La toma de decisiones a nivel multidisciplinario implica la participación de expertos de diversos campos para evaluar información, considerar diferentes perspectivas y alcanzar soluciones óptimas, en este contexto, las metodologías utilizadas para el análisis de datos y/o generación de modelos de predicción juegan un papel fundamental.
Estas metodologías se convierten en la solución para abordar decisiones complejas en áreas diversas de la ciencia; el doctor Arturo Yee Rendón, de la Facultad de Informática Culiacán de la Universidad Autónoma de Sinaloa (UAS), señaló que en su grupo de investigación se enfocan en analizar las mejores metodologías a partir de modelos generados con datos, con el fin de determinar las soluciones óptimas para problemas complejos en áreas como la medicina, biología, administración e ingeniería, entre otras.
El análisis de las métricas utilizadas para medir el desempeño del modelo predictivo, como la tasa de aciertos y la precisión del modelo, resulta crucial para tomar decisiones confiables y precisas.
“Determinar la salud de una estructura ingenieril a partir de las grietas detectadas implica evaluar el desempeño del modelo y tomar decisiones de prevención, como la rehabilitación, para prolongar la vida útil de la estructura, así como determinar por imágenes ciertas características de flora y fauna en biología y a partir de imágenes, también detectar anomalías en estudios médicos, como el cáncer”, ejemplificó.
Yee Rendón, miembro del Sistema Nacional de Investigadores del Consejo Nacional de Humanidades, Ciencias y Tecnologías, resaltó que el análisis de arquitecturas o metodologías de redes neuronales convolucionales es esencial en la toma de decisiones a través de modelos predictivos.
Sin embargo, la elección de la arquitectura adecuada, considerando factores como la complejidad y la eficiencia computacional, puede influir en el tiempo requerido para tomar decisiones, especialmente cuando los recursos tecnológicos son limitados, culminó.
Comments