de la experiencia e intuición de la persona encargada de tomar esta decisión. El contratista confía en que esta cantidad sea suficiente para cubrir los costos indirectos de la firma durante el periodo de construcción mientras otro contrato le es asignado. Si al final del año la compañía reporta ganancias, el contratista se sentirá satisfecho, independientemente de la cantidad ganada, dado que “sobrevivió” un año más. Entre menor sea el sobrecosto asignado a la propuesta, mayor oportunidad existe de tener una propuesta ganadora. De manera contraria, a mayor sobrecosto asignado, la posibilidad que el contrato le sea adjudicado decrece. El que un trabajo sea ganado con un margen exorbitantemente alto, dada la aleatoriedad de eventos, no significa que se asignarán trabajos futuros con este mismo margen. Un contratista puede tener dificultades económicas si no obtiene proyectos lo suficientemente rentables o por realizar demasiados trabajos a precios bajos a un mismo tiempo. Así mismo, presentar propuestas a un costo inferior al costo de producción no garantiza que ésta sea una propuesta ganadora. (Tenah, K., Coulter, C., 1999).
- Con el fin de poder poner en práctica las metodologías formales, se requiere de una amplia cantidad de datos los cuales muchas veces no están disponibles o son difíciles y costosos de recolectar y generar.
- Las personas encargadas de tomar la decisión se apoyan primordialmente en el conocimiento experimental y la apreciación intuitiva, derivada de la experiencia adquirida, en lugar que en métodos formales.
Todo lo anterior permite afirmar que, los sistemas de soporte basados en experiencia son recomendables para la toma de decisiones relacionadas con selección del margen de propuestas económicas en procesos licitatorios, debido a que gran parte del razonamiento empleado para la toma de esta decisión es empírico. De otra parte, se ha revelado la falta de soporte, en términos de acercamientos prácticos que capturen y capitalicen las experiencias de la vida real de las compañías. Por lo tanto, se puede afirmar que el CBR es, en este caso, una metodología apropiada para la solución de esta problemática. (Belecheanu R, et al, 2003).
6.3 Ventajas de CBR respecto a otros modelos
Tal y como se presentó en la sección anterior, la principal ventaja de la metodología CBR es que los modelos tradicionales, como por ejemplo, los basados en teoría de probabilidades, aunque tienen en cuenta diversos y numerosos factores, en muchos casos no reflejan la interacción de dichos factores para el caso específico que se evalúa. Incluso, si este tipo de interacciones tienen cierto nivel de complejidad, el poderlas representar en un modelo probabilístico es una tarea relativamente ardua. En otras palabras, éste tipo de modelos generalmente no tienen en cuenta las características únicas del trabajo ni la situación económica, de competencia, necesidad de trabajo o riesgo sobre la cual se licita o se licitaron los proyectos pasados y poder representar éstos factores tiene un grado de complejidad que, a medida que el modelo es más sofisticado, escala de forma significativa. Por lo tanto, se puede llegar a afirmar que modelos basados en teoría de probabilidades no son capaces de relejar la interacción de estos factores, o para reflejar dicha interacción, requieren de modelos de alta complejidad.
El CBR yace sobre la premisa que los humanos frecuentemente solucionan un nuevo problema comparándolo con problemas similares que ya ha resuelto en el pasado, de tal forma que utiliza conocimiento específico de experiencias pasadas a situaciones actuales (Aamodt, Plaza, 1994; Shi, Zhu, Burt, Qi, Simonson, 2004; Cheng, Cheng, 2004; Belecheanu, et al, 2003).
En términos generales, el CBR “recolecta información acerca de casos previos, y luego retorna dicha información para casos similares, de tal forma que es capaz de utilizar el conocimiento específico de experiencias pasadas en situaciones actuales” (Chua, 2001, 35). De esta forma es posible reutilizar conocimiento específico de experiencias pasadas, a situaciones actuales. Así mismo, las soluciones previas deben ser adaptadas de tal forma que se ajusten lo más cercanamente posible a la situación o problema actual.
En el caso de la selección del margen de una propuesta económica, se debe tener en cuenta que los comportamientos de los proponentes están afectados por numerosos factores relacionados tanto a las características específicas del proyecto, entidad contratante y tipo de adjudicación, como a situaciones que cambian dinámicamente tales como ambiente general del negocio, necesidad propia de la firma para conseguir trabajo y situación económica del entorno. Las decisiones relacionadas con los procesos licitatorios surgen de un proceso de toma de decisiones altamente complejo y afectado por diversos factores estrechamente interrelacionados, que deben ser valorados y ponderados con el fin de llegar a una decisión. Debido a lo anterior, los problemas relacionados con la toma de decisiones en presentación de propuestas son altamente poco estructurados (Chua, 2001). A esto hay que sumar la dificultad por parte del personal encargado de la toma las decisiones de “considerar todas las variables relevantes debido a las restricciones de racionalidad y la capacidad limitada de procesamiento de información” (Chua, 2001, 35) que poseen los humanos.
