1

UNIVERSIDAD TECNOLÓGICA DE PANAMÁ

FACULTAD DE INGENIERÍA INDUSTRIAL
LICENCIATURA EN LOGÍSTICA Y TRANSPORTE MULTIMODAL
ESTUDIO DE TRABAJO

Profesora: Elizabeth Salgado B.

Investigación n°3. La implementación de inteligencia artificial en la

automatización

Estudiantes:

Araúz, Daniella (8-1004-415)

Gallardo, Emmanuel (8-1008-1820)
Marín, Gabriela (8-993-566)
Morales, Abdiel (8-1009-1328)
Morgan, Nashley (8-988-1791)
Quiróz, Harold (8-995-497)
Ramírez, Naitzuly (8-1009-249)

Grupo 5

Salón: 12L132

Fecha de entrega:

Martes, 4 de junio de 2024

 2

Índice

Introducción.............................................................................................3
I. Antecedentes...................................................................................4
II. Conceptos......................................................................................4
III. Importancia.....................................................................................4
IV. Ventajas.........................................................................................4
V. Desventajas.....................................................................................4
VI. Tipos de IA utilizadas en la automatización.............................................6
VII. Usos y/o aplicaciones........................................................................6
VIII. Parámetros para su aplicación..............................................................6
IX. Ejemplos de aplicación......................................................................6
Conclusión...............................................................................................6
Recomendaciones......................................................................................6
Bibliografía..............................................................................................6

Introducción
 3

I. Antecedentes

Orígenes de la Inteligencia Artificial

La idea de crear máquinas que imiten la inteligencia humana tiene raíces antiguas.
Filósofos como Aristóteles discutieron sobre el razonamiento lógico, y durante el
siglo XVIII, inventores crearon autómatas mecánicos capaces de realizar tareas
simples. Sin embargo, la verdadera base de la inteligencia artificial moderna se
estableció en el siglo XX con el trabajo de Alan Turing, quien propuso la "máquina
universal" y el test de Turing, criterios para evaluar la inteligencia de una máquina.
El término "inteligencia artificial" fue acuñado en 1956 durante la Conferencia de
Dartmouth, donde se establecieron las bases del campo. En las décadas siguientes,
se desarrollaron programas que podían jugar ajedrez y resolver problemas
matemáticos. Los años 1980 y 1990 vieron el auge de los sistemas expertos y las
redes neuronales artificiales. Con la llegada del siglo XXI, el aprendizaje automático
y las redes neuronales profundas han permitido avances en reconocimiento de
imágenes, procesamiento del lenguaje natural y otras áreas.

Orígenes de la Automatización
La automatización también tiene una larga historia, comenzando con dispositivos
mecánicos en la antigüedad, como los relojes de agua. La Revolución Industrial en
los siglos XVIII y XIX introdujo la mecanización en la manufactura, con inventos
como la máquina de vapor y el telar de Jacquard. En el siglo XX, la automatización
se expandió con la cadena de montaje de Henry Ford y los primeros robots
industriales en los años 1960.
En la era digital, la automatización ha avanzado con los controladores lógicos
programables (PLCs) y los robots colaborativos. Estos desarrollos han permitido
una mayor flexibilidad y eficiencia en los procesos industriales, transformando
sectores como la manufactura y la logística.

Convergencia de la IA y la Automatización
En la actualidad, la inteligencia artificial y la automatización están convergiendo
para crear sistemas aún más avanzados. La Industria 4.0, que combina sistemas
ciberfísicos, el Internet de las cosas (IoT) y la IA, está dando lugar a fábricas
inteligentes donde los sistemas automatizados pueden comunicarse y optimizarse de
manera autónoma.
La Automatización de Procesos Robóticos (RPA) utiliza software de IA para
automatizar tareas repetitivas en oficinas, liberando a los trabajadores para que se
concentren en tareas más estratégicas. A medida que estas tecnologías continúan
 4

evolucionando, también plantean desafíos éticos y sociales, especialmente en

términos de empleo y estructura social.
Ferreira, J. G. (2023).

