Grandes desafíos en la ingeniería industrial y de sistemas

1. Introducción

1.1. Antecedentes

La ingeniería industrial y de sistemas (ISE) se define como una disciplina que se ocupa del diseño, mejora e instalación de sistemas integrados de personas, materiales, información, equipos y energía. Se basa en conocimientos y habilidades especializadas en ciencias matemáticas, físicas y sociales junto con principios y métodos del análisis y diseño de ingeniería, para especificar, predecir y evaluar los resultados que se obtendrán de dichos sistemas (IISE, 2024). Además, los principales componentes del conocimiento de ISE que reflejan una categorización de teorías y modelos pertinentes incluyen: (1) diseño y medición del trabajo, (2) investigación y análisis de operaciones, (3) análisis económico en ingeniería, (4) ingeniería de instalaciones y gestión energética, (5) ingeniería de calidad y confiabilidad, (6) ergonomía y factores humanos, (7) ingeniería y gestión de operaciones, (8) gestión de la cadena de suministro, (9) gestión en ingeniería, (10) seguridad, (11) ingeniería de la información, (12) diseño y manufactura en ingeniería, (13) diseño y desarrollo de productos, y (14) diseño e ingeniería de sistemas. Dada su amplia base de conocimientos, la disciplina de ISE está bien posicionada para abordar y responder al creciente y altamente complejo conjunto de desafíos interrelacionados en materia socioeconómica, crecimiento poblacional, salud y seguridad, y sostenibilidad que enfrenta actualmente la sociedad global. Los profesionales de ISE también pueden desempeñar un papel importante en acelerar el proceso de traducir los resultados de investigaciones relevantes en soluciones prácticas, herramientas deseadas, métodos, sistemas y aplicaciones para mejorar la vida de miles de millones de personas en el planeta.

El objetivo principal de este artículo fue definir y discutir un conjunto de desafíos trascendentales que representan las áreas clave y urgentes de trabajo para la disciplina y la profesión de ISE. Nuestro objetivo no fue solo delinear los principales desafíos, sino también proponer un camino a seguir para garantizar que ISE pueda responder a cada desafío, incluyendo cómo aplicar métodos específicos de ISE. Además, nuestra intención fue comunicar a investigadores y profesionales de ISE el papel de esta disciplina en la respuesta a los principales problemas y desafíos globales. Al articular cómo ISE puede contribuir en la respuesta a estos desafíos clave, este documento de posición debería facilitar nuevas discusiones y aplicaciones de ISE a problemas globales a gran escala.

1.2. Desafíos trascendentales y su impacto

La idea general de desafíos trascendentales en ciencia, medicina, ingeniería, tecnología y educación, explorada por científicos individuales, organizaciones de investigación, entidades internacionales sin fines de lucro o gobiernos nacionales, tiene una larga y rica historia (Omenn, 2006; Woolf et al., 2013; Hicks, 2016; Lufkin, 2017; Kaldewey, 2018; Peña y Stokes, 2019). La noción de “desafíos trascendentales” también se ha utilizado ampliamente en políticas de investigación e innovación, centrándose en problemas sociales globales como la energía, la salud y el medio ambiente (Ulnicane, 2016).

Según Kaldewey (2018), el concepto y discurso de desafíos trascendentales ilustra cómo científicos, responsables políticos y el público han comunicado sus respectivas agendas en las últimas décadas (ver, por ejemplo, Peña y Stokes, 2019). Además, Bostic (2016) señaló que hoy en día, “las humanidades deben comprometerse con los desafíos trascendentales globales”, ya que dichos desafíos representan problemas urgentes y ampliamente compartidos que requieren respuestas coordinadas, a gran escala y a largo plazo. He et al. (2013) también subrayaron que la premisa de los desafíos trascendentales constituye a menudo “un llamado a la acción para que los investigadores desarrollen las capacidades de nuestra sociedad para la investigación, la educación y la transferencia de conocimiento… así como para que las agencias de financiamiento continúen o amplíen su apoyo a estos campos altamente importantes”.

Los desafíos globales son altamente complejos, multifacéticos, dinámicos, intensamente interrelacionados y difíciles de describir, entender y gestionar con éxito. Por lo tanto, se necesita con urgencia una evolución en la forma en que la sociedad comprende los riesgos globales complejos (Arnold y Wade, 2015). El último informe sobre riesgos globales del Foro Económico Mundial identifica como los más graves actualmente: el fracaso de la acción climática, fenómenos meteorológicos extremos, erosión de la cohesión social, crisis de medios de vida, enfermedades infecciosas, daño ambiental humano, crisis de recursos naturales, crisis de deuda y confrontación geoeconómica (World Economic Forum, 2022). Para 2050, también surgirán riesgos globales emergentes relacionados con la inteligencia artificial general (AGI), la automatización que reemplaza a trabajadores humanos, la modificación genética de seres humanos, el envejecimiento poblacional y el asentamiento fuera de la Tierra (Hancock, 2022; Salmon et al., 2021). Un resumen de los desafíos trascendentales seleccionados relacionados con el campo de la ingeniería industrial y de sistemas se presenta en la Tabla 1. Cabe señalar que algunos de estos desafíos ya están siendo abordados dentro de la profesión de ISE, lo que demuestra la naturaleza interdisciplinaria y las superposiciones teóricas y prácticas de estos desafíos.

 

Tabla 1. Desafíos trascendentales seleccionados de dominios relacionados con la ingeniería industrial y de sistemas.

Dominio	Lista de Grandes Desafíos
Factores Humanos y Ergonomía (Karwowski et al. 2025)	1) Evolución del Pensamiento Social; 2) El Futuro de la Actividad Humana; 3) Cambio Climático y Sostenibilidad; 4) El Futuro de la Educación y la Capacitación; 5) El Futuro de la Salud Personalizada; 6) Vida, Tecnología y el Metaverso.
Manufactura Centrada en el Humano (Lu et al. 2022)	Desafíos Sociales: 1) Aceptación y Confianza en la Tecnología; 2) Cambio en la Dinámica de los Equipos; 3) Aprendizaje a lo Largo de la Vida. Desafíos Técnicos: 4) IA Centrada en el Humano e IA Personalizada; 5) Transparencia y Explicabilidad; 6) Medición del Desempeño; 7) Investigación en Sistemas de Manufactura.
Inteligencia Artificial Centrada en el Humano (Ozmen Garibay et al. 2023)	1) Centrada en el bienestar humano; 2) Diseñada de manera responsable; 3) Respeta la privacidad; 4) Sigue principios de diseño centrados en el humano; 5) Sujeta a una gobernanza y supervisión adecuadas; 6) Interactúa con individuos respetando sus capacidades cognitivas.
Interacción Humano-Computadora (Stephanidis et al. 2019)	1) Simbiosis Humano-Tecnología; 2) Interacciones Humano-Ambiente; 3) Ética, Privacidad y Seguridad; 4) Bienestar, Salud y Eudaimonía; 5) Accesibilidad y Acceso Universal, Aprendizaje y Creatividad; 6) Organización Social y Democracia.
Robótica Científica (Yang et al. 2018)	1) Nuevos Materiales y Esquemas de Fabricación; 2) Robots Biohíbridos y Bioinspirados; 3) Nuevas Fuentes de Energía y Tecnologías de Almacenamiento; 4) Enjambres de Robots; 5) Inteligencia; 6) Interfaces Cerebro-Computadora; 7) Interacción Social y Normas Morales; 8) Robótica Médica y Navegación en Entornos Extremos; 9) Aspectos Mentales de la IA con Altos Niveles de Autonomía; 10) Ética y Seguridad en la Innovación Responsable en Robótica.
Grandes Desafíos para la Ingeniería en el Siglo XXI (NAE 2016)	1) Avanzar en el Aprendizaje Personalizado; 2) Hacer la Energía Solar Económica; 3) Mejorar la Realidad Virtual; 4) Ingeniería Inversa del Cerebro; 5) Desarrollar Mejores Medicamentos; 6) Avanzar en la Informática en Salud; 7) Restaurar y Mejorar las Infraestructuras Urbanas; 8) Garantizar la Ciberseguridad; 9) Proporcionar Acceso a Agua Limpia; 10) Generar Energía por Fusión; 11) Prevenir el Terrorismo Nuclear; 12) Gestionar el Ciclo del Nitrógeno; 13) Desarrollar Métodos de Captura de Carbono; 14) Diseñar Herramientas para el Descubrimiento Científico.
Modelado y Simulación (Taylor et al. 2015)	1) Gran Simulación: Datos, Ontología y Coordinación de Modelado para Escalabilidad; 2) Componibilidad Humana y Computacional; 3) M&S en la Nube y Componibilidad; 4) M&S Reproducible: Ingeniería de la Replicabilidad en Modelos Computacionales; 5) Democratización del Modelado y la Simulación.
Investigación Operativa e Ingeniería (Barnhart 2008)	1) Desarrollar un Programa de Energía Autosuficiente y Sostenible; 2) Usar Tecnologías Avanzadas de Sensores y Telecomunicaciones para Diagnosticar Fallas en Infraestructura; 3) Crear Carreteras Autónomas y Reducir la Congestión; 4) Mejorar el Sistema de Salud en Países en Desarrollo y en EE.UU.; 5) Mejorar la Capacidad de Diagnóstico Médico y de Imágenes; 6) Desarrollar Estrategias Efectivas Contra el Terrorismo; 7) Usar Internet para Mejorar la Educación en Países en Desarrollo.

 

2. Métodos

El desarrollo de este documento de posición sobre los desafíos trascendentales en ingeniería industrial y de sistemas (ISE) siguió el siguiente proceso. Los coordinadores identificaron a los posibles coautores en función del conocimiento de sus intereses profesionales, contribuciones publicadas al amplio espectro de la disciplina ISE, y su reputación percibida y valor potencial para el trabajo en equipo. A cada miembro del equipo se le pidió que propusiera hasta cinco desafíos trascendentales de ISE con una breve exposición de los motivos de cada uno. Luego, se llevó a cabo una reunión virtual extendida durante la cual todos los miembros del equipo discutieron y deliberaron extensamente sobre la agrupación de los desafíos originalmente presentados, sintetizándolos en ocho conjuntos. Dichas agrupaciones se realizaron con base en la similitud de las ideas y conceptos propuestos por todos los miembros del equipo. Durante la reunión virtual, los miembros del equipo también manifestaron su interés en desafíos específicos, y se nombraron líderes para cada uno de los ocho desafíos trascendentales.

Cada equipo asignado a un desafío de ISE tuvo dos integrantes, uno de los cuales actuó como líder. A cada equipo se le pidió que preparara inicialmente un índice, tablas, figuras y una lista de referencias que pensaban incluir en su sección correspondiente. Esta información se compartió luego con todos los miembros de los ocho equipos. Los líderes y miembros de cada equipo coordinaron y desarrollaron la redacción de su desafío correspondiente. Los coordinadores del artículo integraron los textos de los ocho desafíos en un documento unificado, incluyendo resumen, introducción y conclusión. Este documento completo fue compartido con todos los miembros, solicitando comentarios de todos los líderes y miembros para mejorar aún más el texto. Estas contribuciones se integraron en la versión final del artículo enviada a la revista para su revisión. Todos los coautores revisaron y aceptaron el borrador final del manuscrito.

3. Desafíos trascendentales en ISE

Se han identificado los siguientes desafíos trascendentales en ISE: (1) Inteligencia Artificial para uso empresarial y personal: toma de decisiones y diseño y operaciones de sistemas; (2) Ciberseguridad y resiliencia; (3) Sostenibilidad: medio ambiente, energía e infraestructura; (4) Problemas de salud; (5) Problemas sociales; (6) Logística y cadena de suministro; (7) Integración y operaciones de sistemas: humanos, automatización e IA; y (8) Educación en ingeniería industrial y de sistemas (véase la Figura 1). Estos desafíos se analizan en detalle a continuación.

 

Figura 1. Desafíos trascendentales en Ingeniería Industrial y de Sistemas.
 

4. Desafío trascendental de la inteligencia artificial para uso empresarial y personal: toma de decisiones y diseño y operaciones de sistemas

Durante los próximos 10 a 20 años, la inteligencia artificial (IA) revolucionará la industria, el gobierno y la sociedad tan profundamente como lo hicieron en su momento tecnologías como las máquinas industriales, las computadoras e Internet. Como disciplina enfocada en mejorar la industria (y la sociedad) mediante métodos de ingeniería y ciencias afines, la ISE tiene una enorme oportunidad y responsabilidad de abordar los desafíos trascendentales asociados con la inteligencia artificial.

4.1. Antecedentes y el impacto de la inteligencia artificial

La IA es un conjunto de enfoques científicos para entrenar máquinas o sistemas con el fin de realizar tareas que normalmente requieren inteligencia humana. La IA utiliza algoritmos, análisis, procesamiento de lenguaje natural y otras técnicas para aprender de los datos y del entorno a fin de resolver problemas, adquirir habilidades o ejecutar tareas específicas. Los enfoques de IA se basan en múltiples disciplinas como la informática, las matemáticas, la estadística y la ingeniería. La IA puede estar estrechamente relacionada con áreas como la investigación de operaciones (OR), que se centra explícitamente en optimizar la toma de decisiones bajo incertidumbre y con recursos limitados. El público no siempre distingue entre los distintos tipos de algoritmos (IA o no).

El interés por la IA existe al menos desde la década de 1940, cuando Alan Turing describió una máquina que podía leer, aprender, recordar, resolver problemas y más, útil para tareas específicas (por ejemplo, jugar ajedrez) o más generales (Turing, 1950). Según la prueba de Turing, una máquina se considera "inteligente" si un interrogador no puede distinguir sus respuestas de las de un ser humano (Turing, 2009). A lo largo de las décadas, los avances en métodos y tecnología han dado lugar a programas de IA capaces de jugar ajedrez, navegar laberintos, elaborar demostraciones matemáticas, simular diálogos, reconocer patrones, aprender idiomas, circular por calles y clasificar imágenes. La IA puede abarcar enfoques como el aprendizaje automático, redes neuronales, aprendizaje profundo, heurísticas evolutivas y procesamiento de lenguaje natural. En los últimos años, se han desarrollado modelos generativos de lenguaje a gran escala capaces de predecir palabras subsiguientes a partir de anteriores, dando lugar a programas que parecen hablar y sintetizar conocimientos. Muchas empresas ya afirman usar IA generativa en al menos una función.

Existen numerosos ejemplos actuales de implementación de IA para generar funcionalidades en la industria o la sociedad. Entre las aplicaciones se incluyen asistentes inteligentes que comprenden el lenguaje y personalizan servicios, robots de manufactura que colaboran con humanos, chatbots para interactuar con clientes, dispositivos inteligentes que controlan ambientes domésticos, herramientas que generan imágenes a partir de texto, algoritmos de salud que predicen pacientes de alto riesgo, programas que filtran postulantes, sistemas de reconocimiento facial y algoritmos en redes sociales para fomentar el compromiso. Una diferencia en las aplicaciones recientes es que algunas tareas imitan a los humanos en aspectos donde parece haber creatividad (como generar nuevas imágenes o canciones), aunque esto se logra mediante el aprendizaje de datos pasados (Anantrasirichai y Bull, 2022).

En efecto, muchos usos de la IA no son completamente transparentes, y las personas a menudo desconocen el papel que juega en decisiones que los afectan diariamente. Además, existen numerosos ejemplos de programas de IA que presentan sesgos medibles (por ejemplo, favorecer la contratación de hombres), lo cual puede deberse a los datos utilizados en su entrenamiento (Landers y Behrend, 2023). Un tercer desafío es que los resultados de la IA pueden ser inexactos o poco fiables, lo que puede tener consecuencias importantes cuando se toman decisiones en ámbitos de alto impacto (Araujo et al., 2020). En cuarto lugar, se ha demostrado que entrenar y ejecutar programas de IA puede tener costos computacionales, financieros y medioambientales muy elevados (Wu et al., 2022). Estos y otros desafíos motivan la necesidad de una IA que sea responsable, ética, equitativa y eficaz.