La presentación de propuestas se ajusta al desarrollo por medio de CBR, debido a que en términos generales, los procesos de toma de decisiones relacionados con propuestas son generalmente complejos, dinámicos, altamente poco estructurados y se caracterizan por un grado significativo de incertidumbre y subjetividad. Además, como se ha expuesto con anterioridad, estos procesos de toma de decisiones están afectados por numerosos factores, algunos generales, pero muchos de ellos específicos a cada propuesta –cada proyecto tiene características únicas, usualmente en construcción cada proyecto es irrepetible y la propuesta se encuentra enmarcada en un entorno económico y de competencia específicos. A continuación se presenta una comparación entre el CBR y otras metodologías computacionales de solución de problemas, con el fin de presentar las fortalezas y debilidades del CBR.
6.3.1 CBR y el. Retorno de Información de Bases de Datos (Information Retrieval - IR) 4
Los modelos basados en CBR tienen características comunes con los modelos basados en IR. Sin embargo, los modelos IR pueden usar técnicas diferentes a las consultas tradicionales a las bases de datos, particularmente, cuando retornan información de fuentes textuales extensas, tales como discos compactos o internet. Una técnica que ha venido tomando popularidad es la de retorno basado en concepto, la cual usa un diccionario para
encontrar símiles para palabras en una consulta con el fin de expandir el alcance de la misma. Así, una consulta para remedios para la gripa, puede incluir resultados con palabras tales como cura o tratamiento (sinónimos de remedio) o resfriado o influenza (sinónimos de gripa).
Bajo este contexto, tanto el CBR como el IR soportan consultas flexibles y retornan un set de relevancia potencial, pero posiblemente inexacta. Sin embargo, existen diferencias entre las dos técnicas, a saber:
- Los métodos de IR se enfocan primordialmente a retornar texto de fuentes documentales extensas, mientras que los métodos de CBR buscan trabajar con amplios tipos de datos
- Los sistemas IR tienden a no utilizar el conocimiento de soporte acerca de la información a ser retornada que los sistemas CBR emplean.
De esta forma, el CBR difiere respecto a las técnicas de IR en el sentido que tiende a utilizar fuentes de información más ricas, dado que emplea mecanismos de búsqueda basados en algoritmos de clasificación y árboles de decisión, o en la evaluación de casos similares usando medidas de similaridad previamente definidas (Belecheanu, et al, 2003).
6.3.2. CBR vs. Técnicas Estadísticas
Esta es tal vez una de las comparaciones mayormente documentadas respecto a CBR. Algunos estudios sugieren que el CBR se desempeña mejor que las técnicas estadísticas, pero deben ser vistos como disciplinas complementarias. Las técnicas estadísticas usualmente se aplican a largos volúmenes de datos bien entendidos para probar hipótesis muy bien especificadas. Sin embargo, el CBR puede ser visto como una técnica de utilidad cuando se analizan set de datos no tan bien estructurados ni entendidos.
6.3.3. CBR vs. Sistemas Expertos basados en reglas
Un sistema experto divide un problema en un set de reglas individuales, cada una de las cuales resuelve una parte del problema. Posteriormente, estas reglas son combinadas para resolver la totalidad del problema. Para crear las reglas, se debe conocer el cómo resolver dicho problema, y esta tarea puede ser extremadamente compleja y consumir una cantidad de tiempo considerable. Este tipo de sistemas buscan maximizar el uso del conocimiento de dominio de expertos, evitando los problemas asociados al procesamiento manual, tales como inconsistencias y pérdida de conocimiento debido a cambios de personal (Shi, et al, 2004).
CBR son usualmente utilizados para resolver problemas similares. Sin embargo, los sistemas CBR tienen las siguientes ventajas:
- Una reducción en la condensación de conocimiento, debido a que los sistemas CBR no requieren entender cómo se soluciona el problema. Esto ocurre con base en que para construir un sistema CBR sólo se requiere obtener casos pasados y sus soluciones, no se necesita el conocer las reglas de elegibilidad empleadas por los expertos.
- La habilitad para aprender por medio de nuevos casos sin necesidad de adicionar nuevas reglas o modificar las existentes.
- La habilidad para proveer una justificación al ofrecer casos pasados como precedentes en lugar de justificar la solución al mostrar la secuencia de reglas que llevaron a la decisión.
