confiabilidad, competitividad y futuro del trabajo...confiabilidad, competitividad y futuro del...

Gestión de Innovación y Tecnologías Prof. Pablo Sartor, PhD

Prof. Pablo Sartor

Confiabilidad, Competitividad y Futuro del Trabajo


Confiabilidad


• ”Dependability”: capacidad de prestar un servicio que sea justificadamente confiable• Availability: (funcionar en instante t)

• Reliability: (funcionar entre tiempos t1…t2)

• Safety: ausencia de consecuencias graves

• Integrity: ausencia de alteraciones improcedentes

• Maintainability: capacidad de ser reparado y modificado

Confiabilidad


• Confidentiality: ausencia de acceso indebido a los datos

• Security = availability + integrity + confidentiality• 4 niveles:

• Fault prevention: prevenir “fallas”• Fault tolerance: evitar rupturas de servicio en

presencia de fallas• Fault removal: reducir el número y severidad de las

fallas• Fault forecasting: estimación de número e incidencia

de fallas

Confiabilidad


1

2

3

4

5

6

78

9

Ej: confiabilidad de redes


• Menos errores• Menos costos para restaurar (limpiar, reparar,

multas, etc)

• Menos tiempo dedicado a ello

• Mayor satisfacción del cliente interno/externo

• Elección del momento óptimo para realizar mantenimientos

• Futuro: enfocarse más en “eventos raros” dejando el mantenimiento rutinario a los sensores, IoT, algoritmos de optimización y modelado.

Confiabilidad -> Competitividad


¿Cómo se mejora la confiabilidad de un sistema?

1

2

3

45

6

7 8

9

1

2

3

45

6

7 8

91

2

3

4

5

6

7 8

9

”Mejores” componentes

Mayorredundancia


Desafíos en Uruguay:

• La misma persona realiza varias tareas…

• O es la única que las realiza…

• Costo de componentes “a igual confiabilidad”

• Costo de mano de obra especializada

Confiabilidad -> Competitividad


Prof. Pablo Sartor

Futuro del Trabajo


Revoluciones Tecnológicas

Revolución Industrial: •

1764: Spinning Jenny• 1768: Water frame (Richard Arkwright), primera fábrica de algodón basada en

energía hidráulica. • 1779: Mule Crompton• 1801: Jacquard Loom

El centro de gravedad de la vida social se desplaza a “la fábrica”

Tareas repetitivas, especialización, management científico, introducido por F. Taylor. Mejores prácticas.

Luego de períodos turbulentos, siempre se encontraron nuevos roles con un mayor nivel de abstracción. Hace 300 años, 95% del trabajo era agrícola, hoy menos de 5%.

Pero esto podría estar cambiando.


Revoluciones tecnológicas


¿Qué es un robot?

Etimología: trabajo forzado, esclavitud.K. Čapek, Rossum's Universal Robots, 1920

“Automata” = self-moving ; énfasis en movimientos físicos

Hoy: robots, algoritmos, computadoras. Principalmente refieren a la información, o simbiosis info-físico. Ejemplos: Chatbots, autos self-driven.


Moore’s Law


What is a robot?


Chess. IBM Deep Blue, 1997


Go. Google AI, 2016


Poker. Carnegie Mellon Libratus, 2017


Conocimiento tácito vs explícito


Aprendizaje de las personas vs las máquinas

Explícito

Tácito

Personas Computs

¿Qué es aprender?Adquirir conocimiento y habilidades.

¿Qué tan rápido?

¿Cómo?

¿Cómo lo comparten?

¿Puede multiplicarse?


People vs Computers


Example: Sentiment Analysis


Big brother…

In 2012, financial services entrepreneur and ZestFinance.com CEO Douglas Merrill told the New York Times: “All data is credit data. We just don’t know how to use it yet” (Hardy 2012). Merrill worked as Chief Information Officer and Vice President of Engineering at Google before founding ZestFinance.com (formerly ZestCash). This Los Angeles-based financial services tech company uses big data to help its client companies make better credit underwriting decisions, more accurately predicting people’s reliability as borrowers than was previously possible.

“All data is credit data”


Dirección Nacional de Aduanas (Uruguay)

Utilización de herramientas de inteligencia analítica para construirmodelos de riesgo, tomando como insumo las reglas expertas defiscalización, que permitan identificar y caracterizar perfiles deempresas de riesgo, con el objetivo de optimizar la gestión defiscalización a posteriori.

Dirección General Impositiva (Uruguay)

Elaboración de un mapa de riesgo de empresas que permita,mediante la utilización de técnicas de modelización econométrica,identificar distintos grupos de evasión y/o subdeclaración de susventas.

Banco de Previsión Social (Uruguay)

Desarrollo de nuevas herramientas de análisis y nuevas metodologías detrabajo que permitan mejorar la selección de casos y la fiscalizaciónidentificando el universo de contribuyentes, su comportamiento y susegmentación, logrando una mejor detección de la subdeclaración y/oevasión en aquellos colectivos de empleadores que resultan complejos deanalizar con los mecanismos tradicionales.

Puntería…


Algoritmos tradicionales vs machine learning


Relevancia del sector público

Barreras de entrada

Sindicalización

Transabilidad

Nivel de competencia

Peso masa salarial

Variables de freno/aceleración para la automatizaciónVeiga, 2018.

Aceleración


Prof. Pablo Sartor

Confiabilidad, Competitividad y Futuro del Trabajo

confiabilidad, competitividad y futuro del trabajo...confiabilidad, competitividad y futuro del...

Documents