En los próximos 10 a 20 años, una cantidad cada vez mayor de datos será digitalizada. La IA se aplicará a decisiones de nivel táctico, operativo y estratégico en una amplia gama de dominios. Es probable que tenga impacto en todos los desafíos trascendentales presentados en este artículo y más allá, incluidos sostenibilidad, medio ambiente y energía; salud; problemas sociales; logística; integración de sistemas con automatización; educación; y ciberseguridad y resiliencia. La IA fomentará aún más el uso de decisiones en tiempo real en sistemas complejos. Apenas podemos imaginar los cambios que esto traerá, y el potencial de transformación positiva para la sociedad si se implementa adecuadamente. A continuación, se destacan cuatro áreas específicas en las que ISE como disciplina y profesión puede contribuir a este desafío trascendental: (1) orientación de sistemas, (2) integración de OR e IA, (3) personas y (4) educación.

4.2. Desafíos relacionados con la IA

La inteligencia artificial y métodos similares integran algoritmos sofisticados con análisis de datos extensos y profundos para permitir decisiones que pueden imitar (o superar) las humanas. ISE, como disciplina y profesión, debe participar en comprender y mejorar el impacto de la IA dentro de los sistemas. Los resultados pueden incluir mejores resultados en cadenas de suministro, sistemas de salud, transporte, defensa, y muchas otras aplicaciones. Además, al examinar la IA en el contexto de los sistemas industriales y sociales, los ingenieros industriales y de sistemas desempeñarán un papel crucial en comprender los impactos actuales y futuros de la IA en la equidad, incluyendo aspectos como los conjuntos de datos utilizados, los efectos en cascada de un elemento del sistema sobre otro, el impacto de la IA en decisiones humanas en organizaciones, y en última instancia en el uso responsable de la IA que sea ética, equitativa y eficaz.

Sin embargo, junto con sus capacidades, existen desafíos trascendentales que deben abordarse. A continuación, se presentan algunos de los principales desafíos asociados al uso de la IA, para asegurar que sea una IA Responsable, Ética, Equitativa y Eficaz, que pueda impactar positivamente en la industria y la sociedad.

4.2.1. Desafío de la IA n.º 1: incorporar factores humanos en los sistemas de IA

El desafío trascendental de la IA para uso empresarial y personal presenta importantes retos en cuanto a factores humanos en la toma de decisiones, el diseño y las operaciones de sistemas. Una de las principales preocupaciones es la necesidad de una interacción eficaz entre humanos y máquinas para garantizar una operación segura y eficiente de los sistemas de IA. A medida que la IA se vuelve más autónoma, aumenta la necesidad de supervisión e intervención humana, lo que requiere una comprensión profunda de los principios de los factores humanos para diseñar interfaces y flujos de trabajo efectivos. Otro aspecto crítico es la necesidad de procesos de toma de decisiones en IA que sean transparentes y explicables, para respaldar las decisiones humanas (Lasi et al., 2014). La creciente complejidad de los sistemas de IA exige que las personas comprendan y confíen en las decisiones generadas por IA, lo cual puede ser un gran desafío para quienes no tienen experiencia previa en estas áreas (Hermann, Pentek y Otto, 2016). En última instancia, el éxito de la integración de la IA en el ámbito empresarial y personal depende de la capacidad de diseñar sistemas que sean intuitivos, transparentes y confiables, y que respalden eficazmente la toma de decisiones humanas.

La importancia de diseñar sistemas de IA que sean intuitivos, transparentes y confiables es particularmente relevante en la manufactura avanzada, donde estos sistemas tienen el potencial de impactar significativamente la productividad y eficiencia (Jan et al., 2023). Para lograr estos beneficios, es esencial que los sistemas estén diseñados para apoyar la toma de decisiones y supervisión humanas, lo que requiere un profundo entendimiento de los principios de factores humanos y la capacidad de diseñar interfaces y flujos de trabajo eficaces. Sin embargo, la integración de la IA también plantea desafíos importantes para la manufactura avanzada, como la necesidad de una inversión significativa en infraestructura y capacitación, así como el riesgo de desplazamiento laboral y cambios en las estructuras tradicionales de la fuerza de trabajo (Manyika et al., 2017). Además, a medida que los sistemas de manufactura se vuelven más complejos, interconectados y automatizados, una perspectiva sistémica resulta esencial para comprender y gestionar los riesgos y desafíos emergentes. Aplicar enfoques de pensamiento sistemático puede ayudar a las organizaciones manufactureras y a los responsables políticos a anticipar y mitigar estos riesgos.

4.2.2. Desafío de la IA n.º 2: identificar y reducir sesgos en los sistemas de IA

El segundo gran desafío es el potencial de sesgo en los sistemas de IA. Estos sistemas se entrenan con datos, y si dichos datos presentan sesgos, el sistema puede perpetuarlos e incluso amplificarlos, lo que genera resultados discriminatorios o refuerza prejuicios sociales existentes. Por ejemplo, una herramienta de análisis de sentimientos entrenada principalmente con datos de fuentes en inglés podría tener dificultades para analizar con precisión sentimientos en otros idiomas. Este riesgo es especialmente crítico en aplicaciones sensibles como la justicia penal, donde una IA sesgada podría influir en decisiones sobre identificación de sospechosos, evaluaciones de riesgo y sentencias (Angwin et al., 2022). Este tipo de sesgo no solo compromete la confiabilidad de las aplicaciones de IA, sino que también plantea serias preocupaciones éticas sobre equidad e inclusión en la toma de decisiones basada en IA.

Superar este desafío requiere una recolección cuidadosa de datos, entrenamiento de modelos sin sesgos y evaluación continua para lograr equidad y mitigar los sesgos en los sistemas de IA. Abordar el sesgo en IA exige un enfoque integral en el diseño y operación del sistema que incluya: (1) Recolección ética de datos: asegurar diversidad y representatividad en los conjuntos de datos utilizados para entrenar los sistemas, evitando así la perpetuación de sesgos existentes (Barocas y Selbst, 2016). (2) Entrenamiento imparcial de modelos: implementar metodologías que detecten y neutralicen el sesgo durante la fase de entrenamiento de los modelos de IA (Bellamy et al., 2018). (3) Evaluación y calibración continuas: monitorear de forma permanente los sistemas de IA tras su despliegue para detectar sesgos emergentes y recalibrar los sistemas según sea necesario para mantener la equidad a lo largo del tiempo. Estas medidas son esenciales para fomentar la confianza y la confiabilidad en las aplicaciones de IA, facilitando su integración exitosa en entornos personales y empresariales. El compromiso con una IA imparcial también se alinea con las expectativas regulatorias y sociales más amplias respecto del uso ético de la IA.

4.2.3. Desafío de la IA n.º 3: mejorar la explicabilidad de los sistemas de IA

Muchos algoritmos de IA, especialmente las redes neuronales profundas, son complejos y difíciles de entender o explicar. Esta falta de transparencia genera preocupaciones sobre confianza y responsabilidad. Por ejemplo, si un sistema de IA recomienda un tratamiento médico específico, es importante que los profesionales de la salud puedan entender y confiar en la lógica que sustenta dicha recomendación. Desarrollar sistemas de IA interpretables y explicables es crucial para enfrentar este desafío y asegurar que los usuarios puedan comprender los procesos de toma de decisiones.

Abordar el desafío de la explicabilidad en los sistemas de IA requiere modificaciones estratégicas en el diseño y las operaciones del sistema: (1) Desarrollo de modelos interpretables: es fundamental centrarse en la creación de modelos más comprensibles. Priorizar técnicas que hagan los modelos complejos más interpretables o que los aproximen con explicaciones más simples es esencial. El trabajo de Ribeiro, Singh y Guestrin (2016) destaca métodos para explicar las predicciones de cualquier clasificador, lo cual representa un avance en esta dirección. (2) Integración de herramientas de explicabilidad: utilizar herramientas y marcos como LIME o SHAP para hacer que los resultados de modelos complejos sean más comprensibles. Estas herramientas, tal como se discute en Lundberg y Lee (2017), junto con las metodologías descritas por Sun, Lin y Shen (2022), pueden ayudar a cerrar la brecha entre las decisiones de la IA y la comprensión humana. (3) Diseño centrado en el usuario: diseñar los sistemas de IA teniendo en cuenta al usuario final asegura que estos puedan entender e interactuar eficazmente con los procesos de decisión de la IA.

4.2.4. Desafío de la IA n.º 4: abordar preocupaciones sobre privacidad de datos, seguridad y ética

A medida que la tecnología de IA avanza y se integra más en las actividades diarias, surgen importantes desafíos relacionados con la privacidad de datos, la seguridad y la ética. Estos problemas se derivan de características como la dependencia de datos, la complejidad y la toma de decisiones autónoma. En primer lugar, los sistemas de IA requieren grandes volúmenes de datos, a menudo incluyendo información personal sensible. Un mal manejo de estos datos puede derivar en violaciones de privacidad. En segundo lugar, la complejidad e interconexión de los sistemas de IA los hace vulnerables a ciberataques. Ziegeldorf, Morchon y Wehrle (2014) destacaron riesgos incrementados en sistemas como el Internet de las Cosas, donde una vulneración en una parte puede comprometer toda la red. Un ejemplo sería un ataque a un sistema de salud impulsado por IA, resultando en el robo de historiales médicos. En tercer lugar, la toma de decisiones autónoma de la IA puede derivar en dilemas éticos, especialmente cuando las decisiones impactan vidas humanas. Jobin, Ienca y Vayena (2019) discutieron preocupaciones sobre sistemas de IA en áreas sensibles como la aplicación de la ley, donde podrían perpetuar sesgos y provocar tratos injustos. Estos desafíos pueden minar la confianza pública, causar pérdidas significativas y perjudicar a comunidades marginadas. Además, el rápido desarrollo de la IA puede superar los marcos regulatorios y éticos existentes, generando vacíos de gobernanza.

Al diseñar y operar sistemas de IA, es fundamental priorizar la privacidad recolectando solo los datos necesarios y empleando tecnologías que protejan la información personal. La seguridad es igualmente importante: realizar pruebas periódicas e integrar prácticas de seguridad durante todo el proceso de desarrollo ayuda a abordar vulnerabilidades. Asimismo, las consideraciones éticas deben guiar el funcionamiento de estos sistemas, con directrices claras y evaluaciones periódicas para garantizar la equidad y la rendición de cuentas. La transparencia es clave para generar confianza, y se logra haciendo comprensibles los procesos de decisión de la IA e involucrando diversas perspectivas en su desarrollo. En conjunto, estas medidas garantizan que los sistemas de IA sean seguros, éticos y aceptados por la sociedad.

4.2.5. Desafío de la IA n.º 5: superar limitaciones técnicas de los métodos actuales de IA

La IA enfrenta varias limitaciones técnicas que deben superarse, como el manejo de la ambigüedad, la comprensión del contexto, el razonamiento basado en sentido común y la adaptación a entornos dinámicos. Además, si bien los sistemas de IA sobresalen en tareas específicas, a menudo tienen dificultades para generalizar su conocimiento o habilidades a nuevas situaciones y carecen de la adaptabilidad y versatilidad más amplias de la inteligencia humana. Por ejemplo, los vehículos autónomos pueden tener problemas en condiciones climáticas impredecibles o situaciones de tráfico inesperadas, ya que están programados para entornos predecibles y específicos, y no tienen la capacidad de adaptación rápida que posee un conductor humano. Imitar la inteligencia emocional humana, garantizar la robustez frente a ataques adversarios y abordar otras limitaciones representan desafíos adicionales que deben afrontarse. Para abordarlos con éxito, es crucial la colaboración entre investigadores, responsables políticos, líderes industriales y la sociedad en general. Al trabajar juntos, podemos asegurar el desarrollo y despliegue responsables y beneficiosos de tecnologías de IA.

4.3. Oportunidades para ISE en el abordaje de desafíos de IA

Existen enormes oportunidades para que ISE aborde los desafíos de la IA, tanto dentro de sus subdisciplinas, en colaboración con la informática, como en alianza con la industria. A continuación, se identifican varias de estas oportunidades, incluidas algunas relacionadas con los desafíos previamente expuestos.

4.3.1. Orientación sistémica

La disciplina de ISE está, en esencia, centrada en métodos aplicados en el contexto de instalaciones, organizaciones, dominios o sistemas. La IA ha emergido como una herramienta poderosa para abordar diversos desafíos en la industria y la academia. En aplicaciones comunes, la IA está diseñada para sobresalir en áreas específicas como reconocimiento de voz, clasificación de imágenes, sistemas de recomendación y análisis de datos. Estos sistemas de IA especializados dependen de grandes volúmenes de datos para aprender patrones, reconocer objetos y hacer predicciones. Se emplean técnicas como aprendizaje automático (ML), aprendizaje profundo y modelos estadísticos para procesar y analizar datos, facilitando así los procesos de toma de decisiones. Por ejemplo, la IA juega un papel crucial en el apoyo a la toma de decisiones en atención médica y Medicare (Vasey et al., 2022; Amann et al., 2022; Čartolovni, Tomičić y Mosler, 2022), permitiendo diagnósticos más precisos, tratamientos personalizados y una atención al paciente más eficiente. Los algoritmos de ML pueden analizar grandes volúmenes de datos médicos, incluyendo historiales clínicos e imágenes, para identificar patrones y asistir en diagnósticos. Los sistemas potenciados por IA pueden predecir resultados de pacientes, optimizar flujos de trabajo y apoyar el descubrimiento de nuevos medicamentos.

La IA puede superar a los humanos en contextos donde existen reglas y regulaciones bien definidas, como en AlphaGo, y también puede procesar grandes cantidades de datos y sacar conclusiones razonables sobre ciertos temas (por ejemplo, respuestas de chatbots) (Sarker, 2021). Sin embargo, en su estado actual, la IA aún tiene dificultades para tomar decisiones en sistemas complejos, donde deben considerarse múltiples partes interesadas y objetivos en conflicto. La ingeniería de sistemas busca comprender el panorama general y proporcionar un enfoque estructurado para desarrollar, implementar y gestionar sistemas complejos (Hitchins, 2008). Los profesionales de ISE contribuyen analizando requerimientos, diseñando arquitecturas de sistemas, gestionando datos, optimizando el rendimiento, verificando y validando sistemas, abordando aspectos de seguridad, y apoyando el mantenimiento y las actualizaciones. Su conocimiento interdisciplinario garantiza que los sistemas de IA se alineen con las necesidades de los usuarios, funcionen de manera eficiente y cumplan con los estándares éticos y legales. Desempeñan un papel clave en la integración de tecnologías de IA en diversos dominios e industrias.

4.3.2. Integración de OR e IA

Los avances recientes han demostrado que puede haber beneficios significativos al integrar técnicas de Investigación de Operaciones (OR) con Inteligencia Artificial (IA). La IA y el aprendizaje automático (ML) han despertado gran interés entre investigadores de diversas disciplinas, ofreciendo soluciones a problemas específicos, mejorando procesos de toma de decisiones y automatizando tareas para incrementar la eficiencia y el rendimiento. OR es uno de los campos que ha sido impactado y moldeado por la IA y el ML (Gupta et al., 2022). De hecho, los campos de OR e ISE también pueden aportar experiencia y perspectivas valiosas al desarrollo de soluciones de IA y ML. Los expertos en OR e ISE suelen poseer habilidades sólidas en análisis y optimización. Se especializan en modelado matemático, técnicas de optimización y procesos de toma de decisiones, y las técnicas de OR a menudo explotan la estructura de problemas complejos. Las habilidades de OR e ISE pueden ser valiosas para diseñar algoritmos eficientes, desarrollar modelos de optimización y abordar problemas complejos en diversos dominios. Estas son competencias complementarias respecto a las que ofrece el campo de la Ciencia de la Computación (CS). Además, los investigadores en OR a menudo tienen conocimientos y experiencia específicos en industrias o aplicaciones particulares. Esta comprensión les permite identificar factores críticos, restricciones y objetivos, lo cual informa el diseño y desarrollo de soluciones de IA y ML adaptadas a necesidades y desafíos específicos.