- Los modelos CBR pueden aplicarse en situaciones donde no existen modelos (MacDonald)
- Los sistemas CBR pueden aprender, facilitando la tarea de mantenimiento del sistema (MacDonald)
- Los sistemas CBR pueden crecer, reflejando de esta forma la adquisición de experiencia de una organización (MacDonald)
Las diferencias primordiales entre el CBR y los sistemas expertos se presentan en la Tabla 1. En resumen, si “el modelo del problema es bien conocido, es posible crear un sistema basado en reglas para reflejar el conocimiento o experiencia de dicho dominio. Los casos, que reflejan los resultados de ciertas condiciones en cierto contexto, se ajustan mejor en áreas donde el domino experto es limitado o inexistente” (MacDonald). Adicionalmente, un sistema CBR no requiere que el dominio de problema sea modelado por reglas (Belecheanu, et al, 2003).
Así, si se tiene un problema estrecho y bien entendido el cual no varía con el tiempo, puede ser sensato utilizar un sistema experto basado en reglas. Cuando el problema es menor entendido, poco estructurado o dinámico, el CBR puede ser una mejor metodología de modelamiento. En algunos casos puede implementarse sistemas híbridos que utilicen técnicas basadas en reglas para áreas que son bien conocidas y CBR para atender los problemas menos mejor entendidos.
En los problemas de solución de problemas, las reglas o los casos pueden ser invocados cuando ciertos criterios o condiciones se satisfacen. Sin embargo, éstos difieren en los siguientes aspectos (MacDonald):
Regla: si condición entonces acciones Caso: si condición entonces resultados
características complementarias. Uno ofrece pruebas (en la forma de reglas), y el otro provee evidencia (en la forma de casos)” (MacDonald).
Tabla 1 – Razonamiento basado en reglas vs. Razonamiento Basado en casos
Sistema Basado en Reglas CBR
Area de Problema
Estrecha, bien entendida, teoría de dominio fuerte y estable en el tiempo
Amplia, poco entendida, teoría de dominio débil o dinámica en el tiempo. Representación del
conocimiento Hechos y reglas si-entonces Casos
El sistema provee Respuestas Precedentes
Explicación por Trazabilidad a reglas Precedentes El sistema puede aprender
No, usualmente requiere adición manual de nuevas
reglas Si por adquisición de casos
Finalmente, en aquellas situaciones donde las experiencias de los expertos son difíciles de agrupar en patrones, pero son fácilmente vistas como casos, el CBR es una solución alterna al razonamiento basado en reglas. Es más, éstos últimos sistemas requieren de un esfuerzo considerable en la configuración de la base de conocimiento a través de la extracción de las reglas del experto, mientras que en los sistemas CBR, la alimentación de casos es más sencilla (Belecheanu, et al, 2003).
6.3.4. CBR vs. Máquinas de aprendizaje (Machine Learning)
Aunque muchos de los algoritmos de inducción utilizados en CBR provienen de las máquinas de aprendizaje, existen diferencias en la forma en la cual estas dos técnicas son aplicadas. En términos generales, las máquinas de aprendizaje involucran analizar casos pasados para derivar reglas que aplican a un set de casos. Estas reglas pueden ser entonces aplicadas para resolver nuevos problemas. Las máquinas de aprendizaje claramente separan el proceso de aprender reglas y el de solucionar problemas.
6.3.5. CBR vs. Redes Neuronales
De forma superficial existen similitudes entre el CBR y las redes neuronales. Ambas técnicas se basan en casos pasados con respuestas conocidas para informar de las decisiones. Sin embargo, las redes neuronales son buenas en dominios donde los datos no pueden ser representados simbólicamente tales como reconocimiento de voz e interpretación de señales de instrumentos. Por otro lado, el CBR es menos eficiente con datos exclusivamente numéricos y mucho mejor con datos simbólicos, estructurados y complejos.
La mayor desventaja de las redes neuronales respecto al CBR es que los sistemas basados en redes neuronales funcionan como “cajas negras”. La respuesta proporcionada por un sistema de red neuronal es una función de los vectores ponderados de sus neuronas. Ninguna explicación o justificación puede ser dada por una red neuronal.
6.3.6. Conclusiones de comparaciones tecnológicas
El CBR emplea experiencias pasadas en problemas similares para la solución de problemas actuales. Usualmente, un modelo basado en CBR incluye tres (3) tareas primordiales (Watson, 1997; Aamodth, Plaza, 1994; Cheng, Cheng, 2004; Belecheanu, et al, 2004): 1. Retornar uno o un grupo reducido de casos similares
2. Resolver la nueva situación reusando o revisando las soluciones pasadas. 3. Retiene el nuevo caso y su solución para futuros análisis con nuevos casos.