II. Conceptos

Inteligencia Artificial (IA):

La inteligencia artificial es un campo de la informática dedicado al desarrollo de
sistemas que pueden realizar tareas que normalmente requieren inteligencia humana,
como el reconocimiento de voz, la toma de decisiones y la traducción de idiomas.

Visión por Computadora:

Habilidad de las máquinas para interpretar y procesar información visual del mundo
real, como imágenes y videos.

Redes Neuronales:
Modelos computacionales inspirados en la estructura del cerebro humano,
utilizados en el aprendizaje automático para reconocer patrones complejos.

Algoritmos:
Conjuntos de reglas y procedimientos lógicos utilizados por los sistemas de IA para
realizar tareas específicas y resolver problemas.

Automatización
La automatización es el uso de sistemas y tecnologías para realizar tareas y
procesos sin intervención humana, aumentando la eficiencia y reduciendo errores

Controladores Lógicos Programables (PLCs):

Dispositivos digitales utilizados para automatizar procesos industriales mediante la
programación de tareas específicas y control de maquinaria.

Robótica:
 5

Rama de la ingeniería que se centra en el diseño, construcción y operación de

robots, utilizados para realizar tareas en diversos entornos, desde fábricas hasta
servicios de atención médica.

Industria 4.0:
- Concepto que describe la cuarta revolución industrial, caracterizada por la
integración de sistemas ciberfísicos, el Internet de las cosas (IoT), y la inteligencia
artificial en la manufactura y otros sectores, creando fábricas inteligentes y sistemas
de producción altamente optimizados.

Internet de las Cosas (IoT):

- Red de dispositivos conectados que pueden comunicarse entre sí y con sistemas
centrales para recopilar y compartir datos, mejorando la automatización y el control
de procesos.

Sistemas Ciberfísicos:
Integración de componentes físicos y digitales en un sistema interconectado,
que permite una monitorización y control precisos en tiempo real.

III. Importancia

La IA tiene permite optimizar de manera significativa los procesos de automatización.

Esto se traduce en una mayor eficiencia, reducción de tiempos de inactividad y, en
última instancia, un aumento en la productividad general. Al minimizar los errores
humanos y poder ajustarse rápidamente a los cambios en las condiciones operativas, la
IA contribuye a mejorar la calidad de los productos o servicios resultantes, lo que a su
vez se traduce en una mayor satisfacción del cliente y una ventaja competitiva para las
empresas.

La implementación de la IA en la automatización es crucial para la toma de decisiones

críticas en tiempo real. En entornos de fabricación o procesos industriales complejos, la
capacidad de procesar información y tomar decisiones de manera rápida y precisa es
fundamental para garantizar la seguridad de las operaciones y la continuidad del
negocio. Mediante el uso de algoritmos avanzados y técnicas de aprendizaje automático,
los sistemas de IA pueden analizar patrones complejos, detectar anomalías y responder
 6

de manera oportuna ante posibles fallas o amenazas, mitigando así los riesgos y
minimizando el tiempo de inactividad.

IV. Ventajas

1. Optimización de procesos

La IA puede analizar grandes cantidades de datos y patrones complejos, lo que permite

optimizar los procesos de automatización. Esto conduce a una mayor eficiencia,
reducción de tiempos de inactividad y mejora en la calidad del producto o servicio.

2. Toma de decisiones mejorada

Los sistemas de IA pueden procesar información en tiempo real y tomar decisiones

basadas en datos más precisos y rápidos que los humanos. Esto es especialmente valioso
en entornos de fabricación o procesos industriales donde se requiere una toma de
decisiones rápida y precisa.

3. Mantenimiento predictivo

La IA puede analizar patrones de datos y detectar anomalías o tendencias que indiquen

la necesidad de mantenimiento en equipos o sistemas. Esto permite implementar
estrategias de mantenimiento predictivo, reduciendo el tiempo de inactividad y los
costos asociados con fallas inesperadas.

4. Personalización y adaptabilidad

Los sistemas de IA pueden aprender y adaptarse a cambios en las condiciones

operativas o requisitos del cliente. Esto permite una mayor personalización y
flexibilidad en los procesos de automatización.

5. Reducción de errores humanos

La automatización basada en IA puede minimizar los errores humanos causados por

fatiga, distracciones o limitaciones cognitivas. Esto conduce a una mayor precisión y
calidad en los procesos automatizados.