Los profesionales de OR e ISE reconocen la importancia de considerar el comportamiento humano, la infraestructura social y los incentivos al diseñar e implementar soluciones de IA y ML. Entienden los elementos humanos y sistémicos más amplios que influyen en la efectividad y aceptación de estas tecnologías. También es importante señalar que los expertos en CS aportan conocimientos fundamentales al desarrollo de soluciones de IA y ML, especializándose en áreas como algoritmos de ML, aprendizaje profundo, procesamiento de lenguaje natural (NLP) e ingeniería de datos. Su experiencia en el desarrollo e implementación de algoritmos avanzados es crítica para construir sistemas sofisticados de IA. Por ello, la colaboración entre expertos en CS, ISE y OR es crucial. Al trabajar juntos, sus habilidades, conocimientos y perspectivas pueden combinarse para construir soluciones de IA y ML más completas y robustas. Este esfuerzo colaborativo asegura que los aspectos técnicos se equilibren con consideraciones prácticas y restricciones del mundo real.

Un gran número de investigadores de ISE y OR han estado explorando la interacción entre OR y ML en distintas formas (Subramanian y Holger Teichgraeber, 2023). La combinación de ML y optimización ha demostrado ser poderosa en aplicaciones modernas basadas en datos. El paradigma de "predecir y luego optimizar" implica usar un modelo de ML para prever resultados, que luego se introducen en un modelo de optimización para tomar decisiones coordinadas. Al aprovechar la estructura del problema de optimización, se pueden diseñar mejores modelos de predicción, resultando en mejores decisiones (Elmachtoub y Grigas, 2022). Alternativamente, al integrar la etapa de predicción y la de optimización, los métodos integrados basados en datos pueden generar soluciones mejoradas y han demostrado aplicabilidad en numerosas situaciones reales (Qi y Shen, 2022), incluyendo gestión de cadenas de suministro, optimización de carteras y operaciones de sistemas eléctricos. En particular, las herramientas de ML se han convertido en técnicas importantes para lograr soluciones integradas. Por ejemplo, se ha desarrollado un algoritmo de aprendizaje profundo de extremo a extremo para resolver el problema de reabastecimiento de inventario (Qi et al.). Además, el ML puede beneficiarse de técnicas de optimización, que pueden hacer que los métodos de ML sean más interpretables o con mejor rendimiento (Liu et al., 2024). Adicionalmente, los métodos de ML pueden integrarse dentro de los solucionadores de optimización, mejorando su rendimiento y capacidad de decisión. Por otro lado, los solucionadores de optimización pueden valerse internamente de métodos de ML, ya que muchos solucionadores de última generación los emplean. El desarrollo de modelos sustitutos de ML para problemas de optimización ha tenido gran impacto, permitiendo resultados más rápidos y modelos de optimización más potentes.

4.3.3. Personas

ISE es una disciplina de ingeniería centrada en el ser humano. Los humanos son tanto tomadores de decisiones autónomos (por ejemplo, ingenieros, diseñadores, trabajadores) como receptores de productos o servicios (clientes, usuarios, accionistas). ISE, como disciplina, requiere considerar cómo interactúan los humanos con la tecnología y cómo se ven afectados por los cambios en los sistemas. Los dominios en los que opera ISE también impactan directamente a las personas y a la sociedad, como en la salud, el transporte, la manufactura, centros de servicios, entre otros. Identificamos al menos tres frentes en los que ISE debe estar involucrada con el desafío trascendental de la IA.

Primero, en cada dominio donde se implemente IA, las interacciones humano-en-el-bucle son críticas, e ISE puede asegurar que las personas estén integradas en el sistema, diseñar el sistema, curar los datos, ayudar a monitorear el programa, analizar y evaluar el sistema. Junto con este aspecto, los ingenieros en factores humanos aportan una perspectiva adicional sobre temas como la interacción humano-máquina, la seguridad laboral y la integración de tecnologías como realidad aumentada o realidad virtual en los entornos laborales. El enfoque en el humano-en-el-bucle es esencial en muchos sistemas, como en la atención médica, donde la IA puede intervenir en el diagnóstico y tratamiento, el diseño de fármacos o tratamientos personalizados, el monitoreo de pacientes y la recomendación o realización de intervenciones (Ahmed et al., 2020).

Segundo, la IA (y áreas relacionadas como la automatización) tendrá un impacto significativo en los trabajadores y en el mercado laboral general, e ISE puede ayudar a comprender esos impactos y mitigar sus efectos en lo posible. ISE puede determinar qué pasos de procesos son más adecuados para tareas de IA o automatización, y cuáles requieren creatividad humana, pensamiento complejo o enfoques colaborativos. Además de los aspectos de implementación, ISE debe considerar el impacto que la IA tendrá sobre los trabajadores, los empleos y las industrias, e identificar oportunidades donde se puedan aprovechar habilidades humanas y donde la industria pueda innovar para crear nuevas opciones.

Tercero, la evaluación del impacto de la IA sobre los sistemas y las personas se alinea bien con el enfoque de ISE en confiabilidad, calidad y rendimiento. ISE participará en garantizar que los sistemas de IA sean monitoreados ante anomalías y desvíos. Quizás el mayor desafío sea promover la calidad del sistema en general, con una visión amplia de la calidad. En concreto, ISE puede ayudar a traducir conceptos como equidad y efectividad en métricas cuantificables dentro de un sistema que utilice IA. Esto es especialmente importante ya que se sabe que la IA y la tecnología presentan ciertos retos, incluyendo la posibilidad de “alucinar” o de reproducir sesgos asociados con los datos de entrada. ISE también debe considerar cómo entender las posibles lagunas de la IA cuando se despliega en un sistema, y las consecuencias no intencionadas que pueden ocurrir cuando una acción genera un efecto en cascada.

4.3.4. Educación

La IA podría tener impactos enormes en la educación, tanto dentro de disciplinas como ISE o ciencias de la computación, como también en el ámbito educativo general en cualquier campo. Ya existen iniciativas basadas en IA que permiten el aprendizaje personalizado. En el ámbito educativo, ISE tiene un papel fundamental en la formación de estudiantes dentro de programas académicos sobre cómo pueden integrar la IA en la resolución de problemas, innovación y despliegue de soluciones.

Esto puede incluir habilidades específicas (por ejemplo, ingeniería de prompts), así como la integración de tecnologías a lo largo de un sistema (realidad aumentada, sensores con recolección continua de datos, o algoritmos de IA para aprendizaje). Un desafío consiste en habilitar esta educación orientada a la IA sin que los estudiantes pierdan la capacidad de pensar críticamente e identificar deficiencias en la IA. En segundo lugar, ISE tiene un rol en la reeducación y el perfeccionamiento de ingenieros profesionales, especialmente aquellos que trabajarán en la intersección entre IA y tecnologías asociadas implementadas en sistemas. En muchos casos, la IA se desplegará para mejorar procesos, aprender de datos en un sistema, recomendar acciones que logren los objetivos de una organización, y será evaluada para mejoras. La intersección entre el campo de la IA y el enfoque en sistemas y mejora de procesos abrirá nuevas oportunidades que ISE debe abordar dentro del desafío trascendental de la IA.

4.4. Conclusiones y pasos futuros

En resumen, ya estamos viendo algunos de los impactos de la IA en el mundo que nos rodea. En ciertos dominios, los métodos y técnicas de ISE y OR incluso se consideran parte del ámbito más amplio de la IA, en el contexto de ayudar a las computadoras a aprender y tomar decisiones complejas como lo hacen los humanos. Sin embargo, la IA en su forma actual presenta varias limitaciones y desafíos que deben abordarse. La disciplina de ISE y su comunidad asociada deben actuar de forma proactiva frente a estos desafíos. Debemos integrar la IA en la investigación, extenderla más allá de sus métodos y limitaciones técnicas actuales, expandir la formación de nuestros estudiantes y profesionales, y mostrar lo que puede lograrse si se integra la perspectiva de ISE con la IA.

5. Desafío trascendental de la ciberseguridad y la resiliencia

5.1. Antecedentes

La infraestructura de nuestro mundo está cada vez más conectada y compuesta por componentes cibernéticos. La integración de sistemas crea oportunidades para ofrecer bienes, servicios y energía a gran escala y de forma confiable. Sin embargo, al mismo tiempo, la interconexión de los sistemas también introduce riesgos en forma de vulnerabilidades frente a diversas amenazas (por ejemplo, fallos en cascada en sistemas conectados (Dolgui, Ivanov y Boris Sokolov, 2018)). Identificar dichas vulnerabilidades y proteger/asegurar los sistemas es crucial para diseñar una infraestructura resiliente. No obstante, existen vacíos de conocimiento que deben abordarse para garantizar que, a medida que los sistemas interconectados crecen en complejidad, se identifiquen vulnerabilidades y se proteja y asegure la infraestructura.

Un aspecto clave para mejorar la resiliencia es reconocer que es imposible proteger completamente estos sistemas y, por lo tanto, algunos componentes fallarán. Adoptar una visión sistémica es necesario para mitigar riesgos cuando ocurren fallos y para abordar los vacíos de conocimiento. Existen cinco desafíos dentro de este tema: 1) Protección de sistemas ciberfísicos y cadenas de suministro de software, 2) Mejora de la resiliencia en sistemas de infraestructura conectados, 3) Resiliencia de sistemas en el contexto de economías de escasez, 4) Diseño de redes energéticas resilientes, y 5) Diseño de pruebas de estrés. Estos desafíos dan lugar a una amplia gama de oportunidades para la comunidad de ISE.

Los desafíos descritos anteriormente se basan en una definición de resiliencia de sistemas. En este sentido, definimos la resiliencia del sistema como la capacidad para resistir, adaptarse y recuperarse de interrupciones para asegurar el desempeño deseado. Existen múltiples perspectivas esenciales de la resiliencia (Woods, 2015). La resiliencia basada en desviación del desempeño capta la capacidad de un sistema para absorber interrupciones y recuperarse a su desempeño y estructura original tras una perturbación. La resiliencia basada en adaptación refleja la capacidad de un sistema para mantener la persistencia del desempeño mediante adaptabilidad, aceptando oscilaciones y desviaciones de desempeño (Hosseini, Ivanov y Dolgui, 2019). La viabilidad de los sistemas refleja la capacidad de operar y seguir funcionando en presencia de interrupciones y crisis de largo plazo (es decir, la capacidad de sobrevivir en el largo plazo) mediante adaptación, reconfiguración y cambio dinámico de estados (Ivanov y Dolgui, 2020). Estas perspectivas se corresponden con los conceptos de recuperación, robustez, adaptabilidad y extensibilidad de la resiliencia según Woods (2015), y guían los desafíos tratados en esta sección.

A continuación, revisamos las oportunidades para el campo de ISE al presentar los desafíos dentro de las cinco áreas mencionadas. Luego, discutimos los próximos pasos para preparar a la próxima generación de ingenieros en el abordaje de estos desafíos, centrándonos en la protección de las cadenas de suministro de software. Finalmente, resumimos esta sección.

5.2. Desafíos en ciberseguridad y resiliencia

En esta subsección, discutimos cada desafío en ciberseguridad y resiliencia, y delineamos varias oportunidades para avanzar en resiliencia dentro de cada área.

5.2.1. Desafío en ciberseguridad y resiliencia n.º 1: asegurar sistemas ciberfísicos y cadenas de suministro de software

Las infraestructuras críticas se han vuelto cada vez más dependientes de sistemas cibernéticos, lo que ha resaltado la importancia de proteger los sistemas ciberfísicos en todos los sectores de infraestructura (Enayaty-Ahangar, Albert y DuBois, 2020). Los sistemas ciberfísicos comprenden componentes físicos y cibernéticos, así como flujos de información, personas y procesos. Asegurar estos sistemas es complejo debido a la ubicuidad de los sistemas cibernéticos, el aumento del tamaño de las superficies de ataque y del número de vectores de ataque, y la naturaleza dinámica y persistente de las amenazas (Zheng et al., 2019).

El Gran Desafío de “Proteger el ciberespacio” se centra en salvaguardar los aspectos cibernéticos de los sistemas (National Academy of Engineering, 2008). Superar la visión limitada del ciberespacio y adoptar un enfoque sistémico que incluya los aspectos físicos y humanos podría representar un gran avance en seguridad.

La comunidad de ISE ha desarrollado históricamente modelos para apoyar la seguridad y proteger infraestructuras críticas (Brown et al., 2006), sin embargo, casi todos estos modelos se han centrado en la protección de sistemas y activos físicos (Albert, Nikolaev y Jacobson, 2023). Varios avances de la comunidad de ISE podrían fortalecer la seguridad de los sistemas ciberfísicos, y enumeramos estos como desafíos trascendentales. Primero, nuevos modelos de redes que capturen los aspectos operativos de los sistemas ciberfísicos (por ejemplo, redes de computación en la nube (Dragotto et al., 2023)) permitirían identificar y comprender vulnerabilidades del sistema (Albert, Nikolaev y Jacobson, 2023). Conectar la dinámica del sistema con su rendimiento es clave para asignar recursos escasos y mejorar la seguridad. Modelos que capten los aspectos multifacéticos del rendimiento del sistema, incluidas consecuencias financieras, robo de información y disuasión, agregarían una capa de realismo útil para la planificación (John et al., 2024). Estos modelos mejorados probablemente serán aún más difíciles de resolver que los modelos actuales de redes – que ya suelen ser NP-duros –, lo cual podría motivar avances algorítmicos.

Capturar los factores humanos es esencial para comprender y predecir el rendimiento de los sistemas ciberfísicos y podría revelar nuevos conocimientos para su protección (Scala et al., 2019). Esto es fundamental, ya que los humanos interactúan con los sistemas ciberfísicos, y el comportamiento humano se ha relacionado con las brechas de ciberseguridad más significativas. Por ejemplo, los factores humanos pueden abordar el desafío de la desinformación ampliando nuestra comprensión sobre cómo los usuarios de estos sistemas perciben y procesan información compleja —incluyendo desinformación que se propaga a través de los sistemas— y que contribuye al riesgo y la inseguridad. Los riesgos de ciberseguridad provienen de diversos tipos de adversarios, desde actores solitarios hasta estados-nación, y estos actores poseen distintos niveles de recursos, sofisticación y objetivos. Es necesario obtener información estratégica al protegerse frente a una variedad de niveles de sofisticación e intenciones. Ampliar los paradigmas de modelado para considerar múltiples atacantes con distintos objetivos, niveles de recursos y sofisticación estratégica podría generar conocimientos más profundos (Zheng y Albert, 2019; DuBois, Peper y Albert, 2023; Rios Insua et al., 2021).

Los datos de seguridad ofrecen muchas oportunidades para investigadores interesados en ciencia de datos y aprendizaje automático. Los conjuntos de datos de seguridad a menudo contienen datos de anomalías raras y son incompletos, ya que muchas veces se desconoce la verdad base, y las brechas no se hacen públicas. Obtener conocimientos imparciales a partir de estos conjuntos de datos representa un reto para la investigación fundamental (Albert, Nikolaev y Jacobson, 2023). La ciberseguridad abarca desafíos como la desinformación que se propaga a través de redes sociales, lo que representa un nuevo campo de aplicación para las herramientas de ISE (Hunt, Agarwal y Zhuang, 2022; Paul y Nikolaev, 2021) y puede informar decisiones de planificación (Allen, Sui y Parker, 2017). Redes en capas que consideren infraestructura junto con información y procesos podrían revelar conocimientos más profundos para la protección de infraestructuras críticas. Además de ofrecer perspectivas para proteger la ciberinfraestructura, las herramientas de ISE podrían aplicarse a la atribución y la informática forense para apoyar la recuperación (Albert, Nikolaev y Jacobson, 2023). Finalmente, IISE debe contribuir a la convergencia de las teorías y métodos de ingeniería industrial, de sistemas y de software para garantizar los más altos niveles de ciberseguridad en las cadenas de suministro de software del país.

