7.2.1 Planificación del staff (cuerpo) de empleados. Hoy más que nunca, las empresas están sujetas a la presión de los elevados costos. Esto puede verse en diferentes sectores corporativos, tales como la planificación del staff de empleados. Desde el punto de vista de las empresas, un empleado que falla al ejecutar la mayor parte de las tareas asignadas, evidencia una baja productividad. Por el otro lado, esta situación es frustrante para el empleado. Ambos efectos causan costos, los cuales podrían evitarse realizando antes una prueba de aptitud. Estos problemas no solamente son originados por los empleados nuevos, sino también por aquellos que son reubicados dentro de la misma empresa. En este proyecto de investigación se examinó hasta donde la predicción de aptitudes puede llevarse a cabo por una red neuronal, cuya topologgía suministre una tarea satisfactoria y así lograr una predicción más exitosa. Base de datos y codificación: La base de datos inicial contenía información resultante de una investigación que realizaron por medio de un cuestionario. Las respuestas obtenidas a través del mismo las utilizaron para acumular información acerca de las cualidades específicas y habilidades técnicas de cada individuo del personal indagado. Para cada pregunta, les fue posible categorizar la respuesta en un intervalo que va de 1 a 5; constitu yendo así la entrada que presentaron a la red neuronal. Al entrevistado, posteriormente, lo examinaron en el orden de obtener una cifra representativa de sus aptitudes. De esta manera el conjunto de datos de entrenamiento quedó formado de la siguiente forma: - Respuesta obtenidas a través del cuestionario = datos de entrada. - Cifra representativa de la aptitud de la persona encuestada = salida deseada. El primer problema que se les presentó fue cómo codificar los datos obtenidos, decidiendo transformarlos dentro del intervalo [0.1, 1.0]. Cómo codificar la salida objetivo fue la próxima pregunta que consideraron. Normalmente la compañía sólo quiere conocer si una persona ejecutará bien o mal la tarea determinada, o si su desempeño será muy bueno, bueno, promedio, malo o muy malo. Consecuentemente, (a) asignaron la salida dada dentro de varias clases y (b) transformaron las cifras representativas dentro del intervalo [0, 1], utilizando en parte una función lineal.

Algoritmo de aprendizaje: Ensayaron diferentes algoritmos de aprendizaje, de los cuales dos fueron escogidos como los más apropiados: Propagación Rápida (Quickpropagation) y Propagación Elástica (Resilient Propagation). Quickpropagation: es una modificación del algoritmo estándar de backpropagation. A diferencia de este, la adaptación de los pesos no es solamente influenciada por la sensibilidad actual, sino también por la inclusión del error previo calculado. Resilient Propagation: es otra modificación del algoritmo estándar de backpropagation. En oposición a este, la adaptación de los pesos es influenciada por el signo de la sensibilidad actual y antecesora, y no por su cantidad. 38 Topología de la red: Evaluaron diferentes topologías de redes, las cuales no serán detalladas. La pregunta fue: (a) ¿cuántas capas ocultas son necesarias?, (b) ¿cuántas neuronas en cada una de ellas? La primera prueba que hicieron mostró que para este propósito la red debía contener 2 capas ocultas, con la primera formada por tantas neuronas como la capa de entrada y la segunda por un número menor que la primera (exactamente la mitad como mucho). Resultados obtenidos a partir de los ensayos: El primer resultado que consiguieron al intentar predecir la cifra representativa correcta fue relativamente mala. Asumieron que esto fue causado por el hecho de que el número de neuronas de entrada en proporción al número de ejemplos dados en el conjunto de datos de entrenamiento fue elevado. La pequeña base de datos, conforme con la gran capa de entrada, fue suficiente para realizar una tosca predicción, pero no

para dar la correcta cifra representativa. Lo mencionado en el párrafo anterior hizo que enfocaran toda la atención en reducir el número de neuronas de entradas en forma apropiada. También examinaron la red con la cual se logró el mejor resultado, en función de conseguir indicadores de las entradas que demostraran ser importantes y cúales no. Entonces, reduciendo el número de neuronas de entrada y formando nuevas redes, consiguieron un resultado bastante bueno para la predicción de las clases y aún para la predicción de la cifra representativa correcta. En otra serie de test, examinaron los resultados que podrían favorecer a un mejoramiento por agrupación de las neuronas de entrada para las preguntas interdependientes. Cada grupo, que representaba una habilidad especial, fue conectado exactamente a una neurona en la primer capa oculta. La razón para esto fue que haciendo ciertas conexiones se reduce beneficiosamente el espacio de búsqueda, si y solo si, las conexiones representan la estructura correcta, pero puede reducir el espacio de búsqueda inapropiadamente por prohibición de otras conexiones.