6. Seguridad mejorada

La IA puede monitorear y controlar sistemas críticos, detectando posibles amenazas o

riesgos de seguridad y respondiendo de manera oportuna para mitigarlos.
 7

7. Innovación y desarrollo de nuevos productos

La IA puede ayudar a identificar nuevas oportunidades de mercado, patrones de

consumo y tendencias, lo que facilita la innovación y el desarrollo de nuevos productos
o servicios.

(NexusAdmistraIntegra, 2022)

V. Desventajas

La implementación de la inteligencia artificial (IA) en la automatización tiene varias

desventajas que deben considerarse cuidadosamente. A continuación, se detallan las más
relevantes:

1. Desplazamiento de empleos

La inteligencia artificial tiene el potencial de eliminar empleos debido a su capacidad

para automatizar tareas repetitivas y predecibles. Esta tecnología puede realizar
eficazmente funciones que antes requerían la mano de obra humana, lo que supone una
reducción en la demanda de trabajadores en ciertas industrias. Para subsanar esta nueva
realidad es imprescindible una adaptación y reskilling de los empleados para
mantenerlos competitivos en la era de la IA.

2. Dependencia tecnológica

La dependencia tecnológica se puede traducir en la vulnerabilidad a fallos y a la pérdida

de habilidades humanas en ciertas tareas. La excesiva confianza en la IA puede llevar a
la interrupción de sistemas críticos en caso de problemas técnicos, dejando a las
organizaciones y resto de la sociedad en una posición precaria. Además, la dependencia
extrema en la tecnología puede erosionar habilidades humanas esenciales, que pueden
volver a ser necesarias en el futuro.

3. Costo inicial

La implementación de la inteligencia artificial en una empresa puede requerir una

inversión significativa en tecnología y capacitación. A menudo, esto puede ser una
barrera importante para las pequeñas y medianas empresas que no tienen el presupuesto
o la experiencia necesarios para llevar a cabo la implementación. Además, el costo de
 8

mantenimiento y actualización de los sistemas de inteligencia artificial también puede

ser alto.

4. Menor resolución de problemas inesperados

La inteligencia artificial y los sistemas automatizados están diseñados para realizar

tareas específicas basadas en datos y patrones predefinidos. Sin embargo, cuando se
enfrentan a situaciones inesperadas o problemas no contemplados en su programación,
su capacidad de respuesta puede ser limitada. A diferencia de los humanos, que pueden
improvisar, razonar y adaptarse rápidamente a nuevas circunstancias, los sistemas de IA
pueden quedar estancados o tomar decisiones inapropiadas en estos contextos. Esto
puede ser especialmente problemático en entornos donde la flexibilidad y el
pensamiento crítico son esenciales para resolver problemas complejos y dinámicos.

5. Seguridad y Privacidad

Los sistemas de Inteligencia Artificial pueden ser vulnerables a ataques cibernéticos, lo

que puede comprometer datos sensibles y poner en riesgo la seguridad y privacidad de
la información de usuarios y empresas. A medida que se recopilan y procesan grandes
cantidades de datos para entrenar modelos de IA, aumenta la exposición a posibles
violaciones de datos. Además, la implementación de IA plantea preocupaciones éticas
sobre el manejo y uso de datos personales, ya que puede ser difícil garantizar que se
cumplan las normativas de privacidad y protección de datos en todas las fases del
proceso. Por lo tanto, es crucial implementar medidas de ciberseguridad, encriptación de
datos y protocolos de privacidad para mitigar estos riesgos.

6. Desafíos en la integración

Integrar sistemas de Inteligencia Artificial con infraestructuras y procesos existentes

puede ser un desafío significativo. Las empresas pueden enfrentar incompatibilidades
técnicas y operativas que requieren cambios sustanciales en la manera en que operan.
Además, la implementación de IA puede necesitar una reestructuración organizativa y
un cambio cultural dentro de la empresa para que los empleados acepten y se adapten a
las nuevas tecnologías. Estos desafíos pueden ralentizar el proceso de implementación y
aumentar los costos y riesgos asociados.