5.2.2. Desafío en ciberseguridad y resiliencia n.º 2: mejorar la resiliencia/seguridad en sistemas conectados

Los modelos de ingeniería industrial se han utilizado para modelar sistemas interconectados mediante modelos de redes, en los que se evalúa el desempeño de los sistemas con base en cómo sus componentes operan e interactúan (Alderson, Brown y Matthew Carlyle, 2015). Estos esfuerzos de modelado han sido valiosos en la planificación, el diseño y las operaciones de sistemas de infraestructura, donde se emplean para identificar vulnerabilidades y prescribir acciones para mitigarlas (Brown et al., 2006). La interdicción de redes y la teoría de juegos han emergido como herramientas importantes para abordar cuestiones de resiliencia y seguridad (Sharkey et al., 2021). Los modelos de interdicción de redes han estudiado la vulnerabilidad y seguridad de los sistemas, donde el objetivo suele ser limitar el alcance del daño. El fallo se define a menudo para captar los peores escenarios de fallos de componentes o daños intencionados por parte de adversarios adaptativos (Smith y Song, 2020). Estos modelos pueden utilizarse para identificar qué componentes del sistema requieren protección o refuerzo. Los modelos de teoría de juegos se han utilizado generalmente para modelar cuestiones más estratégicas, como la asignación de recursos para contrarrestar el terrorismo (Bier, Oliveros y Samuelson, 2007) así como desastres naturales (Zhuang y Bier, 2007). Los métodos de análisis de riesgo adversarial han buscado informar la planificación y toma de decisiones frente a adversarios inteligentes y resultados inciertos (Banks et al., 2022).

Muchos de los avances metodológicos y computacionales en modelos de interdicción de redes realizados por la comunidad de ISE se han centrado en modelos estilizados que pueden abordarse mediante metodologías de optimización matemática, por ejemplo, aprovechando la dualidad para resolver instancias de gran escala (Smith y Song, 2020). Un desafío para la comunidad de ISE es desarrollar modelos realistas que proporcionen conocimientos más profundos sobre cómo proteger infraestructuras críticas. Existen varias líneas de investigación futura en ISE que representarían un gran paso adelante en la mejora de la resiliencia en sistemas de infraestructura conectados. Una primera dirección es la consideración de juegos repetidos en contextos relevantes (Sefair y Cole Smith, 2016). Los modelos actuales de teoría de juegos e interdicción de redes suelen considerar un juego único entre dos jugadores, como en los modelos Stackelberg de defensor-atacante. Estos modelos de interdicción defensor-atacante son generalmente NP-duros, y extenderlos a más de dos turnos (por ejemplo, modelos Defensor-Atacante-Defensor) los vuelve aún más complejos (Sefair y Cole Smith, 2016). La consideración de interacciones más sofisticadas entre jugadores mediante turnos repetidos representa un desafío computacional para las comunidades de investigación en ISE (Smith y Song, 2020). La fusión de enfoques basados en optimización —donde ISE ha sobresalido— con enfoques de inteligencia artificial podría conducir a un avance significativo (Albert, Nikolaev y Jacobson, 2023).

En segundo lugar, la mayoría de los enfoques de optimización matemática se centran en la optimalidad con funciones objetivo bien definidas (Smith y Song, 2020). Enfatizar la resiliencia en lugar de la optimalidad puede ampliar nuestra comprensión sobre cómo proteger sistemas complejos. La resiliencia podría, por ejemplo, abarcar interrupciones prolongadas que ocurren durante múltiples períodos, comportamiento humano y equidad (Albert, Nikolaev y Jacobson, 2023). Además, investigaciones previas sobre modelado de funciones objetivo adversariales (por ejemplo, Wang y Bier, 2011) han indicado que dichas funciones reflejan organizaciones adversarias y objetivos que suelen ser multicriterio y dinámicos. El análisis de riesgo adversarial ha introducido marcos para la planificación frente a adversarios inteligentes y resultados inciertos, mitigando algunas limitaciones de la teoría de juegos y pudiendo nutrirse de la investigación en factores humanos (Banks et al., 2022). Otros enfoques estructurados podrían superar limitaciones computacionales para proporcionar conocimientos sobre resiliencia. La investigación que aborde este desafío puede requerir colaboración interdisciplinaria entre investigadores aplicados, hábiles en la creación de modelos, y expertos computacionales, que puedan analizar estructuras de modelos e identificar técnicas algorítmicas para resolver los problemas resultantes.

5.2.3. Desafío en ciberseguridad y resiliencia n.º 3: redes de suministro resilientes en energía

La transformación del sector energético, junto con entornos globales y locales cada vez más volátiles, riesgos e inestabilidad, colocan las cuestiones de eficiencia y resiliencia energética en el centro de la gestión de la cadena de suministro y de operaciones (Ekinci et al., 2022). Tanto las tecnologías disruptivas proactivas basadas en energías renovables como las respuestas reactivas y la priorización ante la escasez de recursos energéticos causada por interrupciones exigen el desarrollo de métodos y modelos funcionales que apoyen a los gestores de cadenas de suministro. Aunque la investigación en manufactura y logística energéticamente eficientes ha florecido en la ingeniería industrial durante las últimas dos décadas, la perspectiva de cadena de suministro integrada en eficiencia energética aún necesita ser desarrollada. La resiliencia energética en cadenas de suministro es un dominio de investigación nuevo y poco explorado, aunque el amplio conocimiento existente sobre resiliencia en cadenas de suministro puede utilizarse para desarrollar esta área prometedora y de gran relevancia práctica.

Existen varias áreas que podrían generar avances en el diseño y gestión de cadenas de suministro considerando aspectos de resiliencia energética. Algunos desarrollos de investigación que podrían ser transformadores incluyen: modelado de cadenas de suministro energéticamente eficientes y resilientes con consideración de tecnologías avanzadas de ahorro energético en manufactura, almacenamiento y transporte; diseño, rediseño y replanificación de cadenas de suministro considerando energías renovables (incluida la escasez y volatilidad de recursos energéticos); y resiliencia energética en el contexto de viabilidad de la cadena de suministro, modelos de cadenas viables y redes de suministro reconfigurables. Se necesitan modelos e investigaciones empíricas provenientes de la gestión de operaciones, ingeniería industrial e investigación de operaciones para responder a estos desafíos en la intersección entre resiliencia energética de la cadena de suministro y sostenibilidad.

5.2.4. Desafío en ciberseguridad y resiliencia n.º 4: resiliencia en condiciones de economía de escasez

Se esperaba que la transición desde una economía de escala, a través de economías de alcance, velocidad y colaboración, evolucionara hacia una economía digital y un crecimiento global verde. Sin embargo, nos enfrentamos actualmente a lo que parece ser una economía marcada por la escasez generalizada (Ivanov y Dolgui, 2022b). La energía, la mano de obra y los materiales se están volviendo escasos, y las cadenas de suministro están adaptándose para enfrentar la escasez de recursos junto con el rápido aumento de precios y los riesgos asociados de hiperinflación. Por ejemplo, la escasez de semiconductores ha causado efectos en cascada globales y enormes problemas en las cadenas de suministro de las industrias automotriz y electrónica. Los apagones eléctricos en Texas en febrero de 2021 y en varias provincias de China en 2021 provocaron consecuencias graves para la viabilidad social y la resiliencia de las cadenas de suministro. Las cadenas de suministro globales enfrentaron una escasez sin precedentes de capacidades de transporte en 2020–2022 debido a desequilibrios en los flujos logísticos intercontinentales, lo cual limitó la disponibilidad de contenedores y resultó en un aumento en los precios de flete, escasez de productos y una desestabilización generalizada de las cadenas. Como efecto retardado de la pandemia de COVID-19, la demanda y los mercados se recuperaron mucho más rápido de lo esperado, mientras que el aumento en capacidad de producción y suministro tomó más tiempo, generando un desajuste severo entre oferta y demanda. A veces, los gestores describen este entorno de escasez como caos que genera efectos globales en cascada (Hosseini, Ivanov y Dolgui, 2019).

Esto podría tratarse de una crisis temporal o de una tendencia a largo plazo. Independientemente de su duración, la escasez de recursos y los riesgos de hiperinflación plantean desafíos nuevos e inesperados para el análisis de resiliencia en la ingeniería industrial, de sistemas y en la gestión de operaciones. Investigaciones previas han contribuido al área de planificación agregada y han desarrollado modelos asociados diseñados para múltiples escenarios futuros, así como reprogramaciones dinámicas y reactivas. Sin embargo, la mayoría de los métodos y modelos existentes consideran las interrupciones y escaseces desde una perspectiva de corto plazo y temporaria. Por ejemplo, los métodos de diseño y planificación generalmente presumen la disponibilidad de recursos y comportamientos racionales por parte de los clientes. Estos métodos suelen utilizar un enfoque de planificación de arriba hacia abajo, partiendo de pronósticos de demanda y asumiendo que las capacidades de producción y los materiales, aunque limitados, están disponibles. Estas suposiciones requieren ser reevaluadas críticamente en el contexto de una economía de escasez, y superar estas limitaciones representa una oportunidad para avances científicos. Así, un desafío importante consiste en construir una comprensión de las implicaciones de una economía de escasez sobre la gestión de operaciones y la ISE, y en motivar nuevas áreas de investigación derivadas de este contexto novedoso (Ivanov y Dolgui, 2022b).

5.2.5. Desafío en ciberseguridad y resiliencia n.º 5: pruebas de estrés

Las pruebas de estrés reales, como la pandemia de COVID-19 y las tensiones geopolíticas, han revelado nuevos conocimientos sobre la resiliencia y viabilidad de las cadenas de suministro existentes. En este contexto, se necesita más investigación para comprender la resiliencia y viabilidad, y desarrollar nuevos métodos para realizar pruebas de estrés en cadenas de suministro antes de que un impacto real altere sus estructuras y operaciones (Simchi-Levi y Simchi-Levi, 2020). Entre los temas apropiados para la investigación se encuentra la identificación de métodos que puedan utilizarse para realizar pruebas de estrés en una cadena de suministro.

Ampliar nuestra comprensión sobre el diseño óptimo de redes de cadenas de suministro —ya sea la más eficiente, la más resiliente, o la más adaptable y viable— podría ofrecer conocimientos profundos para el diseño de cadenas de suministro globales resilientes. Las metodologías para pruebas de estrés podrían orientar cómo diseñar cadenas que sean simultáneamente adaptables y eficientes, así como también cómo aprovechar la tecnología digital y el análisis de datos para mejorar la resiliencia y viabilidad de las cadenas de suministro. Los avances en el área de pruebas de estrés podrían arrojar luz sobre el papel de la adaptabilidad en la resiliencia y viabilidad de los sistemas de creación de valor, así como sobre cómo implementar adaptabilidad inherente sin comprometer la rentabilidad (Ivanov y Dolgui, 2022a).

5.3. Oportunidades de ISE para abordar los desafíos de ciberseguridad y resiliencia: protección de las cadenas de suministro de software

Los desafíos de ciberseguridad y resiliencia descritos anteriormente ofrecen un marco para que la comunidad de ISE mejore la resiliencia en las próximas décadas. Estos desafíos requieren una gama de herramientas propias de ISE que abarcan investigación de operaciones, factores humanos y manufactura avanzada, así como investigación interdisciplinaria y coordinación entre equipos de investigación. En esta sección, se presenta un ejemplo para ilustrar el carácter multifacético de los desafíos de resiliencia abordados. Este ejemplo se refiere a la protección de las cadenas de suministro de software, que se alinea con el primer desafío.

El cibercrimen, incluyendo costos de recuperación y esfuerzos de remediación, causó pérdidas superiores a 3 billones de dólares estadounidenses en la economía de EE. UU. en 2015, y 6 billones en 2021. Comprender los aspectos interconectados de la seguridad en las cadenas de suministro de software es esencial, ya que pueden ser fuente de avances significativos. Las consideraciones incluyen integración de sistemas, viabilidad, confiabilidad, errores humanos, costos de desarrollo y despliegue, y alineación con normativas y aceptación social.

La Orden Ejecutiva 14028 del Presidente de EE. UU. (2021) sobre la mejora de la ciberseguridad nacional (The White House, 2021) exige mejorar la ciberseguridad mediante diversas iniciativas relacionadas con la seguridad e integridad de las cadenas de suministro de software. Existen oportunidades para proteger estas cadenas aprovechando la amplitud de ISE. Los avances en análisis de riesgos pueden garantizar la integridad de dichas cadenas equilibrando múltiples objetivos, incluyendo costo, calidad, confiabilidad y robustez. Los ingenieros industriales pueden contribuir al desarrollo de estándares, herramientas y directrices, incluyendo la introducción de criterios para evaluar la seguridad del software, evaluar las prácticas de seguridad de desarrolladores y proveedores, y auditar el cumplimiento de las políticas de seguridad. Nuevos métodos inspirados en la manufactura podrían establecer mecanismos de trazabilidad a lo largo de la cadena de suministro para fortalecer la informática forense, así como procesos optimizados para verificar el cumplimiento de los estándares. Reconociendo que los componentes humanos son parte integral de los sistemas ciberfísicos, ISE puede mejorar la seguridad de las futuras cadenas de suministro de software centrando su enfoque en los factores humanos. Mejorar las interfaces y los programas de formación reduce el uso indebido accidental y fomenta el cumplimiento de las políticas.

En resumen, la ingeniería industrial, con su enfoque holístico y su conjunto multidisciplinario de herramientas, desempeña un papel clave en el fortalecimiento de las cadenas de suministro de software frente a amenazas cibernéticas.

5.4. Conclusiones y pasos futuros

El conjunto de herramientas de ISE ofrece numerosas oportunidades para impactar positivamente en la resiliencia. Un tema común en los desafíos tratados en esta sección es el aprovechamiento del conocimiento de ISE sobre sistemas interconectados para identificar y mitigar vulnerabilidades en sistemas complejos de formas nuevas y relevantes. Para lograr avances significativos en esta área, será necesario movilizar el conocimiento disponible en toda la disciplina de ISE. Será clave aumentar la formación en redes, análisis de datos y cadenas de suministro en los programas de grado y posgrado para avanzar en estos desafíos. Además, el papel de los factores humanos es esencial en estas cuestiones, debido a su enfoque histórico en mejorar la capacidad de las personas para percibir y procesar información compleja en distintos contextos.

6. Desafío trascendental de la sostenibilidad: medio ambiente, energía e infraestructura

6.1. Antecedentes

En septiembre de 2015, los 193 Estados Miembros de la ONU aprobaron los Objetivos de Desarrollo Sostenible (ODS), también conocidos como Agenda 2030 (Gigliotti, Schmidt-Traub y Bastianoni, 2019). En total son 17 objetivos que abordan los tres pilares de la sostenibilidad: desarrollo económico, inclusión social y sostenibilidad ambiental, así como la paz, la justicia, la buena gobernanza y las alianzas, dentro del marco de los ODS (véase la Figura 2). Para alcanzar estos objetivos, existen desafíos complejos en materia de sostenibilidad, que implican numerosos factores con impacto significativo en el clima, el medio ambiente, la salud y la calidad de vida, entre muchos otros (Chester, 2019).

 

Figura 2. El marco de los 17 Objetivos de Desarrollo Sostenible (Gigliotti, Schmidt-Traub y Bastianoni, 2019).

 

En particular, debe priorizarse el mantenimiento de los servicios ecosistémicos y la promoción del bienestar humano (Henderson y Loreau, 2023). En respuesta a estos desafíos, la ingeniería industrial y de sistemas (ISE) debe estudiar las complejas relaciones entre los seres humanos, sus organizaciones, entornos y comunidades, y el medio ambiente natural desde una perspectiva sistémica, e investigar los factores que afectan los objetivos ambientales, sociales y económicos de la sociedad.

Numerosas innovaciones se han desarrollado utilizando un enfoque multidisciplinario, pragmático y orientado a sistemas para mejorar el medio ambiente, como la provisión de agua limpia, la reducción de la contaminación del aire, el agua y el suelo, y el tratamiento de residuos, así como el reciclaje, la remanufactura y la reutilización. Desde una perspectiva ambiental, proporcionar un suministro sostenible de alimentos, agua y energía, frenar el cambio climático y adaptarse a sus efectos, diseñar un futuro sin contaminación ni residuos, crear ciudades eficientes, saludables y resilientes, y fomentar decisiones y acciones informadas son desafíos significativos (Wang, 2021), en los cuales la ingeniería industrial y de sistemas puede contribuir mediante el pensamiento y la gestión sistémica.