7.2.2 Planificación de la demanda de materiales. La tarea de planificar la demanda de materiales es justamente predecir en forma segura la necesidad de los mismos, o más exactamente, de los factores de consumo. Esto involucra tener una correcta información de los volúmenes aproximados de producción, así como de los factores de tiempo. Principalmente para resolver esta tarea pueden distinguirse los siguientes procedimientos: - Programación orientada (program-oriented). - Consumo orientado (consumption-oriented). En el método de programación orientada la predicción de la cantidad demandada se basa sobre los resultados del planeamiento de producción. Mientras que el método de consumo orientado toma en cuenta el consumo observado en períodos anteriores y sobre la base de dicha información intenta predecir las futuras demandas. Como primera aproximación utilizaron una red neuronal por predicción del consumo orientado; centralizando la investigación en la determinación de las 39 habilidades de las redes para producir salidas correctas cuando analizan un dato real. El proyecto lo realizaron conjuntamente con la compañía que lo solicitó, la cual se dedica a la fabricación de bicicletas y por ende, necesita de tubos para la construcción de las mismas; cuyo consumo debían predecir. Base de datos y codificación: En la Figura 7.1 se muestran las series de tiempo que utilizaron para la planificación de la demanda de materiales. Figura 7.1: series de tiempo empleadas en la planificación de la demanda de materiales. Cada serie de tiempo incluye datos desde 1992 a 1994 (semanalmente). Las series, pedido y stock, fueron codificados dentro del intervalo [0.0, 0.9], para lo cual utilizaron una función de transformación lineal. Mientras que al consumo lo codificaron en dos pasos, porque esta serie de tiempo varía, en partes, de manera muy brusca. Para el primer paso emplearon la fórmula: std(x) x m z old x new − = siendo mx el promedio de las series de tiempo y std(x) la desviación estándar de las series de tiempo. Y para el segundo aplicaron una transformación lineal a la nueva serie de tiempos z. Topología de la red: Sobre el ensayo de diferentes redes neuronales observaron que, sin importar la predicción que se haga (mensualmente, semanalmente), más de dos capas ocultas desfavorecía el resultado obtenido. Primero experimentaron solamente con la serie de tiempo del consumo, y con una red neuronal constituida por nueve neuronas de entrada y una neurona más para la estación; empleando 80 patrones para el entrenamientos y 53 para la validación. La exactitud que lograron luego de varias corridas de la red neuronal, empleando diferentes topologías, se muestran en la Tabla 7.1 (error permitido: 20%, ciclos de aprendizaje: 10000, algoritmos de aprendizaje: Quickpropagation o Resilient Propagation). Tiempo Cantidad [103 ]40 Topología Exactitud 10-10-36-1 30.0% 10-20-36-1 10.0% 10-27-10-1 10.0% Tabla 7.1 Como se puede observar, dando solo el consumo como una

entrada no es suficiente para predecir la demanda. Luego, utilizaron todas las series de tiempo descriptas en la Figura 7.1 como entradas a la red neuronal y además, asignaron tres neuronas de entrada para cada serie de tiempo, lo que resultó en una capa de entrada de nueve neuronas; logrando para las diferentes topologías una exactitud como la que exhibe en la Tabla 5.1: Topología Error permitido Exactitud 9-27-1 10 % 20 % 86.36 % 89.39 % 9-9-18-1 10 % 20 % 87.88 % 90.15 % 9-18-9-1 10 % 20 % 66.67 % 70.45 % Tabla 7.2 Los resultados citados no parecen ser suficientemente buenos para la aplicación de una red neuronal real en el campo del planeamiento de la demanda de materiales; no obstante, está claro que las técnicas de las redes neuronales son prometedoras para la tarea. Actualmente se están ensayando otros escenarios diferentes para mejorar las predicciones así obtenidas.

