GESTIÓN DEL CONOCIMIENTO

(INVESTIGACIÓN)

Ing. Wilfredo Mamani Ticona

Magister en Ingeniería Eléctrica

(PUC-Rio), BRASIL.
 Agenda

 Bases Conceptuales de la Gestión del Conocimiento

 Identificación y Creación del Conocimiento

 Generación de Conocimiento Organizacional

 Administración del Conocimiento

 Aplicación a la Planeación Financiera Anual (Gobierno

Federal - Brasil)

Page  2
 Bases Conceptuales de la Gestión del Conocimiento

 El conocimiento es el único elemento que genera ventajas

competitivas sostenibles (Drucker, 1994)

 La metáfora de una organización que aprende y es repositorio de

conocimientos permite entender los procesos de la nueva
economía

Basado en: Obeso C. (1999) Homo faber, homo sapiens. Estado de la Cuestión. pp. 23-64. En: Homo
faber, homo sapiens. La gestión del capital intelectual. Ediciones del Bronce. Asociación de Graduados
de ESADE. Madrid.

Page  3
 Bases Conceptuales de la Gestión del Conocimiento

Page  4
Page  5
 Bases Conceptuales de la Gestión del Conocimiento

Conocimiento Organizacional

 El conocimiento son acciones, normas, políticas y procedimientos

generados o adoptados en una organización para facilitar sus
operaciones y su generación de valor

 Es un bien económico

 Genera ventajas competitivas

Page  6
 Identificación y Creación del Conocimiento

Definición laboral del conocimiento

 Las empresas tienen ciertas dificultades para distinguir los tres

conceptos relacionados de datos, información y conocimiento.

 Datos: Conjunto de hechos discretos y objetivos sobre

acontecimientos.

 Información: Mensaje de datos significativos.

Page  7
 Identificación y Creación del Conocimiento

Del Dato a la Información

 Transformamos los datos en información al agregarles

significación de distintas maneras.

 Contextualizados: Propósito de recopilación de los datos

 Calculados: Pueden haber sido analizados matemática o

estadísticamente

 Corregidos: Se pueden haber eliminado los errores de los datos

 Condensados: Se pueden reducir

Page  8
 Identificación y Creación del Conocimiento

Conocimiento

Conocimiento es una combinación de información, experiencia y

visión que puede ser beneficiosa para el individuo o la

organización. La declaración “cuando los precios del crudo suben

$10 dólares por barril, es probable que los precios de la gasolina

suban 2 centavos por litro”, expresa conocimiento.

Page  9
 Generación de Conocimiento Organizacional

Conocimiento Organizacional

 La capacidad de una organización para generar nuevas formas de

resolver problemas, diseminarlas entre los miembros de la
organización y materializarlas en productos, servicios y sistemas

Nonaka & Takeuchi. La Organización Creadora de Conocimiento

Page  10
 Generación de Conocimiento Organizacional

¿Por qué las compañías japonesas son exitosas?

 Economías de escala
 Innovación en los procesos
 Producción justo a tiempo
 Calidad
 Productividad
 INNOVACION CONTINUA

Page  11
 Generación de Conocimiento Organizacional

Innovación Continua

 Ver hacia fuera

 Ver hacia el futuro

 Anticiparse a los cambios (mercado, tecnología,

competencia, productos)

Page  12
 Administración del Conocimiento

El Panorama de Administración del Conocimiento

Los sistemas de administración del conocimiento y

colaboración se encuentran entre las áreas de más rápido
crecimiento de la inversión en software corporativo y
gubernamental. La década anterior ha mostrado un
crecimiento explosivo en la investigación sobre el
conocimiento y su administración en los campos de
economía, administración y sistemas de información.

Page  13
 Administración del Conocimiento

Técnicas Inteligentes

 Sistemas Expertos

 Razonamiento con base en el caso

 Sistemas de Lógica Difusa

 Redes Neurales

 Algoritmos Genéticos

 Sistemas de AI Híbridos

 Agentes Inteligentes

Page  14
 Administración del Conocimiento

Sistemas Expertos

Los sistemas expertos son una técnica inteligente para capturar

el conocimiento tácito en un dominio muy específico y limitado
de la pericia humana. Estos sistemas capturan el conocimiento
de los empleados calificados en forma de un conjunto de reglas
en un sistema de software que pueden usar los demás
empleados en la organización .