Sycara (1992) identificó las características de los dominios donde el CBR es más aplicable, las cuales se presentan a continuación:
1. Un experto (por ejemplo, una persona que soluciona el problema) conoce a que se refiere por un caso.
2. Expertos del dominio rutinariamente comparan el problema actual a casos pasados 3. Los expertos adaptan casos para resolver nuevos problemas
4. Los casos están disponibles en fuentes bibliográficas y en la memoria de expertos pueden ser almacenados cuando nuevas soluciones son generadas
5. Existen medios en el dominio para asignar una salida al caso, explicarla y determinar si es exitosa o fallida
6. Los casos pueden ser generalizados en alguna extensión. Las características que los hacen relevantes pueden ser abstraídas
7. Las comparaciones de casos y adaptaciones pueden ser realizadas de manera eficiente 8. Los casos retenidos se mantienen actuales por relativos intervalos largos de tiempo. 9. El domino puede tener o no tener un modelo fuerte y ortodoxo
Finalmente, la Tabla 2 es una guía de cuando usar y cuándo no usar cada una de las tecnologías discutidas en las secciones anteriores.
Tabla 2 - Comparaciones de Tecnología 1
Tipo de Tecnología Cuando Usarla Cuando no usarla
Bases de Datos Bien estructurado,
estandarizado y consultas simples y precisas son posibles
Datos complejos, poco estructurados y se requiere de consultas difusas
Retorno de información IR Largos volúmenes de datos
textuales Tipos de datos no textualescomplejos, conocimiento de soporte disponible
Estadística Largos volúmenes de datos bien entendidos con hipótesis bien formuladas
Análisis exploratorio de dados con variables dependientes
Sistemas basados en reglas Area de Problemas bien entendida, estable y estrecha
y justificación por
encadenamiento de reglas es aceptable
Area de Problemas poco entendida que cambia constantemente
Máquinas de aprendizaje Reglas generalizables son requeridas provenientes de un amplio set de entrenamiento y se acepta justificación por medio de encadenamiento de reglas
No se requieren reglas y la
justificación por
encadenamiento de reglas es inaceptable
Redes neuronales Gran extensión de datos
numéricos para
reconocimiento de patrones o procesamiento de señales
Datos simbólicos complejos o cuando una justificación es requerida
Razonamiento Basado en casos
Problemas pobremente entendidos con datos complejos estructurados que cambian lentamente con el tiempo y se requiere de justificación.
Cuando los datos del caso no son disponibles o cuando se requiere de adaptación compleja o si se requiere una respuesta óptima exacta.
Sin embargo, es importante resaltar que la mayor limitación de los sistemas CBR es que puede no manejar grandes volúmenes de datos exclusivamente numéricos tan eficientemente como una técnica estadística o una red neuronal, y que si se requiere de una adaptación compleja para proveer una respuesta óptima, alguna otra técnica puede ser utilizada en su lugar. Hay que recordar que el CBR retorna los casos más similares y pretende reutilizar la solución de dichos casos. Si el sistema requiere de una solución exacta, el CBR puede no ser la alternativa óptima.
6.4 CBR en términos generales
El Razonamiento Basado en Casos es una técnica avanzada de razonamiento que simula la forma en la cual los humanos rutinariamente solucionan problemas (Cheng, Cheng, 2004). El CBR utiliza conocimiento representado en casos específicos para resolver un nuevo problema (Aadmodt, Plaza, 1994; Shi, et al, 2004; Watson, 1997). El CBR es un “paradigma de solución de problemas que en muchos aspectos es fundamentalmente diferente de otras categorías de la inteligencia artificial. En lugar de basarse exclusivamente en conocimiento general de un domino de problema, o realizar asociaciones entre relaciones generalizadas entre descriptores de problema y conclusiones, el CBR es capaz de utilizar conocimiento específico previamente experimentado y situaciones de problemas concretos (casos). Un nuevo problema es solucionado encontrando un caso similar pasado, y reutilizándolo en la nueva situación. Una segunda diferencia importantes es que el CBR es también un acercamiento incremental, de aprendizaje sostenido, teniendo en cuenta que una nueva experiencia es retenida cada vez que un problema es solucionado, haciéndolo inmediatamente disponible para futuros problemas” (Aamodt, Plaza, 1994). De esta forma, el CBR es aconsejable para dominios que carecen de un modelo computacional, ya sea matemático o basado en reglas (Belecheanu, R., et al, 2003).