El aumento significativo de la generación de energía renovable (eólica, solar, biomasa, etc.) ha creado una serie de desafíos trascendentales para fabricantes, redes eléctricas y usuarios finales. Uno de estos desafíos es que la energía renovable presenta fluctuaciones sustanciales en su disponibilidad, lo que dificulta mantener un suministro estable. Esto ha hecho que la previsión de consumo, la estabilización de redes eléctricas y la gestión energética sean extremadamente complejas, presentando grandes dificultades al integrar la energía renovable en la red eléctrica.

La infraestructura puede entenderse como un conjunto de sistemas tecnológicos compuestos por seres humanos, sus comunidades y el entorno más amplio, así como las interacciones entre ellos (Thacker et al., 2019). Desde una perspectiva física, puede definirse como las estructuras físicas y los equipos y disposiciones asociados que permiten y mejoran las actividades humanas. Desde un punto de vista más amplio, puede incluir todos los activos físicos y los servicios que estos pueden habilitar y proporcionar, como instalaciones de generación de energía y redes de información, plantas de tratamiento de agua, carreteras, etc. El rápido desarrollo de la tecnología digital ha creado un nuevo sector, que transforma la infraestructura para la sostenibilidad, pero que también tiene un impacto sustancial en la energía y el medio ambiente (Wei et al., 2023). La relación entre las infraestructuras, y cómo los seres humanos interactúan con la infraestructura y el entorno natural ha sido objeto de una gran cantidad de estudios. Sin embargo, cuantificar estas relaciones sigue siendo un desafío, ya que los sistemas correspondientes se han vuelto cada vez más complejos. Las infraestructuras físicas son cada vez más interdependientes, ya que tanto la escala como las funciones han ido creciendo con el tiempo, incorporando cada vez más componentes y diversas tecnologías nuevas. Por lo tanto, cuando una infraestructura se ve afectada, por ejemplo, por un fenómeno natural o sufre una falla de componente debido al envejecimiento, las pérdidas resultantes en los servicios son difíciles o imposibles de predecir.

Los ingenieros industriales y de sistemas, con su formación específica en métodos de toma de decisiones y diseño para entornos complejos e inciertos, están especialmente calificados para abordar los grandes desafíos del desarrollo de sistemas sostenibles. Específicamente, los desafíos que ISE puede abordar y en los que puede generar un impacto significativo en la mejora de la sostenibilidad incluyen: (1) medio ambiente, (2) energía y (3) infraestructura.

6.2. Medio ambiente

(1) Estudio de problemas complejos en múltiples escalas temporales y espaciales.
Existen complejidades extremas en las interacciones entre humanos y naturaleza a lo largo de múltiples escalas espaciales y temporales. Los desafíos ambientales usualmente no están limitados por fronteras locales o regionales, sino que constituyen problemas globales. Para responder a ellos, se vuelve inevitable incorporar la externalización espacial y el desfase temporal de los problemas ambientales dentro del marco de análisis, con una resolución más alta y en escalas espacio-temporales mayores.

(2) Integración de marcos de análisis y métodos interdisciplinarios.
La naturaleza multidisciplinaria de todos los problemas ambientales constituye un desafío trascendental fundamental. Es necesario integrar conocimientos, métodos e ideas de diferentes disciplinas en cuatro niveles: integración de conocimientos profesionales, teorías y métodos; incorporación de la dinámica de interacción y retroalimentación de todo tipo de sistemas en el marco analítico; reconocimiento y valoración de ideologías diversas en distintas disciplinas; y, finalmente, diseminación y aplicación de los resultados integrados en múltiples campos.

(3) Abordaje de incertidumbres amplias y profundas derivadas de cambios sistémicos.
La mayoría de los cambios son no lineales y variables en el tiempo, especialmente cuando el sistema experimenta transiciones súbitas, sustanciales e irreversibles. Por lo tanto, se vuelve necesario adquirir datos de observación de sistemas socioeconómicos y naturales a mayor escala y con mayor resolución, para investigar los factores de impulso dominantes y los mecanismos de influencia de estos cambios, y finalmente desarrollar modelos, simulaciones y análisis exploratorios con base en una amplia variedad de escenarios futuros y dinámicas de retroalimentación adaptativa.

(4) Modelado virtual para análisis de ciclo de vida (LCA).
Los impactos ambientales de los sistemas sostenibles pueden analizarse mediante modelos virtuales basados en el análisis del ciclo de vida, a fin de identificar indicadores de impacto ambiental y sus respectivas métricas (Shao, Kibira y Lyons, 2010).

6.3. Energía

(1) Eficiencia y gestión energética.
Mejorar la eficiencia energética y gestionar la demanda para reducir el costo de la energía, moldeando los perfiles de carga del consumo eléctrico ante cambios en la demanda y variaciones en la oferta, son aspectos críticos para generar suministros mixtos que permitan alcanzar este objetivo.

(2) Programación.
La programación eficaz con sólidas capacidades de optimización en tiempo real puede generar ahorros y beneficios significativos mediante una mejor utilización de la capacidad, lo que no solo puede derivar en importantes beneficios económicos, sino también ayudar a reducir la carga ambiental al controlar mejor la demanda energética.

(3) Reducción del consumo energético con mejor coordinación.
Reducir el consumo total de energía sin sacrificar la producción y la logística, mediante una coordinación adecuada de los planes de producción entre etapas de producción ascendentes y descendentes, especialmente en el corto plazo, es de gran relevancia.

(4) Tecnología digital para la transición energética.
Utilizar tecnologías digitales como herramientas de optimización basadas en IA, blockchain y plataformas de datos abiertos, así como modelos generativos de IA para rastrear emisiones y consumo energético en una cadena de valor, puede acelerar la transición energética hacia un futuro de profunda descarbonización. Una base de datos sobre desarrollo sostenible en sistemas de energía renovable puede acelerar los estudios (Abdolmaleki y Bugallo, 2021).

(5) Sistema de transporte.
La tecnología móvil limpia y los vehículos eléctricos ofrecen una opción crucial y viable para el proceso de descarbonización, que depende del desarrollo y utilización de baterías, así como de la planificación de generación, transmisión y distribución de electricidad para garantizar beneficios genuinos derivados de la descarbonización del sistema energético.

6.4. Infraestructura

(1) Análisis de redes.
Estudiar la causalidad en ambas direcciones, como la brecha entre entradas, salidas y resultados, las interdependencias complejas entre componentes individuales de los sistemas y entre las redes.

(2) Adquisición de datos.
Integrar datos provenientes de distintos silos requiere estandarización de datos con diferentes tipos, volúmenes y características, la consolidación de conjuntos de datos en diferentes contextos y la transferencia entre dichos contextos. Además, es fundamental desarrollar métodos para manejar conjuntos de datos pequeños como respuesta a eventos raros.

(3) Comunicación digital.
Proveer información y comunicación, así como los canales necesarios, incluyendo alertas de riesgo, transacciones financieras, huella de carbono y transporte (acceso y seguridad), entre otros.

(4) Implementación.
Investigar las condiciones, contenidos aplicables, variaciones y dimensiones sociales de la infraestructura, desplegar la estructura en la realidad y adaptarla para incorporar las respuestas provenientes de la retroalimentación.

6.5. Integración metodológica

Es importante integrar la diversa gama de metodologías y modelos, desde métodos cualitativos y experimentales en las ciencias sociales, hasta enfoques cuantitativos en optimización, econometría y simulaciones computacionales. Comprender estas metodologías, incluyendo sus fortalezas, debilidades y complementariedades, es esencial para el desarrollo de una perspectiva más integradora sobre los sistemas y servicios de infraestructura. Además, la resiliencia y la sostenibilidad de la infraestructura civil son complementarias y deben ser utilizadas desde una perspectiva integrada con un enfoque unificado (Bocchini et al., 2014). A continuación, ilustramos estos desafíos y el papel que la ingeniería industrial y de sistemas (ISE) puede desempeñar en su abordaje en el contexto de un ejemplo del sistema de transporte. El aumento de la demanda sobre la infraestructura de transporte ha causado problemas sociales significativos como la congestión del tráfico y la contaminación del aire. Por ejemplo, debido a la urbanización continua y al crecimiento poblacional, la congestión vehicular se ha convertido en un problema importante a nivel mundial, especialmente en las grandes ciudades. Según el Urban Mobility Report, un viajero promedio experimentó cerca de 54 horas de retraso anual debido a la congestión del tráfico, lo que equivale monetariamente a 1.170 USD. A nivel nacional, el retraso total de viaje fue de aproximadamente 8.700 millones de horas y el costo de la congestión alcanzó los 160 mil millones de USD (Lasley, 2021). Mientras tanto, no existe apoyo público para aumentar los impuestos que financien la expansión de la capacidad de infraestructura, y en muchos casos, el uso del suelo restringe una mayor expansión.

Por tanto, las agencias de transporte y las ciudades necesitan soluciones innovadoras a nivel de sistema que utilicen algoritmos avanzados y que también consideren el comportamiento humano.

Se han logrado avances significativos en la obtención y provisión de información en tiempo real necesaria para el control efectivo de un sistema de transporte y de las operaciones de tránsito. Por ejemplo, la infraestructura de transporte y los vehículos están ahora equipados con sensores, sistemas de datos interconectados, dispositivos de comunicación bidireccionales y computadoras a bordo. Estos esfuerzos han permitido el acceso a una abundancia de datos dinámicos en tiempo real sobre las condiciones del tráfico que antes no estaban disponibles. Estas tecnologías se han utilizado principalmente para Sistemas Automatizados de Información al Viajero (ATIS) que proporcionan información en tiempo real sobre la llegada a estaciones o tarificación por congestión en carreteras. Sin embargo, estas tecnologías no han provocado un cambio fundamental en la forma en que se prestan los servicios de transporte al público. Es decir, las soluciones de transporte en la mayoría de las áreas urbanas aún se basan en un diseño de sistema centralizado que opera principalmente en líneas fijas. Un sistema centralizado puede ser adecuado para grandes ciudades como Nueva York y algunas ciudades europeas, pero no resulta eficaz para satisfacer las necesidades de transporte de muchas otras ciudades debido a la ausencia de un único centro denso de actividad residencial y comercial. Un sistema centralizado carece de la flexibilidad necesaria para atender una demanda dispersa y puede ser menos eficaz que una solución adaptable de forma dinámica ante condiciones de tráfico aleatorias o cambiantes.

Las tecnologías de información (como los sistemas GPS en vehículos y teléfonos móviles de los pasajeros) pueden constituir la base para un nuevo tipo de sistema de transporte descentralizado para la asignación de recursos en tiempo real, aumentando potencialmente el nivel de servicio de forma rentable. La capacidad de transporte es un recurso valioso que debe ser plenamente aprovechado, y los mecanismos basados en el mercado pueden lograr frecuentemente una asignación eficiente de recursos. Los mecanismos de subasta y los modelos de teoría de juegos pueden explotar la abundancia de datos de tráfico disponibles y ser automatizados para permitir que los servicios y precios respondan directamente a la demanda del consumidor. El desarrollo de este tipo de sistema de transporte distribuido que iguala servicios con demanda en tiempo real requerirá el diseño de métodos fundamentalmente nuevos en optimización distribuida, diseño de mecanismos, aprendizaje automático, agentes e interfaces de usuario, cálculo de equilibrios a gran escala y planificación bajo incertidumbre.

Además del aumento de la demanda de pasajeros, los envíos de carga están creciendo en todo el mundo como resultado de la globalización, el aumento de ingresos y los cambios en los patrones de producción y consumo. A nivel nacional, la demanda de transporte de carga es en gran medida función del PIB per cápita. Ante el crecimiento económico previsto, se estima que la flota mundial de camiones pesados aumentará en un factor de 2,6 hasta alcanzar los 64 millones en 2050 (Mulholland et al., 2018). Los camiones generan una proporción desproporcionada de gases de efecto invernadero (GEI). El sector del transporte en EE. UU. representa el 28% de las emisiones de GEI, solo por detrás de la industria. Según la Agencia de Protección Ambiental de los EE. UU. (USEPA, 2018a), los camiones representan el 23% de las emisiones del sector transporte (USEPA, 2018b). Además, los camiones contribuyen de manera desproporcionada a los contaminantes tóxicos del aire. El sector transporte de EE. UU. representa casi el 56% de los óxidos de nitrógeno (NOX) y el 22% de las emisiones de compuestos orgánicos volátiles (COV), que son precursores del smog y el ozono (USEPA, 2018a). También representa casi el 20% de las partículas. Los camiones son responsables de aproximadamente un tercio de los NOX y del 30% de las partículas del sector transporte¹. Una de las direcciones más prometedoras para reducir las emisiones de GEI en la industria del transporte de carga es la adopción de camiones de cero emisiones, como los eléctricos. Sin embargo, la infraestructura de recarga limitada y los largos tiempos de carga dificultan su adopción masiva, lo cual representa una oportunidad natural de investigación para la ISE.

En resumen, los cambios significativos y el desarrollo acelerado en medioambiente, energía e infraestructura han creado oportunidades para que la ISE contribuya a abordar estos grandes desafíos mediante métodos y enfoques sistemáticos para desarrollar sistemas y sociedades sostenibles.

7. Desafío de los problemas de salud

7.1. Contexto

Las últimas décadas han sido testigo de avances extraordinarios en la recolección de datos en medicina, incluyendo la implementación de registros médicos electrónicos, la creación de nuevos dispositivos y sensores portátiles para el monitoreo de la salud, tecnologías de secuenciación y edición genética rápida, y sistemas de vigilancia y rastreo de enfermedades, por nombrar algunos ejemplos. En última instancia, estos avances —y la recolección y almacenamiento de datos que conllevan— han superado la capacidad de los métodos de ingeniería industrial y de sistemas para utilizar esos datos con el fin de mejorar la toma de decisiones médicas y la prestación de servicios de salud. Como resultado, existe una brecha de conocimiento que, hasta que no se aborde, limitará la eficacia y adopción de estas nuevas tecnologías para mejorar la salud y la seguridad humana. Hay dos desafíos técnicos fundamentales e igualmente importantes que deben abordarse. El primero se refiere a los métodos cuantitativos para aprovechar los datos y transformarlos en información y posteriormente en recomendaciones (decisiones alternativas) sobre si y cuándo intervenir para alcanzar objetivos de salud y seguridad de forma coherente con las preferencias del paciente. El segundo desafío consiste en superar las barreras de implementación que surgen de una combinación de restricciones impuestas por el comportamiento humano, las políticas y los procesos, derivados de la naturaleza fragmentada de los sistemas de salud, que limitan el intercambio de información y la coordinación entre disciplinas médicas y prestadores de servicios.

Estos desafíos existen en la mayoría de los sistemas de salud del mundo, y algunos de ellos se manifiestan especialmente en Estados Unidos, que sirve como principal punto de referencia para este artículo.

Los desafíos expuestos existen dentro de complejidades definidas exógenamente, incluyendo múltiples y, a menudo, criterios en conflicto entre los actores involucrados (por ejemplo, pacientes, médicos, aseguradoras), factores de salud latentes que pueden no ser directamente observables por los responsables de las decisiones (como cánceres no diagnosticados o infecciones asintomáticas) y un sistema de salud que cambia de manera dinámica e impredecible, generando necesidades y objetivos en constante evolución (como el descubrimiento de nuevas intervenciones, picos de demanda por desastres naturales o la propagación de un virus desconocido). Consideramos estas complejidades como inmutables, pero esenciales para definir la viabilidad de los enfoques para abordar los desafíos anteriores.

En conjunto, estos desafíos y sus complejidades exógenas conducen a una amplia gama de oportunidades para que la ISE desempeñe un papel en la mejora positiva de los sistemas de salud. En la siguiente sección, comenzamos resumiendo cada uno de los desafíos y luego discutimos algunas de sus causas fundamentales. A continuación, presentamos oportunidades para el campo de la ISE mediante ejemplos específicos que ilustran la naturaleza de los problemas. Finalmente, abordamos los próximos pasos esenciales para preparar a la próxima generación de ingenieros que enfrentarán estos desafíos.

7.2. Desafíos en la atención sanitaria

Para comenzar, describimos cada desafío sanitario de forma independiente, seguido de una discusión sobre cómo interactúan entre sí y los factores exógenos que contribuyen a la complejidad de abordarlos.