7. Impacto en la toma de decisiones

 9

La automatización excesiva puede reducir la capacidad de los humanos para desarrollar

y mantener habilidades críticas de resolución de problemas y pensamiento analítico. La
dependencia de sistemas automatizados para la toma de decisiones puede llevar a una
pérdida de juicio humano y empatía en situaciones donde estos elementos son cruciales.
Además, las decisiones basadas en IA pueden carecer del contexto y la sensibilidad que
solo un humano puede aportar, lo que podría afectar negativamente la calidad y
efectividad de las decisiones en situaciones complejas o delicadas.

8. Ética y Sesgo

Los sistemas de Inteligencia Artificial pueden perpetuar o incluso amplificar sesgos

existentes si los datos utilizados para entrenarlos no son representativos o contienen
prejuicios. Esto puede resultar en decisiones injustas o discriminatorias, afectando
negativamente a ciertos grupos demográficos. Además, la falta de transparencia en los
algoritmos de IA puede dificultar la identificación y corrección de estos sesgos,
planteando desafíos éticos significativos. Es esencial que las organizaciones
implementen prácticas de desarrollo éticas y transparentes para minimizar estos riesgos
y garantizar un uso justo de la IA.
(ISDI España. 2023)

VI. Tipos de IA utilizadas en la automatización

VII. Usos y/o aplicaciones

Sistemas expertos

 Toma de decisiones financieras.

Se utilizan para tomar decisiones de carácter financiero. Son programas que
ayudan a los banqueros a decidir si deben conceder un préstamo o no.

También, las empresas de seguros dan uso de sistemas expertos para determinar
las probabilidades de riesgo de un cliente, así como para asignar los precios de
los servicios de seguros.

 Diagnóstico de fallas en sistemas.

 10

Los sistemas expertos ayudan a identificar fallas en un sistema. Además, pueden

generar un reporte de las incógnitas más comunes en una falla, tal como:
descripción del problema presentado y los posibles orígenes del problema.

 Planeación de metas.
Analiza un conjunto de variables para proponer un plan que ayude a alcanzar las
metas propuestas por una organización.

 Diseño de objetos.
Los sistemas expertos tienen la capacidad de diseñar la mejor configuración para
objetos de manufactura.

 Presentación de información.
Es una aplicación que consiste en brindar la información más relevante
disponible al usuario. Para ello, el sistema experto toma en consideración el
contexto del problema de la persona, y a partir de allí, ofrece la información
adecuada.

 Monitoreo de dispositivos y sistemas.

Trata sobre el monitoreo a tiempo real de dispositivos físicos y sistemas con el
objetivo de determinar irregularidades y prevenir fallas.

 Creación de procesos.
Estos sistemas permiten crear procesos de fabricación de alta eficiencia, y
engloba tanto al diseño de dispositivos como a procesos físicos.
(De Ceupe, 2022)

Machine learning.

 Detección de rostro.
Los dispositivos aprenden cuál es tu rostro reconociéndola como una imagen.
Está siendo muy usando en aplicaciones como Instagram o en bancos de
imágenes.
 11

 Gmail.
Esta plataforma integra el Machine Learning para evitar el correo no deseado (o
spam) en la bandeja de entrada. El sistema entiende y aprende de los ejemplos
pasados, para tomar decisiones en el futuro basándose en ellos.

 Antivirus.
Aprende a detectar softwares maliciosos basándose en datos introducidos
previamente y en predicciones posibles.

 Generación de textos.
Interpreta los textos que se le proporcionan a través del algoritmo y de un
etiquetado concreto que permite que el dispositivo genere sus propios textos.

 Vehículos autónomos y robots.

Se está utilizando el machine learning en los coches para que estos se manejen
solos, reconociendo la ruta, tomando en cuenta los coches y el entorno que le
rodea. Además, son capaces de aprender de sus errores y mejorar su
comportamiento.

 Análisis de imágenes de alta calidad.

Gracias al machine learning se pueden reconocer millones de imágenes de entre
aquellas que ha introducido a través del algoritmo.

 Detectar fraudes en transacciones.

Empresas como PayPal y monedas electrónicas como BITCOIN ya utilizan el
machine learning para combatir el blanqueo de dinero y los fraudes.