En términos generales, el razonamiento basado en casos puede describirse como: “Resolver un nuevo problema recordando situaciones similares previas y reutilizando información y conocimiento de dicha situación”(Aamodt, Plaza, 1997)
o como:
“Un razonador basado en casos soluciona nuevos problemas adaptando soluciones que fueron usadas para solucionar viejos problemas” (Riesbeck, Schank, 1989)
soporta al CBR es que “se basa en una analogía a la tarea humana de buscar mentalmente situaciones similares que ocurrieron en el pasado y reusar la experiencia ganada en estas situaciones” (Belecheanu, R., et al, 2003). Por ejemplo, un ingeniero civil que tuvo dos situaciones constructivas difíciles, puede evitar cometer los mismos errores en situaciones futuras, si recuerda los elementos que causaron dificultad en las situaciones pasadas. De esta forma, “a manera diaria [los humanos] usan la recolección y adaptación de experiencias pasadas previas, o casos, con el fin de facilitar el proceso de toma de decisiones. Como resultado, las situaciones que normalmente requerirían de considerable tiempo pueden ser resueltas casi instantáneamente. Este reuso es la característica distintiva de los modelos CBR. En situaciones que involucren interacciones complejas y numerosas fuentes de entrada, los beneficios de tal aproximamiento se vuelven más apreciables y deseables” (MacDonald).
6.4.1. Supuestos del CBR
Los sistemas CBR asumen una serie de elementos del mundo que modelan como ciertos (Watson, 1997, sección 9.2.1):
1. “Regularidad. El mundo es esencialmente un lugar regular y predecible. Las mismas acciones realizadas bajo las mismas condiciones normalmente tiene el mismo resultado (o muy similar)
2. Tipicalidad. Los eventos tienden a repetirsen. Así, es probable que las experiencias de un sistema CBR sean de utilidad en el futuro.
3. Consistencia. Pequeños cambios en el mundo sólo requieren pequeños cambios en nuestro razonamiento y en correspondencia, necesitan pequeños cambios en las soluciones.
Básicamente, se afirma que la metodología espera que el mundo sea un lugar consistente y predecible, en el cual las cosas que hemos aprendido en el pasado sean de utilidad en circunstancias similares en el futuro”. Adicionalmente, requiere que el conocimiento exista o se agrupe en forma de casos y sea difícil generalizar éstos casos para formar reglas generales y explícitas (Shi, et al, 2004).
6.5 Solución de problemas basado en casos
5Como se presentó previamente, resolver problemas basándose en situaciones pasadas es una técnica usada frecuentemente por lo humanos de manera natural. El razonamiento basado en casos esta parcialmente fundamentado en investigación psicológica. Diversos estudios han dado evidencia empírica para el rol dominante de situaciones previamente experimentadas (que en CBR se denominan casos) en la solución de problemas realizados por humanos. Así mismo, estudios sobre solución de problemas por analogía muestran el uso frecuente de experiencias pasadas en solucionar nuevos y diferentes problemas. Por lo
tanto, bajo algunos contextos, el razonamiento basado en casos y la analogía son usados como sinónimos.
En la terminología del CBR, un caso usualmente denota una situación problemática. Una situación previamente experimentada, que ha sido capturada y aprendida en una forma que pueda ser reusada para resolver futuros problemas, es referida como un caso pasado, caso previo, caso almacenado o caso retenido. De manera correspondiente, un nuevo caso o un caso no resuelto, es la descripción de un nuevo problema a ser resuelto. El razonamiento basado en casos es en efecto, un proceso cíclico e integrado de resolver problemas, aprender de esta experiencia, solucionar un nuevo problema, etc.
Es importante recalcar que el término solucionar un problema es usado de manera amplia. Es decir, no necesariamente se refiere a encontrar una solución concreta a un problema, puede referirse a, por ejemplo, justificar o criticar una solución propuesta por el usuario, a interpretar una nueva situación problemática o a generar un set de posibles soluciones.
6.6 Aprendiendo en razonamiento basado en casos
Una característica muy importante, sino fundamental, de un modelo de razonamiento basado en casos, es su capacidad de aprendizaje. En gran parte, esta característica del CBR fue adquirida de las máquinas de aprendizaje (machine learning), por lo cual, algunos especialistas se refieren al CBR como una subcategoría de las máquinas de aprendizaje. Así, la noción de razonamiento basado en casos no solo denota un método de razonamiento particular, sino que también denota un paradigma de las máquinas de aprendizaje que establece aprendizaje sostenido a través de la actualización de la base de casos luego que un problema ha sido resuelto. El aprendizaje en el CBR ocurre de manera natural como producto del proceso de solución de problemas. Cuando un problema ha sido solucionado de manera satisfactoria, la experiencia es retenida para solucionar problemas similares en el futuro. Cuando el intento de solucionar el problema falla, la razón para la falla es identificada y recordada con el fin de evitar el mismo error en el futuro. En otras palabras, “un sistema CBR es dinámico y adquiere nuevos casos con el tiempo; debido a que la base de casos se expande continuamente. Es más, este es uno de los mayores beneficios de esta tecnología – su habilidad de aprender y mejorar su desempeño por medio de la adquisición de nuevos casos. Por lo tanto, con el fin de aprovechar las mejoras continuas de un sistema CBR, es necesario mantenerlo regularmente” (Cheng Y.S.J, Cheng K.P.S., 2004).
