Nuestras vidas consisten en decisiones y elecciones constantes. Debido a que las consecuencias de nuestras decisiones pueden generar impactos económicos y sociales considerables, la investigación sobre la toma de decisiones fue altamente interdisciplinaria desde el principio. Científicos de matemáticas, sociología, psicología, economía, ciencias políticas e informática han estado estudiando activamente cómo tomar mejores decisiones desde mediados del siglo XX. Entre los muchos logros en estos campos, los más conocidos son la utilidad esperada, las perspectivas y las teorías de juegos. Estas teorías se basan en modelos matemáticos, pero a menudo enfrentan desafíos derivados de pruebas empíricas de escenarios del mundo real.
Con el tremendo aumento en el poder de cómputo y el florecimiento de las tecnologías en la nube, los sistemas de soporte a la decisión (DSS) han avanzado en paralelo con las teorías de decisión para ayudar a los humanos a tomar decisiones, particularmente en el contexto empresarial y organizacional. Un DSS típico incluye bases de datos de conocimiento escalables para recopilar y almacenar grandes cantidades de información, algoritmos estadísticos y analíticos para pronósticos y proyecciones, e interfaces de usuario (incluidos gráficos y paneles) para que los tomadores de decisiones humanos visualicen e interactúen con el proceso de toma de decisiones.
Sin embargo, la mayoría de las decisiones humanas han sido el resultado de un aprendizaje incremental de prueba y error. El enfoque iterativo es particularmente eficaz para abordar incógnitas en un entorno novedoso. Requiere exploraciones en busca de nueva información y evaluaciones de errores para perfeccionar la toma de decisiones. Sorprendentemente, el aprendizaje por refuerzo profundo ha emulado la naturaleza de prueba y error de la toma de decisiones humana y ha superado a los jugadores humanos en juegos específicos.
El aprendizaje por refuerzo (RL) fue uno de esos campos del aprendizaje automático que han existido desde el principio. Su avance significativo se produjo después de que se aplicó la red neuronal profunda al modelo. La RL profunda es solo uno de esos ejemplos de IA y aprendizaje profundo que revolucionan el campo de la toma de decisiones. Ahora nos encontramos en una era en la que la IA proporciona la base para unir todas las disciplinas de toma de decisiones, fortalece…