Un enfoque de aprendizaje automático basado en datos para la selección de técnicas de creatividad e innovación en el desarrollo de soluciones.
El artículo “A Data-Driven Machine Learning Approach to Creativity and Innovation Techniques Selection in Solution Development” por Luiz Fernando de Carvalho Botega y Jonny Carlos da Silva describe el desarrollo de un sistema de soporte de decisiones basado en Machine Learning (ML) para seleccionar técnicas de creatividad e innovación (CITs) adecuadas a escenarios de diseño específicos.
Resumen:
- Contexto y Problema:
- La selección de CITs es compleja debido a la existencia de cientos de técnicas en diversos contextos de diseño.
- Actualmente, esta selección depende del conocimiento empírico de expertos, lo cual limita su disponibilidad y permanencia.
- Solución Propuesta:
- Se desarrolla un prototipo de Sistema de Soporte de Decisiones (DSS) que utiliza un modelo de inferencia de dos etapas basado en ML.
- El sistema analiza información contextual proporcionada por el usuario y recomienda las CITs más apropiadas.
- Modelo de Inferencia:
- Primera etapa: Usa algoritmos de regresión (Gradient Boosted Regression Trees) para evaluar las características necesarias de las CITs según el contexto del diseño.
- Segunda etapa: Utiliza un modelo de clasificación (Logistic Regression) para seleccionar y clasificar las CITs más adecuadas.
- Desarrollo y Validación:
- Dos ciclos de desarrollo iterativo:
- Primer ciclo: Se centró en la adquisición de conocimiento y la representación de datos.
- Segundo ciclo: Expandió el sistema con más CITs, una interfaz web, y mejoró la validación.
- Los resultados de ambos ciclos superaron las métricas de comparación, demostrando la efectividad del sistema.
- Dos ciclos de desarrollo iterativo:
- Impacto y Contribuciones:
- El sistema reduce la carga de seleccionar CITs, facilita su uso en diversos entornos organizacionales, y ofrece explicabilidad en sus recomendaciones.
- Incorpora una base de datos de casos que se actualiza con el tiempo, permitiendo un aprendizaje continuo y mejoras futuras.
- Aplicaciones Prácticas:
- Apoya equipos creativos en diseño, ingeniería y negocios al proporcionar recomendaciones personalizadas.
- Enfatiza la importancia de los sistemas basados en datos para optimizar procesos creativos y de innovación.
El artículo concluye que este enfoque no solo facilita la selección de CITs, sino que también crea oportunidades para nuevos estudios sobre la aplicabilidad y eficacia de estas técnicas.
Este es un resumen elaborado con IA y curado por un humano. El artículo original puede leerse aquí.