7.2.1. Desafío en la atención sanitaria #1: aprovechar los descubrimientos impulsados por datos para prevenir, tratar y gestionar enfermedades

Las nuevas tecnologías, como los sensores para monitoreo remoto, los dispositivos de secuenciación de ADN en tiempo real, los biomarcadores moleculares y los avances en la infraestructura de tecnologías de la información (TI), están ampliando continuamente las posibilidades de obtener conciencia situacional en tiempo real sobre pacientes individuales y los sistemas de salud donde buscan tratamiento. Sin embargo, el tamaño masivo de los conjuntos de datos resultantes y la gran cantidad de señales que pueden monitorearse abruman a los responsables de la toma de decisiones clínicas, aseguradoras y responsables políticos, quienes deben equilibrar los posibles beneficios y riesgos de utilizar estos datos para guiar la toma de decisiones. Los enfoques para abordar la confusión, los datos faltantes y otras fuentes de sesgo inherentes a los datos observacionales no están avanzando al mismo ritmo que las oportunidades para mejorar la selección y ejecución de cursos de acción recomendados. Además, muchos avances son específicos de una parte aislada de sistemas de salud interconectados complejos. Como resultado, el ritmo de los descubrimientos médicos y otras innovaciones técnicas para adquirir datos ha superado la velocidad de las innovaciones analíticas necesarias para utilizar dichos datos en la optimización de la prestación de atención sanitaria y mejorar la prevención, tratamiento y gestión de enfermedades.

7.2.2. Desafío en la atención sanitaria #2: mejorar el comportamiento humano, las políticas y los procesos

Están surgiendo rápidamente nuevas tecnologías para profundizar la comprensión de la salud del paciente en el hogar, el trabajo o en clínicas y hospitales. Sin embargo, estos avances solo son valiosos en la medida en que los individuos y las organizaciones los habiliten. Todos los sistemas de salud en los países desarrollados operan dentro de un microcosmos de regulaciones gubernamentales, leyes y políticas internas operativas que definen si y cuándo pueden utilizarse nuevas innovaciones, sujetas a restricciones de seguridad, costos y privacidad. Además, el comportamiento humano individual y la propensión a desconfiar de nuevas tecnologías y procesos afectan significativamente la toma de decisiones en el punto de atención entre un médico y un paciente. Esto a menudo conduce a ineficiencias en la prestación del servicio, como redundancia en evaluaciones diagnósticas, fragmentación entre proveedores de salud y sobretratamientos que sobrecargan innecesariamente a los pacientes y afectan negativamente su bienestar general. Asimismo, muchos sistemas de atención que cumplen con sus políticas y regulaciones terminan marginando a poblaciones vulnerables, incrementando el riesgo y ampliando la brecha de desigualdad.

Estos dos desafíos sanitarios interactúan y crean barreras para mejorar la prestación de atención médica. La Figura 3 ilustra esta interdependencia como un diagrama de Venn. Desde la perspectiva del desafío sanitario #1, las tecnologías en forma de dispositivos médicos, como sensores para pacientes, tecnologías de imágenes y nuevas pruebas diagnósticas, ahora son capaces de recopilar cantidades extraordinarias de datos sobre pacientes individuales que, si se agregan, pueden servir como recurso para optimizar la toma de decisiones en la prevención, tratamiento y gestión de enfermedades. Estos datos, recolectados a lo largo del tiempo, pueden ser utilizados con múltiples propósitos, incluyendo la comprensión del estado de salud actual de un paciente, la predicción de resultados futuros, la identificación de posibles intervenciones, el monitoreo de los efectos de dichas intervenciones y el uso de esos datos para mejorar la toma de decisiones a través de un ciclo de retroalimentación continuo.

 

Figura 3. Interacción entre los desafíos sanitarios #1 y #2 que ilustra el papel del desafío #2 en la limitación de los futuros descubrimientos impulsados por datos relacionados con el desafío #1.

 

En la práctica, las diversas fuentes de datos necesarias para mejorar la toma de decisiones son difíciles de agregar por varias razones, entre ellas, la privacidad del paciente, las políticas y procesos de los proveedores de salud derivados de preocupaciones de propiedad y responsabilidad, y la fragmentación general de los sistemas de salud, lo que genera desafíos en la recopilación y vinculación de datos entre distintas organizaciones. No obstante, el surgimiento de agregadores de datos como MarketScan y Optum, así como iniciativas dentro de los sistemas de salud, están contribuyendo a la capacidad de individuos y organizaciones para acceder a datos cada vez más detallados sobre grandes poblaciones, incluyendo datos demográficos, exposiciones ambientales, historial médico, reclamaciones, resultados de laboratorio, genética y resultados de pruebas diagnósticas (Blewett et al., 2018). Como resultado, los investigadores tienen acceso a una amplitud extraordinaria de datos poblacionales, y los avances en recolección y almacenamiento de datos continúan acelerándose. Sin embargo, la disponibilidad de datos por sí sola no es suficiente, ya que los datos observacionales, aunque abundantes, están plagados de desafíos derivados de una amplia gama de complejidades, como se ilustra en la Figura 4, adaptada de Denton (2023), que resume algunas de las fuentes de sesgo que limitan cómo pueden utilizarse estos datos para apoyar la toma de decisiones. La investigación emergente en análisis de datos e inteligencia artificial está abriendo nuevas posibilidades para abordar algunos de estos desafíos. Sin embargo, en última instancia, estos métodos requieren una comprensión profunda del contexto en el cual se recopilan los datos. De lo contrario, pueden surgir problemas graves, como la introducción de inequidades y recomendaciones poco éticas (Panch, Mattie y Atun, 2019). Por tanto, una condición necesaria para el éxito en esta área es combinar el desarrollo metodológico con una comprensión contextual amplia del sistema de salud subyacente, incluyendo consideraciones socioeconómicas, métricas de desempeño de los actores, procesos y restricciones. Muchos aspectos de los factores humanos, como el diseño centrado en el usuario, la interacción humano–computadora y la confianza del usuario en los análisis de datos y la inteligencia artificial, jugarán un papel importante en la implementación exitosa de sistemas de apoyo a la decisión; este esfuerzo multidisciplinario es algo que el campo de la ISE está idealmente capacitado para abordar, gracias a su larga trayectoria en la combinación de conocimientos expertos en sistemas industriales con avances metodológicos en la resolución de problemas y el estudio de interfaces humano-tecnología y la confianza del usuario.

 

Figura 4. Las fuentes de sesgo sistemático interactúan para causar errores en modelos de ingeniería industrial e investigación operativa estimados utilizando datos observacionales.

 

Históricamente, gran parte del progreso en la comunidad ISE se ha centrado en desafíos aislados, como una sola enfermedad o condición en el caso de la toma de decisiones médicas (por ejemplo, cáncer, diabetes, enfermedades cardíacas, VIH), o una parte particular del sistema de salud de manera aislada (quirófanos, clínicas ambulatorias, operaciones de laboratorio). La amplia disponibilidad de datos y métodos analíticos para abordar los desafíos del uso de datos observacionales abrirá la puerta a la creación de modelos computacionales más integrales que consideren la complejidad de múltiples condiciones y enfermedades comórbidas, y la vinculación de redes interdependientes de operaciones de atención médica de una manera que evite soluciones óptimas locales que poco hacen para mejorar el sistema de atención en su conjunto.

Desde la perspectiva del desafío sanitario 7.2, existen numerosas restricciones impuestas por el comportamiento humano, las políticas y los procesos, que limitan las oportunidades potenciales para mejorar la atención médica. Estas restricciones surgen de una interacción compleja dentro del ecosistema poblacional general, impulsada por presiones políticas, dinámicas demográficas y objetivos económicos, lo que obliga a las organizaciones de salud, a los profesionales clínicos y a los pacientes a operar dentro de límites establecidos. Esto genera incentivos que dirigen las inversiones y los procesos posteriores de las organizaciones sanitarias. En última instancia, esto determina los cursos de acción factibles y las capacidades del sistema, que a su vez rigen las opciones potenciales disponibles para los médicos y los pacientes. Así, el desafío sanitario n.º 2 impone restricciones sobre las posibles acciones y recomendaciones de los médicos. En consecuencia, se limitan las capacidades disponibles para una mayor exploración de problemas de salud identificados mediante el monitoreo de pacientes (por ejemplo, resonancias magnéticas, tomografías, biopsias, endoscopias) y se generan incentivos financieros que impulsan a los proveedores a invertir solo en capacidades que sean viables según los requisitos de los terceros pagadores y las regulaciones impuestas por las agencias gubernamentales.

Algunas de las restricciones relacionadas con el desafío sanitario n.º 2 están bien fundamentadas y tienen como objetivo actuar en el mejor interés de los pacientes. Por ejemplo, las regulaciones sobre el uso de nuevos medicamentos y dispositivos médicos, que imponen la mayoría de los países desarrollados, establecen un proceso de evaluación exhaustiva del equilibrio entre riesgo y beneficio antes de permitir su uso generalizado, lo que podría prevenir problemas imprevistos de salud pública. Un caso reciente es la crisis de los opioides, que comenzó con la aprobación de un tratamiento supuestamente no adictivo que, en última instancia, provocó cientos de miles de muertes y costos estimados en billones de dólares (Maclean et al., 2022). En consecuencia, el tiempo necesario para alcanzar garantías adecuadas que permitan el uso generalizado es, en parte, una cuestión de procesos, lo cual entra de lleno en el ámbito de la ingeniería industrial y de sistemas (ISE). Así, como ilustra este ejemplo, las restricciones relacionadas con el desafío sanitario n.º 2 pueden ser complejas, e involucrar múltiples criterios (por ejemplo, riesgo frente a beneficio). Además, los beneficios relativos de modificar estas restricciones dependen de muchos factores, incluidos el costo de tales esfuerzos, el esfuerzo monetario y humano implícito, y las recompensas potenciales, como la calidad y la duración de vida.

Las restricciones en el diseño y operación del sistema de salud surgen de una interacción compleja entre los responsables de políticas públicas y los servicios de salud, educación y servicios sociales (Rouse, Johns y Pepe, 2019). La Figura 5 muestra quiénes están involucrados en la prestación de servicios de salud, educación y servicios sociales en Estados Unidos, así como la complejidad inherente de dichas interacciones. El ecosistema organizacional complejo está altamente fragmentado, lo que frecuentemente resulta en servicios de baja calidad, costosos e inequitativos en cuanto al acceso a la atención sanitaria. Rouse (2015) presenta un marco para modelar empresas sociales complejas, el cual puede aplicarse a la prestación de atención médica (Rouse y Cortese, 2010; Rouse y Serban, 2014) y a otros dominios como la educación superior (Rouse, 2016). Este marco aborda los fenómenos físicos, humanos, económicos y sociales que subyacen a los ecosistemas complejos. Una versión enfocada en la salud poblacional de este marco se presenta en la Figura 6.

 

Figura 5. Relaciones entre organizaciones y servicios (Rouse, Johns y Pepe, 2019).

 

Figura 6. Empresa de salud poblacional.

 

Este marco multinivel proporciona la base para integrar diferentes tipos de modelos computacionales que permitan explorar alternativas de política. El nivel “Personas” suele estar basado en agentes, lo cual plantea desafíos fundamentales en teoría de decisiones, economía del comportamiento e integración de sistemas humanos. El nivel “Procesos” a menudo se representa como redes de flujos, recursos y colas resultantes, y generalmente se modela usando modelos descriptivos y predictivos. El nivel “Organizacional” involucra la microeconomía de la asignación de recursos y las decisiones resultantes, que suelen modelarse mediante modelos prescriptivos para optimizar dicha asignación. El nivel “Sociedad” comprende la macroeconomía de las políticas, que tiene un impacto amplio en todos los niveles inferiores. El marco resultante describe una interacción altamente compleja, difícil de modificar y costosa de experimentar.

En el nivel de “Personas”, los fenómenos centrales incluyen establecer una ruta a través de los múltiples servicios de salud necesarios; sin embargo, desde un punto de vista conductual, las personas pueden desistir (no convertirse en pacientes) o abandonar el tratamiento debido a los tiempos de espera, entre otros factores. Los fenómenos a nivel de “Procesos” incluyen obtener citas para cada servicio de la ruta considerando los retrasos generales en la atención al paciente. Estos retrasos entre servicios pueden medirse en semanas o meses, y a menudo están altamente influenciados por las limitaciones de capacidad. En el nivel “Organizacional”, las restricciones de capacidad se deben a políticas de inversión y a la disponibilidad de personal. No sorprende que las organizaciones tiendan a invertir en capacidades necesarias para ofrecer servicios con alta tasa de reembolso. Así, los servicios de oncología, cardiología y cirugía ortopédica suelen estar mejor provistos que los de manejo rutinario de enfermedades crónicas. En el nivel “Sociedad”, las políticas de inversión están relacionadas con las políticas de reembolso de los pagadores para diferentes servicios. Este nivel también se relaciona con la forma en que se define el valor. Las personas sanas tienen menores costos de atención médica y, por lo general, trabajan, generan ingresos, pagan impuestos, etc. Por tanto, la sociedad se beneficia mucho más de una población saludable que únicamente de la reducción de costos en atención médica.

7.3. Oportunidades para ISE frente a los desafíos en la atención sanitaria

Los desafíos sanitarios descritos anteriormente proporcionan un marco de alto nivel para reflexionar sobre la amplia gama de oportunidades que tiene el campo de la ingeniería industrial y de sistemas (ISE) para participar en la mejora de la atención médica durante las próximas décadas. En última instancia, los desafíos descritos son demasiado complejos para ser abordados directamente mediante iniciativas aisladas o por una sola organización. En cambio, lo que se necesita son esfuerzos coordinados y una filosofía de experimentación continua y mejora constante, que considere los desafíos sociotécnicos complejos de la prestación de atención médica. En esta sección, proporcionamos ejemplos motivadores de dichos desafíos, centrándonos en la interdependencia entre los dos grandes desafíos.

El primer ejemplo se basa en el esquema de pago predominante por servicio prestado en Estados Unidos, el cual desalienta la adopción de tecnologías que reduzcan la necesidad de servicios facturables. En contraste, los esquemas de pago capitado, como Medicare Advantage (MA), incentivan la adopción de dichas tecnologías. El programa MA de Kaiser Permanente es un caso ejemplar (Inovalon, 2023). Esto ilustra cómo los fenómenos subyacentes al Desafío 2 pueden socavar el éxito en el abordaje del Desafío 1. Los reembolsos por servicios individuales impulsan a los proveedores a invertir en capacidades cuyo uso esté bien remunerado. Tecnologías como el monitoreo remoto de pacientes, que reducen la demanda de servicios altamente compensados, socavan los objetivos económicos asociados a esas inversiones. Sin embargo, para aprovechar plenamente el monitoreo remoto, se requiere invertir en capacidades analíticas para monitorear e interpretar el flujo de datos de pacientes, a menudo las 24 horas, típicamente provenientes de miles de pacientes dentro de una misma región de cobertura. Se necesitan sistemas de apoyo a la decisión clínica y debe asignarse tiempo para aprender a utilizar los nuevos sistemas. Así, los proveedores deben invertir en nuevos sistemas, lo que agrava el problema de la reducción de ingresos y beneficios. Esto entra en conflicto con la viabilidad económica sostenible de los proveedores de atención médica, a menos que un esquema de pago capitado incentive mantener a las personas saludables a menor costo, como ocurre con MA.

