Pese a la importancia de la gestión del conocimiento en el ámbito empresarial, existe una importante carencia de herramientas tecnológicas que faciliten y den soporte a esta. Por eso, investigadores del departamento de Ingeniería Civil han desarrollado una investigación multidisciplinar que ha permitido obtener exitosos resultados en el diseño y aplicación de un sistema híbrido de inteligencia artificial para permitir la selección de aquellos indicadores de la gestión del conocimiento más relevantes para el sector energético.

Sistema propuesto por los investigadores
Sistema propuesto por los investigadores

Resumen:

El éxito de las empresas energéticas se basa en un conjunto de conocimientos y capacidades, técnicas y organizativas, que son únicos y, además, requieren de años de entrenamiento y experiencia para poder adquirirlos, generalmente, sólo dentro del propio sector.

Esta particularidad exige una gestión de la empresa basada en identificar conocimientos y capacidades clave, comprender y aplicar esos conocimientos, realizar el inventario de personas expertas, retener y capitalizar la experiencia y el saber hacer, compartir y transmitir el conocimiento entre las personas o detectar las necesidades de formación y actualización derivadas de las exigencias de, por ejemplo, nuevos requisitos regulatorios, mejora de capacidades técnicas o mayor experiencia operativa.Alvaro_Herrero

Para determinar los elementos o variables en los que se sustentan la identificación, aplicación, inventario, transferencia, capitalización y actualización de los conocimientos y capacidades críticos en el sector energético, se ha utilizado una herramienta novedosa para este tipo de datos de naturaleza altamente cualitativa, como son los sistemas bioinspirados de inteligencia artificial.

El sistema inteligente propuesto trabaja en dos etapas: comienza con una visualización intuitiva de los datos para tener una primera idea de la estructura de éstos, al ser completamente desconocida. Sobre esta, se lleva a cabo un análisis que permite determinar aquellos elementos de la información sobre la identificación, compartición, retención y actualización del conocimiento que son más relevantes. Es decir, se obtienen los indicadores con mayor incidencia en cada uno de los procesos del conocimiento para el sector energético.

El sistema combina distintos modelos de inteligencia artificial bioinspirados, es decir, que tratan de emular comportamientos presentes en los sistemas biológicos. Más específicamente, el sistema híbrido inteligente utilizado relaciona:

  • Redes Neuronales Artificiales (Artificial Neural Networks).
  • Algoritmos Genéticos (Genetic Algorithms).
  • Aprendizaje Máquina (Machine Learning).

Este trabajo ha permitido reconocer los elementos más representativos para poder realizar con acierto la identificación, inventario, compartición, capitalización y actualización de los conocimientos y capacidades críticos en el sector energético. Al mismo tiempo, abre un abanico de posibilidades para su implementación en empresas de otros sectores económicos.

Palabras clave: Gestión del conocimiento; Inteligencia Artificial; Sector Energético; Aprendizaje Máquina; Selección de Características.

Referencia bibliográfica del artículo:

Saiz-Barcena, L., Herrero, A., del Campo, M. A. M., & Martinez, R. D. (2015). Easing knowledge management in the power sector by means of a neuro-genetic system. International Journal of Bio-Inspired Computation, 7(3), 170-175. doi: 10.1504/ijbic.2015.069556.

Dirección de contacto con el autor:

Álvaro Herrero (ahcosio@ubu.es) Grupo GICAP ; Lourdes Sáiz-Bárcena (lsaiz@ubu.es), Miguel Ángel Manzanedo del Campo (mmanz@ubu.es), Ricardo Del Olmo Martínez (rdelolmo@ubu.es) del Grupo GIO.

Datos de la revista:

International Journal of Bio-Inspired Computation (Inderscience). ISSN: 1758-0366; eISSN: 1758-0374.

  • Revista indexada en  Science Citation Index (WOS)
  • Factor de impacto (2014): 3,969.  Q1 posición 7/123 en la categoría Computer Science, Artificial Intelligence. (Fuente consultada Journal Ctitation Report®)
  • SCImago Journal Rank (SJR): 1,242. Q1 posición 22/234 en la categoría Computer Science.

Otra información relevante:

A. Herrero, E. Corchado, L. Sáiz y A. Abraham. (2010). DIPKIP: A Connectionist Knowledge Management System to Identify Knowledge Deficits in Practical Cases. Computational Intelligence, Vol. 26 (1): 26-56. Wiley-Blackwell.  ISSN: 0824-7935. DOI: http://dx.doi.org/10.1111/j.1467-8640.2009.00351.x

Resumen redactado por Álvaro Herrero.