6.7 Combinando el caso con otro conocimiento
Si se examinan los resultados teóricos y experimentales de la psicología cognitiva, parece claro que la solución de problemas y el aprendizaje por humanos en general son procesos que envuelven representaciones y la utilización de diferentes tipos de conocimiento y la combinación de diversos métodos de razonamiento. Si el centro para una arquitectura inteligente requiere de la reutilización de casos, se debe incorporar otros tipos de conocimiento y conocimiento de tipo más general en una u otra forma.
6.8 Fundamentos de los métodos de razonamiento basados en
casos
6Entre las tareas primordiales de todos los métodos de razonamiento basado en casos están: i) identificar la situación problemática actual; ii) encontrar un caso pasado similar al nuevo y sugerir una solución al problema actual; iii) evaluar la solución propuesta y; iv) actualizar el sistema al aprender de esta experiencia. La forma en que estas tareas son realizadas, en qué parte del proceso se centra, qué tipo de problemas rigen los métodos, etc., varían considerablemente.
Cheng (2004), describe las diferentes etapas de un sistema CBR, como se presenta a continuación:
- “Representación del caso – Case Representation. Un caso es una pieza de información contextualizada que representa una experiencia. Típicamente, un caso individual está conformado de dos componentes: una descripción del problema y la solución almacenada.
- Indexación de caso – Case indexing. Un índice puede ser utilizado para caracterizar un caso. Se entiende por índice una estructura de datos computacional que pude ser almacenada en memoria y en la cual se puede buscar rápidamente. Esto significa que el computador no necesita buscar en la totalidad de registros almacenados en el disco, lo cual puede ser significativamente lento. El CBR usa índices para agilizar el retorno de casos.
- Retorno de casos – Case Retrieval. El retorno de casos implica una combinación de búsqueda y apareamiento de casos. La forma más común de realizar esta tarea se basa en la determinación de un grado de similaridad. Los casos más similares almacenados en la base de datos de casos son seleccionados y rankeados basados en los resultados de los cálculos de similaridad.
- Adaptación de Casos – Case Adaptation. Una vez un caso similar ha sido retornado, el sistema CBR debe intentar reusar la solución sugerida por el caso devuelto. En diversas circunstancias, la solución de un caso retornado puede estar bastante cerca de la solución requerida, pero no lo suficientemente cerca. Un sistema CBR puede
entonces adaptar la solución almacenado en el caso retornado en función de las necesidades del caso actual. El módulo de adaptación busca diferencias significativas entre el caso retornado y el caso actual, y aplica fórmulas o reglas que toman dichas diferencias en consideración a sugerir una solución final al caso actual.”
Si se comparan las etapas de un sistema CBR con la forma en cómo los humanos resuelven problemas, se observan las similitudes entre los dos. Un humano, para resolver problemas de forma eficiente, sigue los siguientes pasos (Flogler H & LeBlanc S, 1995, pág. 18):
- Definir. En esta etapa se busca definir el problema real, en algunos casos, referido como “el problema subyacente o la raíz del problema” (Flogler H & LeBlanc S, 1995, pág. 29). “Una vez el problema real se ha definido, es importante resolver las siguientes preguntas: este problema se ha resuelto previamente? Vale la pena resolverlo? Qué recursos (tiempo, dinero, personal) estan disponibles para obtener la solución?.
- Generar. Luego de recolecar la información significativa a cerca del problema, se debe proceder a la siguiente etapa de la heurística, que es generar soluciones alternativas. Una de las técnicas más usadas en la industria para generar ideas es la lluvia de ideas – brainstrorming.
- Decidir. Luego que se han generado un número de soluciones alternativas, la siguiente etapa en el proceso de solución es decidir cuál alternativa escoger. Aquí, la lógica y el análisis de cada alternativa son factores primordiales en el proceso de llegar a la decisión. Una vez la decisión ha sido tomada, se requiere de un plan con el fin de asegura el éxito de ésta, identificando elementos que pueden salir mal, las causas de cada problema potencial, las acciones preventivas que pueden ser tomadas las acciones de último recurso.