Page  15
 Administración del Conocimiento

Razonamiento con base en el caso

Los sistemas expertos capturan el conocimiento tácito de los

expertos individuales, pero las organizaciones también tienen un

conocimiento y pericia colectiva que han acumulado a través de

los años. Este conocimiento organizacional se puede capturar y

almacenar mediante el razonamiento con base en el caso.

Page  16
 Administración del Conocimiento

Sistemas de Lógica Difusa

Los humanos tienen a categorizar las cosas de manera

imprecisa, mediante el uso de reglas para tomar decisiones que
pueden tener muchos matices de significado.

 Una compañía puede ser grande, mediana o pequeña en cuanto

a su tamaño.

 La temperatura puede ser caliente, fría, fresca o cálida. Estas

categorías representan un rango de valores.

Page  17
 Administración del Conocimiento

Redes Neurales

Las Redes Neurales se utilizan para resolver problemas

complejos , para los que se han recolectado grandes cantidades
de datos. Buscan patrones y relaciones en cantidades masivas
de datos cuyo análisis sería demasiado complicado y difícil para
un ser humano. Las Redes Neurales descubren este
conocimiento mediante el uso de hardware y software que se
asemejan a los patrones de procesamiento del cerebro biológico
o humano.

Page  18
 Administración del Conocimiento

Algoritmos Genéticos

Los algoritmos genéticos son útiles para encontrar la solución

óptima a un problema específico, mediante el análisis de una

gran cantidad de posibles soluciones para ese problema. Se

basan en las técnicas inspiradas por la biología evolucionaría,

como la herencia, mutación, selección y cruce (recombinación).

Page  19
 Administración del Conocimiento

Sistemas de AI Híbridos

Los algoritmos genéticos, la lógica difusa, las redes neurales y

los sistemas expertos se pueden integrar en una sola aplicación
para aprovechar las mejores características de todas estas
tecnologías. Dichos sistemas se conocen como sistemas de IA
híbridos.

En Japón, Hitachi, Mitsubichi, Ricoh, Sanyo y otras compañias

están empezando a incorporar la AI híbrida en productos como
dispositivos electrodomésticos, maquinaria de fábrica y equipo
de oficina.
Page  20
 PLANEACIÓN FINANCIERA
Administración ANUAL
del Conocimiento

PREDICCIÓN DE IMPUESTOS – BRASIL

Gobierno Federal

Secretaria de la Receita
Federal (RFB)

Page  21
 Justificación del Problema
 Predicciones imprecisas afectan la planeación financiera
 Con el Algoritmo Hibrido se pretende obtener resultados
más precisos

Diferencia
(R$ Millares)

- 43.351.518,00

- 275.447.839,00

Predicción para el Año 2014 realizado por el GF

 Objetivos
Objetivo General:
Proyectar un algoritmo híbrido basado en RNs y GAs para
optimizar la predicción multi-step de series temporales.

Objetivos Específicos:
 Diseñar un algoritmo híbrido para optimizar la predicción multi-step
de series temporales;

 Implementar un algoritmo híbrido para optimizar la predicción

multi-step de series temporales;

 Probar el algoritmo híbrido (Software Testing);

 Evaluar el algoritmo híbrido con la serie temporal de la Receita

Tributária del Gobierno Federal de Brasil.
 Serie Temporal
Segun Morettin & Toloi (1981), “una serie temporal es cualquier conjunto
de observaciones ordenadas en el tiempo”

24
 Neurona Biológica y Artificial
Neurona biológica Neurona Artificial

Log-sigmoid, Hyperbolic tangent y Purelin

25
 Aprendizaje Supervisado

En el aprendizaje supervisado (aprendizaje con un profesor), la

red recibe una serie de patrones de entrada con su respectiva
respuesta deseada. La comparación entre la salida deseada y
salida real generada por la red es utilizada para alterar los
parámetros internos con el objetivo de aproximar su respuesta a
la salida deseada.

26
 Entrenamiento, Validación y Teste
Entrenamiento, Validación y Teste Entrenamiento y Operación (Teste)

Patrones de Entradas Target

Entrenamiento

Prueba 1 Validación

Prueba 2 Teste
Algoritmo Backpropagation (BP)
 Algoritmo Genéticos (GAs)
Algoritmos Genéticos (GAs) son métodos de busca estocásticos y heurísticos
desarrollado por Holland (1975) capaces de buscar en espacios grandes y
complejos. GAs son basados en la genética y principios evolutivos.