 Finanzas.
Crear algoritmos para aprender los patrones de inversión para así comprar y
vender de la manera más eficiente.

 Marketing.
Permite conocer más a los clientes e impulsar las ventas. Es así como el machine
learning es utilizado para aprender los hábitos del cliente potencial y ofrecerle
 12

aquellos productos o servicios que se adapten a sus necesidades. Sirve también

para el remarketing.

 Reconocimiento de Voz.
Siri, Alexa o Cortana. Las tres asistentes de voz más populares y que aprenden
de tu información para poder entenderte mejor cuando le formulas preguntas.

 Videojuegos.
Se utiliza esta tecnología para darle vida a los bots que interactúan con el
jugador. Antes solo eran una inteligencia artificial, ahora, además, se adaptan y
aprenden en función de las decisiones que tome el jugador.
(Mira, A. R., 2024)

Deep learning

 Visión artificial.
La visión artificial adquiere la capacidad de reconocer caracteres, imágenes,
objetos e, incluso, rostros, y su impacto en la Industria 4.0, por ejemplo, en el
control de calidad, será importante.

 Análisis predictivo.
El análisis predictivo puede generar previsiones más precisas de los resultados
de los negocios, las evoluciones de los mercados o las necesidades energéticas.

 Asistentes virtuales.
Alexa, Cortana o Siri son asistentes que entienden y ejecutan los comandos de
voz del usuario en lenguaje natural y son capaces de aprender con el tiempo.

 Chatbots.
Los chatbots se emplean en sistemas de asistencia al cliente para resolver
problemas de los usuarios a través de un chat y también aprenden de forma
progresiva.
 13

 Salud.
A través del análisis de imágenes médicas, facilita la detección de enfermedades
y el diagnóstico asistido por ordenador, incluso sin la intervención de personal.

 Entretenimiento.
Empresas de contenido en streaming, como Netflix, HBO o YouTube,
proporcionan recomendaciones y subtítulos automáticos a sus usuarios.

 Noticias y publicidad.
Permite personalizar las noticias en función de las preferencias de los usuarios
algo similar ocurre con los anuncios publicitarios y detectar las conocidas como
fake news.

 Música.
Una máquina puede aprender las notas, estructuras y patrones que hacen que la
música sea popular, hasta el punto de llegar a componer sus propias canciones.
(Iberdrola, 2021)

Robótica

 Industria
No se puede negar que este es uno de los planos que más beneficiado se ha visto
por el uso de la robótica, y algunas actividades en las que juega un papel
fundamental son:

 Transporte de materiales
 Montaje
 Corte mecánico, rectificado, desbardado y pulido
 Pintura
 Manipulación de plásticos y otros materiales
 Tareas peligrosas como soldaduras, implementación de sustancias inhalantes
nocivas, transporte de materiales pesados.
 14

 Reciclaje
 Medición, inspección, control de calidad

 Química.
Hay procesos dentro de la química donde los robots facilitan en gran medida las
labores, siendo en la disolución de muestras donde ha supuesto un importante
avance.

 Física.
Una de las aplicaciones de la robótica en el plano de la física está presente
dentro de la exploración espacial.

 Medicina.
Por supuesto en el campo medicinal la robótica se ha convertido en
imprescindible, y algunas tareas en las que está presente son:

 Mediciones y tareas repetitivas

 Terapia y rehabilitación: miembros artificiales, robots de soporte a las terapias
de rehabilitación o robots para proveer asistencia personal en hospitales
 Mejorar procesos quirúrgicos
 Almacenaje y distribución de medicamentos

 Militar.
Aquí el uso de la robótica se traduce en aporte vital para labores de
supervivencia, por ejemplo:

 Desactivar bombas
 Búsqueda y rescate en catástrofes

 Vida doméstica.
En casa el uso de la robótica también está presente, tanto en el plano de la
limpieza como en la mecanización de elementos que nos facilitan la vida diaria:

 Aspirador
 15

 Domótica: automatización de viviendas como las persianas, las luces, la

calefacción o el aire acondicionado y también la seguridad. Nos permite detectar
gases, incendios, intrusos, ayuda a ahorrar electricidad y calefacción. Y por
supuesto, se mejora el confort de la vida diaria.