- Implementar. Una vez se ha tomado la decisión y planeado, se debe implementar. La primera etapa es planear las actividades necesarias para resolver el problema. - Evaluar. En la fase de evaluación, se requiere mirar hacia atrás y asegurar que todos
los criterios en la declaración del problema se satisficieron y que ninguna de las restricciones fue violada”.(Flogler H & LeBlanc S, 1995, pág. 18)
6.8.1. Tipos de métodos CBR
domino general, por conocimiento más complicado, o ser basado en una aparente, similaridad sintáctica. Los métodos CBR pueden ser puramente autocontenidos y automáticos, o pueden interactuar activamente con el usuario para solicitar soporte y guía en sus selecciones. Algunos métodos CBR asumen una cantidad importante de casos ampliamente distribuidos en su caso base, mientras que otros son basados en un set más limitado de casos típicos. Los casos pasados pueden ser retornados y evaluados secuencialmente o en forma paralela.
En la actualidad, “el razonamiento basado en casos” es solo uno de un grupo de términos usados para referirse a sistemas de este tipo. Esto ha llevado a algunas confusiones, particularmente desde que el término razonamiento basado en casos es usado como término genérico para diversos tipos de acercamientos más específicos, como también para uno de dichos acercamientos. Por lo anterior, a continuación se presenta una breve descripción de los términos más usados en razonamiento basado en casos.
6.8.1.1. Razonamiento basado en ejemplos
Este término se deriva de una clasificación de diferentes puntos de vista de la definición del concepto en la “vista clásica”, “la visón de probabilidades” y la “visión de ejemplos”. En la visión de ejemplos, un concepto es definido por extensión, como el set de sus ejemplares. Los métodos CBR que implementan el aprendizaje con la definición de conceptos, son algunas veces referidos como basados en ejemplos. En este aproximamiento, solucionar el problema es una tarea de clasificación. La clase del caso pasado más similar se convierte en la solución al problema de clasificación. El grupo de clases constituye el set de posibles soluciones. Por lo tanto, la modificación de una solución encontrada está por fuera del alcance de éste método.
6.8.1.2. Razonamiento basado en instancias
Esta es una especialización de razonamiento basado en ejemplos, altamente sintáctica. Para compensar la falta de guía del conocimiento general de soporte, un número relativamente grande de instancias son necesarias para acercarse a la definición de un concepto. La representación de instancias es usualmente simple, debido a que se da mayor relevancia a estudiar el aprendizaje autómata sin intervención del usuario. El razonamiento basado en instancias es un acercamiento de no generalización al problema de aprendizaje de conceptos.
6.8.1.3. Razonamiento basado en memoria
6.8.1.4. Razonamiento basado en casos
Aunque el razonamiento basado en casos es usado como un término genérico en este documento, los métodos típicos de razonamiento basado en casos tiene ciertas características que los distinguen de los demás acercamientos. Primero, un caso típico es usualmente asumido como que tiene cierto grado de riqueza de información contenida en él y una cierta complejidad con respecto a su organización interna. Esto es un vector característico que contiene algunos valores y una clase correspondiente no es lo que típicamente se denominaría una descripción del caso. Lo que se denomina un método típicamente basado en casos tiene una característica adicional, son capaces de modificar o adaptar una solución retornada cuando es aplicada a un contexto de solución de problemas diferente. Estos métodos utilizan también conocimiento general de soporte, aunque su riqueza, grado de representación explícita y rol dentro del proceso CBR varía.
6.8.1.5. Razonamiento basado en analogía
Este término es algunas veces usado como sinónimo de razonamiento basado en casos, para describir el acercamiento típico de razonamiento basado en casos descrito en la sección anterior. Sin embargo, en algunas ocasiones es usado para caracterizar métodos que solucionan nuevos problemas basados en casos pasados de un domino diferente, mientras que los métodos típicos basados en casos se centran en indexar y encontrar estrategias para casos de un domino único. Por lo tanto, el razonamiento por analogía es un subcampo que se centra en los mecanismo para identificar y utilizar analogías entre dominios. El mayor foco de estudio ha sido el reuso de casos pasados, que es denominado mapeo del problema: encontrar una forma de transferir, o mapear, la solución de una analogía identificada (denominada fuente o base) al problema presente (llamado objetivo).
Finalmente, “ha existido una adopción del CBR rápida y amplia por varias industrias, debido a la relativa simplicidad de su implementación y su mecanismo intuitivo que no requiere de conocimiento especial para entender. Han surgido un número sorprendente de aplicaciones comercialmente exitosas de CBR. Por ejemplo, el CBR puede ser usado para asistir centros servicio al cliente o para proveer soporte técnico. Adicionalmente, el CBR puede ser adoptado en varios sectores tales como la medicina, finanzas y telecomunicaciones” (Cheng Y.S.J, Cheng K.P.S., 2004).