 Inicialización: Se genera aleatoriamente la población inicial con N

individuos (cromosomas) los cuales representan las posibles
soluciones del problema;

 Evaluación: A cada uno de los cromosomas de esta población se

aplicará la función de aptitud para saber cómo de “buena” es la
solución que se está codificando;

 Condición de Termino: Ejecutar el AG un número máximo de

iteraciones (generaciones) o detenerlo cuando no haya cambios en la
población;
Algoritmo Genéticos (GAs)

30
 Algoritmo Genéticos (GAs)

 Remplazo: Una vez aplicados los operadores genéticos, se

seleccionan los mejores individuos para conformar la población de la
generación siguiente.

31
Métrica para medir la calidad de las RNs
En esta tesis, la métrica usada para medir la calidad de la predicción fue
el MAPE (Mean Absolute Percentage Error).
Variables de Entrada y Tiempo de Ejecución

Variables Núm. De Total de RNs

de Combinacion
Entradas es
5 26 15600
6 57 34200
7 120 72000
8 247 148200
9 502 301200
10 1013 607800
15 32752 19651200

TIEMPO DE EJECUCIÓN

Entrada Busca Algoritmo

s Exhaustiva Híbrido
10 32 días 4 días
15 4.8 meses 11 días
33
Búsqueda de la Solución Mínima Global
 Redes Neuronales trabajan con Múltiples Variables de Entrada

 Ejemplo de Búsqueda de la Solución Mínima Global con 2 Variables

 Metodología Propuesta

Etapa I

Etapa II

Etapa III

1. Identificar la mejor arquitectura de red neural

Metodología Propuesta: Algoritmo Híbrido GAs-RNs

Codificación Binaria de los

Genes del Cromosoma

Codificación Binaria para el

Número de Neuronas

36
 Metodología Propuesta

2. Identificación de los mejores parámetros de la red neuronal

3. Realizar el Teste (Recall) multi-step

Finalmente, en esta fase es realizado un Teste (Recall) multi-step, para

realizar el Teste, fueron utilizados los parámetros de la red obtenidos en
la sección anterior y las entradas del periodo de Teste.
 Estudio de Caso

Serie Temporal de la Receita Tributária del Gobierno Federal de Brasil

de los años 2000 a 2014.

 Entrenamiento del año de 2000 a 2012;

 Validación año 2013;

 Teste año 2014.

7
x 10
5

4
R$ (Reais)

1 Receita Tributária
0
2000 2001 2002 2003 2004 2005 2006 2007 2008 2009 2010 2011 2012 2013 2014

Año 2000 a 2014

Laboratorio de Inteligencia y Robótica Aplicada

 Pesquisas del Trabajo de Investigación

 Ejecuciones de los Algoritmos (Clusters)

 Prueba del Software (Software Testing)

39
Variables de Entrada
 Estudio de Caso
1. Identificar la mejor arquitectura de red neural
 Estudio de Caso
1. Identificar la mejor arquitectura de red neural

2. Identificación de los mejores parámetros de la red neuronal

42
 Estudio de Caso
2. Identificación de los mejores parámetros de la red neuronal

43
 Estudio de Caso
2. Identificación de los mejores parámetros de la red neuronal
7
x 10
5
Real
Reais (R$)

4 Previsto

2
ene feb mar abr may jun jul ago set oct nov dic
Año 2013

Receita Tributária Receita Tributária del Erro Relativo

año 2013 | Previsto – Real | / Real

Recaudación Real 376.042.389,38 -

Predicción del Gobierno Federal 418.840.124,91 11,38%

Predicción del Algoritmo 374.171.866,83 0,50%

Híbrido
 Estudio de Caso
3. Realizar el Teste (Recall) multi-step
 Estudio de Caso
3. Realizar el Teste (Recall) multi-step

Receita Tributária Receita Tributária Erro Relativo

del año 2014 | Previsto – Real | / Real

Recaudación Real 400.546.597,00 -

Predicción del Gobierno 443.898.115,00 10,82%

Federal
Predicción del Algoritmo 395.201.326,20 1,33%
Híbrido

46
 Conclusiones

Los resultados obtenidos por el Algoritmo Híbrido, fueron

superiores en comparación con las predicciones del método de los
indicadores realizada por la Secretaria da Receita Federal do Brasil.

 En la predicción del año 2013 (periodo de validación), se obtuvo

un MAPE de 3,33% y una disminución del Error Relativo de
11,38% para 0,5%;

 En la predicción del año 2014 (conjunto de datos de Teste), se

obtuvo una disminución del Error Relativo de 10,82% para 1,33%.

47