 Educación.
Y en el plano educativo es fundamental hacer mención del uso de la
robótica mediante habilidades STEM: Science, Technology, Engineering &
Maths.
(Balón V., 2020)

VIII. Parámetros para su aplicación

Sistemas de expertos
-Definir claramente el área o dominio en el que operará el sistema experto.
-Establecer los límites y la profundidad del conocimiento que el sistema debe abarcar.
-Construir una base de conocimientos que contenga información específica del dominio.
-Utilizar técnicas para la adquisición y mantenimiento del conocimiento, como
entrevistas con expertos, análisis de documentos, etc.
-Diseñar una interfaz intuitiva que permita a los usuarios interactuar fácilmente con el
sistema.
-Proporcionar métodos para ingresar datos al sistema y recibir resultados de manera
clara y comprensible. Asap. (2022, 13 febrero).

machine learning
-Detectar qué procesos puedes automatizar con Machine Learning
es importante seleccionar cuidadosamente las áreas de tu empresa que necesitan y sobre
todo pueden ser automatizadas.
-Comienza con Machine Learning supervisado
Empezar implementando esta tecnología puede ser de gran utilidad para predecir
eventos futuros como: Cancelaciones, Deudas (morosidad), Demanda de productos o
servicios
-Monitorear y mejorar el rendimiento: Una vez que el modelo está en producción, es
importante monitorear su rendimiento de forma regular y realizar ajustes según sea
necesario.
 16

-Optimizar el proceso de automatización: Busca formas de mejorar continuamente el

proceso de automatización utilizando IA. Asap. (2022, 13 febrero).

Deep learning
-Entrenar el modelo: Lo ideal es proporcionarle una batería de imágenes e ir
clasificándolas manualmente como buenas o malas, de manera que vaya aprendiendo de
ellas. Es importante acordar previamente con las personas implicadas qué criterios se
van a considerar para aceptar o rechazar un producto.
-Desplegar la infraestructura necesaria: conformada por cámaras, equipos de
iluminación, cables de red ethernet, etc.
-Recogida y procesado de imágenes para el control de calidad. Datision. (2022b,
febrero 25).
Robótica
-Análisis de procesos: Identifica los procesos que deseas automatizar utilizando la
robótica. Esto podría incluir tareas repetitivas, peligrosas o que requieran una precisión
extrema.
-Diseño del sistema robótico: Determina qué tipo de robots son necesarios para
automatizar los procesos identificados. Esto podría incluir robots industriales, robots
móviles, drones, etc.
-Pruebas y validación: Realiza pruebas exhaustivas del sistema robótico para garantizar
que funcione correctamente y cumpla con los requisitos de automatización
-Capacitación del personal: para operar y mantener el sistema de manera efectiva.
(s. f.). Deloitte Paraguay.

IX. Ejemplos de aplicación

Sistemas Expertos
Medicina: La medicina utiliza sistemas expertos para diagnosticar enfermedades, crear
planes de tratamiento personalizados y hacer recomendaciones clínicas basadas en datos
médicos y síntomas del paciente. IBM Watson Health, por ejemplo, ha desarrollado
sistemas expertos que ayudan a los médicos a diagnosticar y tratar el cáncer.
Servicios financieros: En el sector financiero, los sistemas expertos se utilizan para el
análisis de riesgos, la detección de fraudes, la gestión de carteras y la toma de
decisiones de inversión. Las principales instituciones financieras como JP Morgan
Chase y Goldman Sachs utilizan sistemas expertos para optimizar sus operaciones y
mejorar la precisión de sus pronósticos financieros.
Tecnología: En la industria tecnológica, los sistemas expertos se utilizan, por ejemplo,
en laboratorios virtuales, optimizando los sistemas informáticos e identificando brechas
de seguridad de la información. Empresas como Google, Microsoft y Amazon utilizan
 17

sistemas expertos en sus productos y servicios para mejorar la experiencia del usuario y
aumentar la eficiencia operativa.
Fabricación: la fabricación utiliza sistemas expertos para el control de procesos, el
mantenimiento predictivo y la optimización de la cadena de suministro. Empresas como
Toyota y Siemens utilizan sistemas expertos para mejorar la calidad de sus productos y
hacer que la producción sea más eficiente.
Educación: los sistemas expertos se utilizan en educación para individualizar el
aprendizaje, proporcionar retroalimentación inmediata y ayudar a los estudiantes a
identificar áreas de mejora. Las plataformas educativas como Khan Academy y
Coursera utilizan sistemas expertos para ofrecer contenido educativo adaptado a las
necesidades únicas de cada estudiante.