6.9 El Ciclo CBR
7Entender de manera general cómo funciona un ciclo CBR es relativamente sencillo. En términos generales, incluye las siguientes cuatro (4) tareas (Aamodt, Plaza, 1994; Belecheanu et al, 2003):
1. RETORNAR el(los) caso(s) más similares. El sistema busca y retorna los casos de mayor similitud con el problema actual, de acuerdo a las medidas de similitud previamente definidas.
2. REUSAR la información y conocimiento en el(los) caso(s) retornados para solucionar el problema.
3. REVISAR la solución propuesta. Si la solución proporcionada por el sistema no puede reusarse (no es aplicable), ésta puede ser revisada (adaptada) manualmente (por el usuario) o automáticamente (por el sistema CBR).
4. RETENER las partes de esta experiencia que puedan ser de utilidad para futuras soluciones de problemas. Generalmente, la solución confirmada es retenida con el problema, para reusarse en problemas futuros, como un nuevo caso en la base de datos.
Un nuevo problema es comparado contra los casos en la base de casos y uno o más casos son retornados. Una solución sugerida por el comparador de casos es sugerida y es entonces cuando un caso es reusado y probado. A menos que el caso retornado sea un caso de cierre, la solución probablemente tendrá que ser revisada, produciendo un nuevo caso a ser retenido.
En la Figura 1 - El Ciclo CBR se ilustra el ciclo.
Una descripción inicial del problema (parte superior de la figura) define el nuevo caso. Este nuevo caso es usado para RETORNAR un caso de la colección de casos previos. El Caso retornado es combinado con el nuevo caso – a través del REUSO- en un caso solucionado (por ejemplo, una solución propuesta al problema inicial). Por medio de la REVISIÓN del caso esta solución es probada (por ejemplo, siendo aplicada en el mundo real o evaluada por un experto), y es reparada si falla. Durante la RETENCIÓN del caso, la experiencia útil es retenida para ser reutilizada en futuras oportunidades, y así la base de casos es actualizada con un nuevo caso aprendido o por modificación de algunos de los casos existentes.
Como se indica en la figura, el conocimiento general usualmente juega una parte importante en el ciclo, soportando el proceso CBR. Este soporte puede variar desde muy débil (o ninguno) a muy fuerte, dependiendo del tipo de método CBR utilizado. Por conocimiento general se entiende conocimiento general dependiente del domino, el cual es opuesto al conocimiento específico contenido en los casos.
Figura 1 - El Ciclo CBR 8
Conocimiento General
Nuevo Caso
Caso Aprendido
Caso
Retornado NuevoCaso
Caso Resuelto Caso
Probado/ Reparado
Casos Previos
Solución
Confirmada Solución
Sugerida Problema
A continuación se presenta una breve descripción de las diferentes etapas que conforman un sistema CBR.
6.9.1. Representación de Casos9
Un caso puede entenderse como “una pieza contextualizada de conocimiento que representa una experiencia” (Watson, 1997, pág. 19). Dado que el caso representa una experiencia pasada, ésta lección es la que se denomina el contenido del caso, pero también almacena el contexto en bajo el cual dicha lección fue usada. “El problema de representación en un sistema CBR se reduce primordialmente a decidir qué almacenar en un caso, encontrar una estructura apropiada para describir los contenidos del caso y decidir cómo la memoria del caso debe ser organizada e indexada para un retorno y reuso efectivo” (Aamodt & Plaza, 1994). Aunque un caso puede almacenar cualquier tipo de información, es recomendable
evaluar la funcionalidad de dicha información y su facilidad de adquisición. “Típicamente un caso incluye los siguientes elementos:
- El problema que describe el estado del mundo cuando el caso corrió - La solución, de define la solución derivada a dicho problema.
Usualmente, los elementos constitutivos de un caso son visualizado en términos del espacio del problema y del espacio de solución. En la siguiente figura se puede observar que un caso individual está formado por dos componentes: una descripción del problema y una solución almacenada”10. Estos dos elementos se encuentran ubicados en el espacio del
problema y en el espacio de solución respectivamente.
Figura 2 – Espacios de problema y solución11
Espacio del Problema
Espacio de Solución R
A
Descripción de un nuevo problema a resolver
Descripción de problemas resueltos
Soluciones Almacenadas
Nueva Solución creada por el módulo de adaptación
Entrada: Descripción del problema
Tal y como se observa en la Figura, la descripción del nuevo problema a resolver se ubica dentro del “Espacio del Problema”. El módulo de retorno de casos identifica el caso más similar a la situación problemática actual (Flecha marcada con R) y su solución almacenada en el repositorio de casos es encontrada. De ser necesario, el módulo de adaptación adapta dicha solución con el fin que se adecue a las características del caso actual (Flecha marcada con A en el Espacio de Solución) y de esta forma, una nueva solución es creada. En este modelo, asume que existe una relación uno a uno entre los espacios de solución y de problemas.
