Tomar mejores decisiones: el desafío de combinar datos, inteligencia artificial y optimización
Cada día tomamos decisiones con información incompleta. Desde calcular cuánto demoraremos en llegar al aeropuerto hasta planificar cuánta energía será necesaria para abastecer una ciudad, muchas decisiones dependen de pronósticos que nunca son completamente exactos.
En ese contexto, el académico de la Escuela de Negocios UAI, Tito Homem de Mello, liderará el proyecto Fondecyt Regular 2026 "Decision-Focused Learning Methods for Stochastic Optimization", una investigación que busca desarrollar nuevas metodologías capaces de utilizar los datos de forma más inteligente para mejorar la toma de decisiones en problemas complejos.
Tradicionalmente, explica el investigador, primero se utilizan los datos para realizar un pronóstico y luego ese pronóstico alimenta un modelo matemático que busca la mejor decisión posible. Su investigación propone cambiar ese paradigma: "Lo que importa no es solamente hacer el pronóstico más preciso desde el punto de vista estadístico, sino generar la información que permita tomar la mejor decisión posible”.
En lugar de optimizar únicamente la calidad de las predicciones, el proyecto incorpora desde el inicio el impacto que esas predicciones tendrán sobre la decisión final.
Un ejemplo cotidiano ayuda a entender la idea. Si una persona estima cuánto demorará en llegar al aeropuerto, equivocarse por exceso solo implica esperar algunos minutos más antes del vuelo. En cambio, equivocarse por defecto puede significar perder el avión. Por eso, en algunos casos no conviene buscar simplemente la estimación "más exacta", sino aquella que permita tomar la decisión más conveniente considerando las consecuencias de cada error.
El proyecto da continuidad a una línea de investigación que el académico viene desarrollando hace varios años sobre optimización estocástica y aprendizaje basado en decisiones (decision-focused learning). Sin embargo, ahora busca extender estos métodos hacia un desafío mucho más complejo: problemas donde las decisiones deben tomarse de manera secuencial y evolucionan en el tiempo. "Hasta ahora estas metodologías se han aplicado principalmente a problemas estáticos. Nosotros queremos avanzar hacia situaciones donde las decisiones se toman en distintas etapas y cada una afecta a las siguientes”, explica Tito.
Para lograrlo, Tito desarrollará nuevos algoritmos y herramientas computacionales que permitan integrar modelos de aprendizaje automático (machine learning) con técnicas avanzadas de optimización.
Aunque la metodología podrá aplicarse en múltiples ámbitos —como logística, inventarios o transporte— una de sus principales aplicaciones estará en los sistemas energéticos.
Con el crecimiento de las energías renovables y de tecnologías como los paneles solares domiciliarios, los operadores eléctricos deben decidir diariamente cómo administrar un sistema donde la generación de energía es altamente variable e incierta.
El proyecto permitirá desarrollar herramientas que ayuden a realizar esos pronósticos considerando directamente las decisiones que deberán tomarse posteriormente, mejorando así la planificación y operación de futuras plantas virtuales de energía y otros sistemas eléctricos inteligentes.
Durante los cuatro años de investigación, el equipo avanzará progresivamente desde el desarrollo matemático de la metodología hasta su implementación computacional y validación en casos reales.
Aunque existe una planificación inicial, el investigador explica que este tipo de proyectos evoluciona constantemente a medida que aparecen nuevos resultados científicos: "La idea es construir una base metodológica sólida que muestre cuándo estos métodos funcionan, cómo pueden implementarse de manera eficiente y en qué tipos de problemas generan mejores decisiones”.
Uno de los aspectos clave será que los algoritmos desarrollados no solo sean correctos desde el punto de vista matemático, sino también suficientemente rápidos para ser utilizados en aplicaciones reales.
Más allá de sus aplicaciones inmediatas, Tito destaca que la principal motivación del proyecto es contribuir con nuevo conocimiento a una línea de investigación que todavía se encuentra en pleno desarrollo: "Lo que más me entusiasma es poder desarrollar algo que aún no existe. La investigación avanza cuando cada uno logra aportar un pequeño paso más para que otros puedan seguir construyendo sobre ese conocimiento”.