Machine Learning
Análisis predictivo: Esta aplicación de Machine Learning puede predecir qué sucederá
en escenarios específicos con base en datos históricos y es capaz de identificar patrones
a partir de esta información. Las empresas usan esta aplicación del Machine Learning
para eliminar riesgos, reducir costos e identificar áreas de oportunidad para el negocio y
sus colaboradores.
Extracción de conocimiento: Esta aplicación de Machine Learning permite procesar
grandes cantidades de datos estructurados y sin estructurar para identificar relaciones no
explícitas. A partir de un seguimiento de la información recurrente, esta aplicación de
ML puede transformar un gran volumen de datos en información valiosa.
Reconocimiento de imágenes: Esta aplicación de Machine Learning define un
conjunto de objetos a identificar en las imágenes, a partir del entrenamiento de un
modelo con fotos etiquetadas. De esta manera, el Machine Learning podrá detectar estos
objetos en imágenes o archivo de video de manera automática para apoyar a las
empresas en cuestiones de seguridad o productividad. El Deep Learning ha impulsado
esta aplicación volviéndola aún más poderosa.
Análisis de comportamiento: Esta clase de Machine Learning construye líneas de base
de comportamiento normal para cada usuario en escenarios específicos, mediante la
observación de la actividad histórica y las comparaciones dentro de grupos de pares. De
esta manera, se puede identificar la conducta y las reacciones de personas específicas en
escenarios diversos.
Sistemas de recomendaciones: Los sistemas de recomendación de Machine Learning
se ocupan para clasificar productos y grupos de usuarios. Generalmente, un sistema de
recomendación predice las calificaciones que un usuario podría darle a un artículo o
contenido específico. Estas predicciones se clasifican y se devuelven al usuario con
resultados similares que podrían interesarle.
 18

Deep learning
Tecnología: el campo de la tecnología utiliza el aprendizaje profundo para el
reconocimiento de voz, el reconocimiento facial, el procesamiento del lenguaje natural,
la traducción automática y el contenido creativo. Empresas como Google, Facebook,
Amazon, Microsoft y Apple utilizan el aprendizaje profundo en sus productos y
servicios, como Google Assistant, DeepFace de Facebook, Amazon Alexa, Microsoft
Translator y Siri.
Salud: En salud, el aprendizaje profundo se utiliza para diagnóstico médico, análisis de
imágenes médicas, desarrollo de fármacos y análisis del genoma. Grandes empresas
farmacéuticas como Pfizer, Novartis y Roche, así como hospitales de renombre como el
Hospital Mount Sinai de Nueva York, utilizan el Deep Learning en su investigación y
práctica médica.
Automoción: en la industria automovilística, el aprendizaje profundo se utiliza en
sistemas avanzados de asistencia al conductor, reconocimiento de señales de tráfico,
conducción autónoma y optimización de la cadena de suministro. Empresas como Tesla,
Audi, Toyota y Ford están utilizando la tecnología Deep Learning para desarrollar
vehículos autónomos y mejorar la seguridad vial.
Finanzas: En el sector financiero, el aprendizaje profundo se utiliza para el análisis de
riesgos, la detección de fraudes, la gestión de carteras y la previsión de tendencias del
mercado. Grandes instituciones financieras como JP Morgan Chase, Goldman Sachs y
Morgan Stanley utilizan el Deep Learning en sus operaciones diarias para mejorar la
toma de decisiones y optimizar las estrategias de inversión.
Entretenimiento: en la industria del entretenimiento, el aprendizaje profundo se utiliza
para hacer recomendaciones de contenido, personalizar las experiencias de los usuarios
y crear contenido creativo. Plataformas como Netflix, Spotify, YouTube y Twitch
utilizan el aprendizaje profundo para brindar recomendaciones personalizadas y mejorar
la satisfacción del usuario.