7.2.3 Puntuación para la solicitud de un crédito. La puntuación para un crédito representa una tarea de gran riesgo para las instituciones crediticias. Estas instituciones tienen un fuerte interés en evitar tales situaciones, rechazando los candidatos que parecen ser un riesgo malo. Ya que un candidato rechazado, que de hecho era un buen riesgo crediticio, no impone costos reales; mientras que, un candidato que es incapaz de restituir el pago del crédito extendido puede causar pérdidas sustanciales (recordar el caso Schneider en Alemania). Diferentes métodos son aplicados en este campo. Muy a menudo la decisión tomada, aprobación o rechazo, se basa sobre los siguientes factores: carácter, capacidad y capital (créditos triple C); siendo esta solamente humana y naturalmente subjetiva. Otro método es la utilización de un sistema de puntuación numérico. El mismo utiliza rasgos comunes que resultan ser importantes para la evaluación de los candidatos para un crédito. La importancia específica de cada simple característica está expresada por pesos. Cada candidato al crédito se pondera con una cierta cifra indicativa (suma integral de los rasgos) y si se sitúa por encima de un umbral determinado se considera como una persona digna de crédito. Debido a que ambos métodos tienen aspectos negativos -subjetivamente por un lado y una simple dependencia lineal entre característica por el otro-, los esfuerzos apuntan a la aplicación de técnicas de inteligencia artificial, tales como Sistemas Expertos (XPS) y Redes Neuronales, en el campo de la puntuación para la solicitud de 41 un crédito. Por lo tanto la tarea a ser consumada por medio de una red neuronal es tratar de predecir una correcta clasificación de los clientes. Escenario de los datos: Para recaudar información acerca de los candidatos aprobados y desaprobados recurrieron a diferentes instituciones crediticias, pero solamente unas pocas de ellas cooperaron; ya que la mayoría alegaba que los datos sobre los aspirantes a los créditos era un asunto interno y por consiguiente, reciben un trato confidencial. Puesto que la información de la que disponían era insuficiente, utilizaron un conjunto de datos públicos; el notorio conjunto de datos australiano (J. R. Quinlan), caracterizado como sigue en la Tabla 7.3: Nº de casos 690 Clases 2 (buena/mala) Distribución de clases 307 (buenas): clase 2 383 (malas): clase 1 Nº de atributos: -continuos -binarios -ordenados 14 6 4 4 Tabla 7.3 Codificación: Codificaron los atributos continuos simplemente por una transformación lineal dentro del intervalo [0.1, 0.9], utilizando para esto solamente una neurona (real). Los atributos binarios también fueron codificados por medio de una neurona (binaria). Pensaron en la utilización de dos neuronas binarias, pero los ensayos no mostraron ninguna diferencia entre ambos tipos de codificación. En consecuencia utilizaron solamente una neurona para los atributos binarios. A los atributos ordenados los trataron como sigue; ya que dependiendo de los diferentes valores que los mismos podían tomar, el número de

neuronas utilizadas en la capa de entrada variaba. Codificaron cada posible valor en una neurona; por ejemplo si había tres valores posibles, se necesitaba de tres neuronas. El procedimiento de codificación fue como el mostrado en la Tabla 7.4: Atributo Neurona de entrada valor 1 1 0 0 valor 2 0 1 0 valor 3 0 0 1 Tabla 7.4 La capa de salida estaba formada por una simple neurona binaria que daba una clasificación bueno/malo. Utilizando el procedimiento de codificación de la Tabla 7.4, al menos 32 neuronas les fueron necesarias en la capa de entrada. Por supuesto otras formas de codificación de los atributos pueden ser posibles. Resultados: Para el entrenamiento y validación, dividieron el conjunto de datos de la Tabla 7.3 en dos subconjuntos. El número de ejemplos en cada subconjunto, se puede