El segundo ejemplo es la coordinación de la atención para pacientes con múltiples enfermedades y afecciones crónicas. La persona promedio en Estados Unidos presenta tres o más afecciones crónicas para cuando alcanza los 65 años de edad (AHRQ, 2014). Considérese un paciente que tiene un marcapasos debido a complicaciones cardiovasculares, enfermedad pulmonar obstructiva crónica, diabetes tipo 2 y sufre de depresión. Las nuevas tecnologías hacen posible la vigilancia en tiempo real de factores de riesgo en el hogar, como el monitoreo de señales electromagnéticas del corazón, pulso, oxígeno, presión arterial, congestión pulmonar basada en impedancia torácica, glucosa en sangre, patrones de sueño y muchas otras señales relevantes que podrían ayudar a predecir la necesidad de una intervención médica. Aunque existen tecnologías en forma de sensores para el monitoreo remoto en tiempo real de estos factores, se comprende poco sobre cómo utilizar múltiples flujos de datos, considerando varias comorbilidades y un gran número de posibles alertas —cada una sujeta a falsos positivos y falsos negativos respecto a sus respectivos resultados— para tomar decisiones bien intencionadas que procuren satisfacer las preferencias del paciente en cuanto a seguridad, carga de cuidados y actitud frente al riesgo, lo cual puede diferir significativamente de un paciente a otro. Además, los flujos de datos pueden verse distorsionados por factores ambientales ocultos u otras variables confusas no observadas, lo que plantea una amplia gama de preguntas abiertas desde la perspectiva del modelado predictivo y prescriptivo. Más allá de los desafíos técnicos, existen también preocupaciones éticas y de responsabilidad para los proveedores ante un falso negativo. Esto hará necesarias pólizas de seguros para IA (Bertsimas y Orfanoudaki, 2021) para mitigar la exposición al riesgo. También existen preocupaciones sobre la privacidad y cuestiones como si las aseguradoras pagarán por los dispositivos, cómo se fijan sus precios y si son rentables.

Para informar y respaldar a la gama de partes interesadas en las decisiones asociadas con la adopción de nuevas políticas y prácticas, los modelos computacionales deben ser altamente interactivos y permitir una inmersión completa en representaciones interactivas. Los responsables clínicos de la toma de decisiones no aceptarán afirmaciones de analistas externos sobre recomendaciones de tratamiento. Querrán estar involucrados en la búsqueda de la mejor respuesta, acompañada de extensas discusiones y debates, y necesitarán interpretar cómo y por qué los algoritmos llegaron a una recomendación específica, así como cómo mitigar diversas fuentes de sesgo y otras consecuencias no deseadas del uso de datos observacionales para apoyar la toma de decisiones. Los enfoques de Factores Humanos serán fundamentales para comprender los factores que influyen en la confianza de los médicos en los modelos computacionales y en los sistemas de software habilitados por IA que permiten una interacción inmersiva y amigable con los datos y las recomendaciones. Se requerirán nuevos enfoques de diseño centrado en el ser humano para optimizar la experiencia del usuario para médicos, pacientes, responsables de políticas y otras partes interesadas para lograr una implementación exitosa de estos avances en un entorno ya complejo de prestación de atención sanitaria.

Los ejemplos anteriores ilustran la complejidad de los desafíos sanitarios que hemos planteado. Un concepto unificador es la noción de bienestar humano, que incluye salud física, mental, social y económica (Rouse, Johns y Curran, 2024). La búsqueda de este objetivo en Estados Unidos conlleva una variedad de desafíos de desempeño. La complejidad inherente del sistema estadounidense, altamente fragmentado, sustenta estos desafíos. Deben abordarse numerosos fenómenos conductuales y sociales, y desarrollarse diversas intervenciones. Las tecnologías digitales y los avances algorítmicos pueden posibilitar estas intervenciones, y el campo de la ingeniería industrial y de sistemas (ISE) puede contribuir a abordar las implicancias de gestión en el desarrollo e implementación de dichas intervenciones.

7.4. Conclusiones y próximos pasos

La atención sanitaria ha sido descrita como una clase de sistema de producción denominado sistema de servicio complejo (Maglio et al., 2019), debido a la interacción complicada de numerosos recursos, personas y procesos. Existen muchas áreas dentro del alcance de los grandes desafíos donde el campo de la ISE, basándose en su historia de innovación en sistemas de producción, puede influir positivamente en el cuidado de la salud. Para superar los impedimentos multinivel del desafío n.º 2 que están socavando el éxito en el abordaje del desafío n.º 1, la educación y la investigación en ISE deben abordar los fenómenos económicos, conductuales y sociales en múltiples niveles, además del análisis de datos y los métodos relacionados para una toma de decisiones responsable basada en datos. Es necesario enfatizar una mayor formación en estadística, inferencia causal, aprendizaje automático y métodos analíticos relacionados tanto en planes de estudio de grado como de posgrado para posibilitar avances en el desafío n.º 1. Además, una mayor formación y oportunidades de aprendizaje experiencial relacionadas con la salud pública, economía, políticas públicas, derecho y otros aspectos relevantes de las ciencias del comportamiento y sociales son habilidades fundamentales para posicionar a los futuros ingenieros en el camino del cambio positivo en la atención sanitaria.

8. Gran desafío de los problemas sociales

8.1. Antecedentes: tecnología y cultura

En esta sección, discutimos dos temas principales relacionados con el gran desafío de los problemas sociales que la comunidad de ISE puede abordar potencialmente, a saber: 1) tecnología y cultura, y 2) reingeniería de los Estados de bienestar: ISE para el sistema de prestación de bienestar social.

Los agentes conversacionales brindan la oportunidad a los usuarios de comunicarse en lenguaje natural con un sistema automatizado. Ruane, Birhane y Ventresque (2019) sugieren formas para que los diseñadores, desarrolladores y propietarios de agentes aborden el desarrollo de agentes conversacionales con el objetivo de un desarrollo responsable. Estos agentes pueden tener un efecto directo en la vida cotidiana e incluso provocar cambios de comportamiento. Se señala que los agentes conversacionales y bots son desarrollados por equipos que pueden influir en lo social, político, económico y cultural. Los problemas sociales y éticos incluyen confianza y transparencia, privacidad, personalidad del agente y antropomorfismo (Ruane, Birhane y Ventresque, 2019).

El creciente interés en la inteligencia artificial (IA) ha contribuido a los debates recientes sobre la ampliación frente a la automatización por inteligencia de máquina. La ampliación de la inteligencia puede generar desafíos relacionados con la ingeniería industrial y de sistemas respecto al diseño, uso e impacto de la IA en profesionales, organizaciones y el futuro del trabajo (Paul et al., 2022). Para mejorar la inteligencia, debe existir una colaboración entre el ser humano y la IA. El impacto de la IA en los empleos es un tema de debate. La naturaleza del efecto puede depender de cómo y dónde se implemente la tecnología y de su costo en el contexto de uso. Las futuras líneas de investigación incluyen la interacción humano-automatización (HAI) y los factores humanos (Paul et al., 2022). Los elementos clave de esta investigación incluyen las dimensiones de la confianza en HAI, tales como el desempeño esperado, el proceso mediante el cual funciona la IA y su propósito. Más detalles sobre los elementos de confianza se muestran en la Tabla 2.

 

Tabla 2. Dimensiones de la interacción humano-automatización (HAI) y la confianza (adaptado de Paul et al., 2022).

Dimensiones de confianza en IAH	Elementos de confianza
Rendimiento	● Competencia de la IAH   ◦ Funcional   ◦ Interacción Humano-IA ● Puntualidad de la solución en tiempo real ● Fiabilidad   ◦ Fiabilidad específica del contexto
Proceso	● Apertura ● Consistencia ● Comprensibilidad ● Predictibilidad ● Integridad de los datos ● Accesibilidad
Propósito	● Responsabilidad autorizada para administrar y utilizar la IAH ● Intención de las máquinas y de los usuarios en la IAH ● Fe en la IAH

 

8.2. IA y automatización para el futuro del trabajo

Los lugares de trabajo modernos están cambiando. Además, el trabajo moderno requiere una atención continua a la seguridad y salud ocupacional en nombre de la fuerza laboral. El Instituto Nacional de Seguridad y Salud Ocupacional (NIOSH) del Centro para el Control de Enfermedades (CDC) de los Estados Unidos ha desarrollado temas prioritarios y subtemas para futuras investigaciones en apoyo al futuro del trabajo. Estos se muestran con más detalle en la Tabla 3. Los temas prioritarios en la iniciativa "Future of Work" del NIOSH incluyen: diseño organizacional, desplazamiento tecnológico del empleo, modalidades laborales, inteligencia artificial, robótica, tecnologías inteligentes, sensores y vigilancia, demografía, seguridad económica y habilidades (Tamers et al., 2020).

 

Tabla 3. Temas prioritarios en la iniciativa Future of Work según el CDC/NIOSH (adaptado de Tamers et al., 2020).

Temas	Descripción
Diseño Organizacional	Trabajo: Autonomía, prevención del agotamiento y estrés, liderazgo saludable, flexibilidad laboral, sistemas de licencia, programación, responsabilidad social y corporativa, entorno laboral construido, espacio de trabajo, equilibrio entre vida y trabajo.
Desplazamiento Tecnológico del Trabajo	Automatización, digitalización, cantidad y calidad del trabajo, polarización ocupacional, mejora de la productividad y calidad mediante la manufactura automatizada, trabajo estable, nuevo y redundante.
Modalidades de Trabajo	Alternativo, basado en aplicaciones, contingente, contractual, contratación directa, distribuido, freelancer, trabajo compartido, no estándar, bajo demanda, medio tiempo, plataforma, precario, estacional con múltiples empleadores, temporal.
Inteligencia Artificial	Trabajo: Deep learning, machine learning, redes neuronales.
Robótica	Robots autónomos, colaborativos, industriales, de servicios y sociales; vehículos autónomos; interacción humano-máquina; sistemas aéreos no tripulados; exoesqueletos y exotrajes.
Tecnologías	Manufactura aditiva e inteligente, impresión 3D, computación avanzada en la nube y cuántica, biotecnología, tecnologías limpias y verdes, digitalización, tecnologías de la información y comunicación, internet de las cosas, nanotecnología y materiales avanzados, sensores, vigilancia por sensores, EPI inteligentes.
Demografía	Fuerza laboral: Diversidad e inclusión, multigeneracional, envejecimiento productivo, poblaciones vulnerables.
Seguridad Económica	Salarios adecuados, compensación y beneficios justos y proporcionados, mínimo garantizado de horas.
Habilidades	Educación continua, aprendizaje y capacitación, reentrenamiento y mejora de habilidades.

 

El uso de la inteligencia artificial tiene el potencial de mejorar el bienestar y el bien social. Como tema de investigación, la IA para el Bien Social (AI4SG) ha mostrado tendencias en cuanto a dominios de aplicación y técnicas de IA utilizadas. Según Shi, Wang y Fang (2020), ocho áreas de aplicación pueden proporcionar agrupaciones conceptuales. Estas se enumeran en orden de mayor a menor número de artículos de investigación e incluyen: salud (344), transporte (253), sostenibilidad ambiental (225), seguridad pública (177), lucha contra la manipulación de información (155), asistencia social y planificación urbana (90), educación (78), agricultura (40). Las diez principales técnicas utilizadas incluyen: aprendizaje automático (460), planificación, enrutamiento y programación (210), satisfacción de restricciones y optimización (173), sistemas multiagente (122), computación humana y crowdsourcing (98), visión por computadora (79), razonamiento bajo incertidumbre (78), teoría de juegos y paradigmas económicos (78), colaboración humano-IA (69), búsqueda heurística y optimización (69) (Shi, Wang y Fang, 2020).

West (2018) explica que su asistente envió un correo electrónico a Amy, la asistente personal de la persona con la que debía reunirse. Amy respondió rápidamente y envió varios correos durante el fin de semana intentando encontrar una fecha adecuada. Amy realizó las tareas de una asistente humana que lee correos, interpreta intenciones y propone respuestas relevantes. La pista que permitió descubrir que se trataba de una asistente virtual fue su increíble persistencia durante el fin de semana, explicó West. Según él, la asistente digital funcionó muy bien y ya no es una visión futurista.

Robots, IA, realidad virtual, vehículos autónomos, reconocimiento facial, drones y sensores móviles están transformando numerosos sectores y llevándonos hacia una sociedad automatizada (West, 2018). El impacto de estas tecnologías emergentes se considera en el contexto del trabajo, la educación, la política y las políticas públicas (West, 2018). West se pregunta: “Si las empresas necesitan menos trabajadores como resultado de la automatización y la robótica, ¿cómo obtendrán ingresos, atención médica y pensiones quienes estén fuera de la fuerza laboral durante largos períodos?” West sugiere que es importante repensar el trabajo y avanzar hacia un aprendizaje permanente.

8.3. Análisis de datos para la gestión de calidad e Industria 4.0

Investigaciones recientes han explorado cómo el análisis de grandes datos puede facilitar la toma de decisiones efectivas en diferentes problemas de gestión de calidad en pequeñas y medianas empresas. Se ha demostrado que las tecnologías inteligentes ayudan a los gerentes a controlar la calidad en la manufactura mediante técnicas sofisticadas basadas en datos (Sariyer et al., 2001). Un modelo y algoritmo propuesto de 3 etapas que utiliza las principales características del conjunto de datos, producto, cliente, país, línea de producción, volumen de producción, cantidad de muestras y código de defectos puede respaldar la clasificación del nivel de calidad del producto con un 96% de precisión (Sariyer et al., 2001).

El análisis de datos es el conjunto de técnicas que se enfocan en obtener información útil para tomar decisiones inteligentes a partir de una gran cantidad de datos (Duan y Xu, 2021). A medida que el desempeño mejora con decisiones inteligentes, y estas requieren apoyo operativo para recopilar datos relevantes, ha habido un aumento en los esfuerzos de investigación que respaldan los esfuerzos sinérgicos del análisis de datos y la Industria 4.0 juntos. La Industria 4.0 se considera la cuarta revolución industrial para la producción descentralizada mediante instalaciones compartidas con el fin de lograr manufactura bajo demanda y eficiencia en el uso de recursos (Duan y Xu, 2021). Tres elementos de interés común entre Industria 4.0 y análisis de datos incluyen: el sector industrial, los sistemas ciberfísicos y los métodos analíticos. Las áreas de investigación interdisciplinaria de interés para ISE que tienen implicaciones sociales incluyen redes 5G, big data, blockchain, computación en la nube, aprendizaje profundo, IoT y computación cuántica (Duan y Xu, 2021).

8.4. Diseño de trabajo y cultura organizacional

El diseño del trabajo tiene el potencial de impactar el estado psicológico de la motivación. Ho y Wu (2019) informan que el impacto social percibido puede afectar la motivación para beneficiar la vida de los demás y mejorar aún más la calidad del servicio. Los resultados tienen implicaciones prácticas para los ingenieros industriales y de sistemas (ISE) mediante la consideración de un diseño de trabajo adecuado que respalde la capacidad del empleado para percibir el impacto de su trabajo en los clientes, así como establecer una conexión con ellos (Ho y Wu, 2019).

Además, las organizaciones están interesadas en desarrollar liderazgo entre los empleados que puedan liderar a distancia (Bagga, Gera y Haque, 2023). Actualmente, las organizaciones dependen más de equipos virtuales para cumplir con su trabajo y sus metas. Dado el ritmo del cambio en el entorno laboral y la cultura organizacional, los líderes deben adoptar un enfoque proactivo, ya que todas las organizaciones trabajan cada vez más en equipos virtuales conectados mediante tecnologías de información y comunicación (Bagga, Gera y Haque, 2023).

Un modelo conceptual de las características, desafíos y diseño sugerido para el futuro del trabajo incluye: trabajo virtual, equipos múltiples, autonomía de ubicación, autonomía de objetivos, mantenimiento de la cultura organizacional, monitoreo del rendimiento, diseño de trabajo significativo y diseño de trabajo consciente (Malhotra, 2021) (ver también la Figura 7). Malhotra (2021) sugiere que, a medida que los individuos descubren nuevas formas de realizar sus tareas utilizando tecnología y se adaptan a nuevas formas de trabajar, las organizaciones necesitarán repensar cómo estructurarse para el futuro del trabajo.

 

Figura 7. Modelo conceptual de las características, desafíos y diseño sugerido para el futuro del trabajo (adaptado de Malhotra, 2021).

 

8.5. Reingeniería de los estados de bienestar: ISE para el sistema de prestación de servicios sociales

Otra dirección en la que la comunidad amplia de ISE (Ingeniería Industrial y de Sistemas) podría hacer una contribución significativa para abordar los problemas sociales es mejorar y optimizar el propio sistema social formal. Un buen ejemplo es el estado de bienestar y el sistema de prestación de servicios sociales. Un estado de bienestar es un tipo de gobierno en el que el Estado es responsable de proporcionar seguridad económica básica y bienestar social a sus ciudadanos (Weir, 2001). Originado del término alemán sozialstaat (estado social), que hace referencia a las reformas de Otto von Bismarck, el primer canciller del Imperio Alemán, la noción moderna de estado de bienestar se convirtió en una parte crítica de las funciones gubernamentales después de la Segunda Guerra Mundial, especialmente en Estados Unidos y algunos países de Europa Occidental (Skocpol, 1995).