Robótica
Automatización industrial: En la industria manufacturera, la robótica se utiliza para
realizar tareas repetitivas y peligrosas en entornos de producción. Empresas como
Fanuc, ABB, KUKA y Universal Robots son líderes en la fabricación de robots
industriales para aplicaciones de ensamblaje, soldadura, pintura y manipulación de
materiales.
Asistencia médica: En el campo de la salud, la robótica se utiliza para realizar cirugías
mínimamente invasivas, rehabilitación física y asistencia a personas con discapacidades.
Empresas como Intuitive Surgical, Medtronic y Ekso Bionics desarrollan robots
quirúrgicos y dispositivos de asistencia médica para mejorar la precisión y la eficiencia
en el tratamiento de pacientes.
 19

Exploración espacial: En la exploración espacial, la robótica se utiliza para la

investigación y la recopilación de datos en entornos extremos fuera de la Tierra.
Agencias espaciales como la NASA y la ESA (Agencia Espacial Europea) utilizan
robots como los rovers en Marte y los brazos robóticos en la Estación Espacial
Internacional para realizar tareas de exploración y mantenimiento.
Logística y almacenes: En el sector de la logística y almacenes, la robótica se utiliza
para la automatización de procesos de almacenamiento, recogida y embalaje de
productos. Empresas como Amazon, Ocado y Boston Dynamics utilizan robots
autónomos y sistemas automatizados para agilizar las operaciones y aumentar la
eficiencia en la cadena de suministro.
Servicios domésticos: En los hogares, la robótica se utiliza para realizar tareas
domésticas como limpieza, cuidado de mascotas y seguridad del hogar. Empresas como
iRobot (creadores de Roomba), Dyson y Ecovacs Robotics desarrollan robots
domésticos para ayudar a las personas en sus actividades diarias. Coppola,
M. (2024, marzo 6)

Conclusión

Recomendaciones
 20

Bibliografía

10 desventajas de la inteligencia artificial a tener en cuenta. (2023, noviembre 28).

ISDI España; ISDI España | La Escuela de Negocios de la Era Digital.
[Link]

5 ejemplos de Machine Learning que usas en tu día a día y no lo sabías. (s/f).

[Link]. Recuperado el 3 de junio de 2024, de [Link]
mx/blog/5-ejemplos-de-machine-learning-que-usas-en-tu-dia-a-dia-y-no-lo-
sabias

Coppola, M. (2024, marzo 6). Tipos de inteligencia artificial que puedes usar este 2024.
[Link]. [Link]

NexusAdmistraIntegra. (2022, julio 26). Ventajas y Desventajas de la Inteligencia

Artificial en Empresas. Nexus Integra. [Link]

desventajas-de-la-inteligencia-artificial/

Asap. (2022, 13 febrero). ¿Qué es el Machine Learning y cómo aplicarlo en tu empresa?

- Asap. Asap - Consulting. [Link]

learning-y-como-aplicarlo-en-tu-empresa/

Datision. (2022b, febrero 25). Cómo funcionan los sistemas Deep Learning para el

control de calidad. Datision. [Link]

9 pasos para implementar un robot en tu organización. (s. f.). Deloitte Paraguay.

[Link]

[Link]
 21

De Ceupe, B. (2022, 22 marzo). ¿Qué es un Sistema Experto? Definición, tipos, y

aplicaciones. Blog de CEUPE-Centro Europeo de Postgrado.
[Link]

Iberdrola. (2021, 22 de abril). DEEP LEARNING. Iberdrola.

[Link]
1mh0f52JfO8oZqF2BkVjRk/fuentes/4pAKHzN28FYxOZOgLqDqsW/

Mira, A. R. (2024, 26 febrero). Todas las aplicaciones del machine learning. Tokio
School. [Link]

Balón, V. (2020, 20 mayo). ¿Cuáles son las aplicaciones de la robótica? – Flexbot.

Flexbot. [Link]

Ferreira, J. G. (2023). El impacto de la inteligencia artificial en los trabajadores para la

automatización de servicios. Revista CES Derecho, 14(3), 62-81.

[Link]