Aunque las formas específicas de implementación varían sustancialmente entre países (Alesina, Glaeser y Sacerdote, 2021) debido a sus trayectorias históricas, su ámbito ha crecido enormemente desde la Segunda Guerra Mundial. Si bien la definición de estado de bienestar sigue siendo equívoca, su propósito está bien establecido y ampliamente entendido (Barr, 2018): 1) asistir a los pobres y, más importante aún, 2) abordar fallas del mercado. Las principales áreas cubiertas por el estado de bienestar incluyen: pensiones, salud, discapacidades, familia, desempleo, subsidios de vivienda, etc. En 2022, el gasto público social promedio en relación con el PIB entre los países de la OCDE fue del 21% (OCDE, 2023). En muchas partes del mundo, es impensable que el gobierno descuide completamente tales responsabilidades. En consecuencia, ha sido durante mucho tiempo un tema muy activo de investigación en ciencias sociales, especialmente en ciencia política, economía, trabajo social y administración pública.

8.6. Territorio inexplorado: cómo prestar servicios sociales de manera eficiente y efectiva "en el sentido de ISE"

Existe una vasta literatura, incluidos trabajos galardonados con el Premio Nobel (Sen, 1982), relacionada con los estados de bienestar y lo social. No obstante, a pesar del tamaño colosal e impacto que tiene el bienestar social en la sociedad, parece haber una falta de estudios especializados en hacerlo más eficiente y efectivo desde la perspectiva de la ingeniería —más precisamente, de la ingeniería industrial y de sistemas— con la excepción del área de salud (Choi, 2021). Un ejemplo destacado es el sistema de prestación de servicios sociales. Su objetivo es entregar los servicios sociales a quienes los necesitan de la manera más eficiente y eficaz posible. Ha sido estudiado casi exclusivamente desde los campos del trabajo social y la administración pública, pero estas líneas de investigación rara vez abordan tales aspectos operacionales.

Aunque anecdótico, el sistema de prevención del maltrato infantil en Corea del Sur ejemplifica bien este problema. Tras una serie de eventos desafortunados, el gobierno coreano implementó en 2018 un sistema de identificación y prevención de abusos basado en aprendizaje automático, llamado “eChild”. Aunque no es una bola de cristal, al aprovechar los datos sensibles de bienestar social de cada niño del país, recopilados y gestionados por el Servicio de Información de Seguridad Social (SSIS), está diseñado para proporcionar información útil sobre quién podría ser la próxima víctima.

Lamentablemente, no cumplió su propósito como se anticipaba inicialmente. Si bien hay margen para mejorar su precisión, esta no es la causa principal. Más bien, se debe al hecho de que el sistema eChild no se integró adecuadamente con la red existente de prevención del abuso infantil, compuesta por trabajadores sociales, policía y comunidades locales, a nivel operativo, lo que llevó a que los responsables no lo usaran según lo previsto (Han, 2022). Traducido libremente a términos de ISE, es como si se introdujera una red de sensores sin diseñar cuidadosamente las operaciones dentro del sistema de gestión de calidad y mantenimiento preventivo existente, lo que genera confusión y costos innecesarios.

Como ilustra el caso del sistema eChild, muchos problemas no abordados en el estado de bienestar y su sistema de entrega se asemejan a lo que la comunidad ISE ha estado estudiando durante mucho tiempo. A nivel micro, asuntos como identificar niños en riesgo, muertes en soledad, etc., comparten características con la gestión de calidad, el mantenimiento preventivo, etc. El desafío clave para brindar atención a los necesitados —como personas con discapacidad y ancianos— a nivel estatal es esencialmente un problema de gestión de cadenas de suministro a gran escala. Desde esta perspectiva, muchos miembros de la comunidad ISE coincidirán en que abordar los problemas operativos del estado de bienestar y su sistema de entrega podría ser un gran campo de aplicación para que ISE genere un impacto social significativo, además de implicaciones académicas e industriales. Es evidente que las herramientas cuantitativas y técnicas que las escuelas de ISE han adoptado como currículo básico —como optimización, simulación, estadística, factores humanos, aprendizaje automático e IA— serán de gran utilidad para abordar problemas relevantes. Esto implica que la comunidad ISE puede tener un impacto inmediato y sustancial en hacer que el sistema de prestación de servicios sociales sea más eficiente y efectivo.

8.7. Obstáculos y desafíos

Quienes han sido formados en la comunidad ISE podrían pensar que basta con aplicar modelos cuantitativos a los problemas del sistema de prestación de servicios sociales para obtener las respuestas correctas. Sin embargo, la realidad es más compleja de lo que uno imagina, ya que los temas en cuestión no son productos comerciales. Son seres humanos. Por ejemplo, en los casos de maltrato infantil hay dos tipos de errores posibles: tipo I y tipo II. Si ocurre un error de tipo II, un niño que podría haber sido salvado podría enfrentar un desenlace atroz. Como indica cualquier manual de estadística, un error de tipo II debe minimizarse en cierta medida. Sin embargo, esto tiende a aumentar la probabilidad de cometer un error de tipo I. Bajo un escenario típico de mantenimiento preventivo, un error tipo I no representa un gran problema, ya que la consecuencia es una pérdida monetaria. Pero un error tipo I en prevención del maltrato infantil significa estigmatizar injustamente a una familia feliz e inocente acusándola falsamente. El enfoque cuantitativo típico que minimiza una función objetivo compuesta por recompensas y penalizaciones ya no resulta adecuado.

Dejando de lado los dilemas éticos y filosóficos, existe otro obstáculo para emplear metodologías ISE a nivel de modelado cuantitativo: los datos. Es obvio que una investigación de calidad requiere una buena cantidad de datos reales, idealmente junto con una plataforma para probar hipótesis. Desafortunadamente, no es fácil acceder a tales conjuntos de datos, ya que contienen información personal muy sensible. El sistema eChild utiliza conjuntos de datos extremadamente privados, como el nivel de ingresos de los padres, la asistencia al preescolar o escuela, vacunaciones omitidas, facturas de servicios impagas, etc., que no deben divulgarse públicamente bajo ninguna circunstancia. En muchos casos, obtener tales datos es ilegal, o al menos éticamente cuestionable. Esto hace que sea prácticamente imposible iniciar cualquier tipo de investigación, y mucho menos publicar los resultados en foros académicos.

Sin embargo, parece haber una solución. Si se pueden generar datos sintéticos mediante IA entrenada con muestras del mundo real que contengan información sensible, y si la IA generativa tiene suficiente capacidad de representación, los problemas relacionados con los datos podrían aliviarse significativamente. En este sentido, KAIST y SSIS han tomado la iniciativa en esta dirección con el apoyo financiero de la Fundación Nacional de Investigación. Aunque es difícil decir cuánto tiempo tomará, una vez que tenga éxito, permitirá a los miembros de la comunidad ISE en general tener acceso libre a los datos sintéticos sin violar la privacidad, con fines académicos, lo que sin duda convertirá a la comunidad ISE en la primera y única disciplina capaz de generar valor social a gran escala mediante la reingeniería del estado de bienestar y la mejora del sistema de prestación de servicios sociales en todo el mundo.

9. Gran desafío de la logística y la cadena de suministro

9.1. Contexto

En la era actual, la industria logística desempeña un papel fundamental en la economía global. Constituye la columna vertebral del comercio moderno, facilitando el movimiento de bienes desde los fabricantes hasta los consumidores.

Por lo tanto, los desafíos que enfrentan las empresas de cadena de suministro y logística son diversos y complejos.

Las organizaciones pueden utilizar estrategias específicas y un compromiso con la adaptabilidad para superar estos desafíos, contribuyendo al flujo fluido de bienes y servicios económicos a nivel mundial. La resiliencia de la cadena de suministro se ha vuelto recientemente vital para las empresas (Chen y Miller-Hooks, 2021). El ciclón Debbie (marzo de 2017) causó daños en Australia y afectó a las acerías indias al interrumpir las importaciones de carbón y, en consecuencia, las cadenas de suministro. El conflicto entre Rusia y Ucrania interrumpió el suministro de petróleo, gas y trigo, elevando los precios. Por lo tanto, comprender y medir la resiliencia es esencial, especialmente con la creciente complejidad de las cadenas de suministro en expansión. Se ha realizado un trabajo significativo para cuantificar y definir la resiliencia (Gao et al., 2019), especialmente en el sector manufacturero (Ergun et al., 2022; Waseem y Chang, 2023).

9.2. Desafíos en logística y cadena de suministro

La industria logística y de la cadena de suministro enfrenta actualmente una serie de desafíos que surgen de cambios económicos globales, avances tecnológicos y demandas cambiantes de los consumidores. El desafío de mejorar la resiliencia y la eficiencia en la gestión logística y de la cadena de suministro es multifacético y abarca diversos factores interconectados.

9.2.1. Transporte sostenible

Si bien facilita el movimiento de bienes, el aumento de los costos de transporte se ha convertido en uno de los principales desafíos en logística y cadenas de suministro. Es un gasto significativo para las empresas logísticas, ya que los costos continúan aumentando. Estos gastos están influenciados significativamente por los precios del combustible, los costos laborales y los cambios regulatorios. Estos aumentos dificultan la competitividad. Los altos costos de transporte incrementan el gasto total de los productos suministrados, afectando negativamente la demanda del mercado. Usar transporte ecológico como vehículos eléctricos para optimizar la logística en términos de eficiencia energética ayudará a reducir el impacto ambiental de la cadena de suministro. Incorporar materiales renovables, reutilizables y reciclables en el proceso es necesario para minimizar los residuos y promover un enfoque de gestión más sostenible. Integrar sostenibilidad y cadena de suministro ayuda a evitar los riesgos asociados con daños, escasez de recursos y cambios regulatorios. El principal desafío para la sostenibilidad en logística y cadena de suministro es equilibrar el objetivo económico con la responsabilidad ambiental. Esto requiere inversión en tecnología, materiales y procesos. En la era del comercio electrónico, los clientes esperan entregas rápidas y confiables. Cumplir con estas crecientes expectativas y calidad del servicio mientras se mantiene la rentabilidad es un desafío importante en logística y cadena de suministro. Con los avances tecnológicos y la evolución de la industria, es necesario cerrar la creciente brecha de habilidades. Encontrar y retener trabajadores calificados en la industria puede representar un gran reto. En consecuencia, la industria logística enfrenta dificultades operativas debido al aumento de la demanda de mano de obra especializada.

9.2.2. Presión competitiva y guerras comerciales globales

La intensa competencia en la industria logística a nivel global puede reducir considerablemente los márgenes de ganancia. Las industrias de logística y cadena de suministro enfrentan el desafío de la presión competitiva en un entorno mundial ferozmente competitivo. La presencia de numerosos actores en el mismo sector intensifica la competencia, lo que potencialmente provoca guerras de precios y reduce inevitablemente los márgenes. Las empresas involucradas en el comercio internacional enfrentan un entorno complicado debido a las guerras comerciales globales. Las incertidumbres derivadas de tensiones geopolíticas y fluctuaciones arancelarias impactan directamente en los costos de envío, generando un efecto dominó en toda la cadena de suministro. Para gestionar y mitigar riesgos de forma eficaz, las empresas pueden aplicar estrategias logísticas que contemplen modificaciones potenciales en las rutas de envío e implementación de prácticas avanzadas de gestión de inventario.

9.2.3. Gestión eficaz de almacenes

Mantener el equilibrio correcto de inventario en las empresas logísticas y de cadena de suministro es un desafío constante. La gestión de inventario efectiva es crucial para las empresas logísticas, pero resulta difícil, y por ello a menudo tienen dificultades para lograrlo. Las oportunidades perdidas y los clientes insatisfechos son resultado del desabastecimiento, mientras que el exceso de inventario genera altos costos de almacenamiento. Las temporadas festivas y eventos de ventas especiales suelen generar picos en la demanda, creando desafíos para que las capacidades logísticas hagan frente a la carga de trabajo adicional. Atender estos picos de demanda y restricciones de capacidad mientras se mantiene la calidad del servicio puede ser un desafío logístico. En los procesos de cumplimiento de pedidos, la falta de espacio adecuado para almacenamiento genera ineficiencias que causan insatisfacción del cliente. Para mantener la capacidad de cumplimiento de pedidos, las restricciones de espacio en almacenes son un problema para muchas empresas de logística, especialmente en áreas urbanas donde el costo del suelo es alto.

9.2.4. Interrupciones en la cadena de suministro

La logística depende en gran medida de cadenas de suministro fluidas. Las interrupciones en las cadenas de suministro pueden tener repercusiones importantes para las empresas logísticas, provocando retrasos y aumento de costos, y en última instancia, insatisfacción del cliente. Las interrupciones incluyen desastres naturales, inestabilidad política y crisis sanitarias globales. Son un desafío importante para las empresas, ya que crean obstáculos significativos. Es necesario adoptar medidas como la planificación estratégica y la integración de tecnología para mejorar la visibilidad en la logística y la cadena de suministro. Debido a la interdependencia e interconexión entre las empresas, incluso un problema pequeño en una región puede impactar toda la cadena de suministro global. Por lo tanto, los grandes cambios en las tendencias y eventos pueden afectar enormemente las interrupciones. Durante la pandemia de Covid-19, alrededor del 75% de las empresas en EE. UU. experimentaron una interrupción en su cadena de suministro. Según un informe de la Organización Mundial del Comercio, más del 44% de las empresas aún no contaban con una estrategia para gestionar estas interrupciones durante la pandemia. Pierre Haren y Simchi-Levi publicaron un artículo en la Harvard Business Review (Haren y Simchi-Levi, 2020) que predijo que el impacto máximo del Covid-19 en las cadenas de suministro globales ocurriría a mediados de marzo. Cada elemento de la cadena de suministro manufacturera, desde las operaciones de proveedores y disponibilidad de embalaje hasta la logística de transporte terrestre, marítimo y aéreo, se vio significativamente afectado por los confinamientos y medidas de distanciamiento social impuestos durante la pandemia.

9. Gran desafío de la logística y la cadena de suministro

9.2.4. Interrupciones en la cadena de suministro (continuación)

El conflicto en curso entre Rusia y Ucrania provocó un aumento en los precios de varias materias primas, incluyendo níquel, neón, fertilizantes, trigo, maíz, petróleo y gas natural. Como resultado, la disponibilidad de espacio en almacenes disminuyó, aumentaron las tarifas de transporte, surgieron escasez de contenedores y las empresas se vieron obligadas a enfrentar mayores restricciones de almacenamiento. El impacto se extendió a las operaciones portuarias, con varios puertos obligados a cerrar debido a la situación tumultuosa.

El impacto global de un incendio provocado por una sobretensión en la fábrica de Renesas Electronics en Naka, Japón, en marzo de 2021, que dañó 23 máquinas, resonó fuertemente en la industria automotriz. Renesas, un proveedor clave, suministra casi un tercio de los microcontroladores del mundo, afectando significativamente la producción mundial de vehículos de marcas reconocidas como Ford, Hyundai y Toyota.

La cadena de suministro global sufrió un duro golpe cuando el buque portacontenedores Ever Given quedó atascado en el Canal de Suez, interrumpiendo redes comerciales a gran escala. Aunque la extracción del buque tomó solo seis días, la acumulación de tráfico resultante provocó una interrupción sustancial de 60 días en las cadenas de suministro globales. El bloqueo del Ever Given afectó a un total de 62 buques portacontenedores, con una capacidad combinada superior a 727.000 TEUs (Leonard, 2021). El efecto dominó se amplificó con el desvío de rutas alrededor del sur de África y el Cabo de Buena Esperanza, causando demoras adicionales a varias embarcaciones. Dado que el Canal de Suez representa aproximadamente el 12% del comercio global, la obstrucción provocada por el Ever Given generó una escasez de contenedores, elevando sus precios. Además, la interrupción provocó numerosos traspasos perdidos al transporte de carga, agravando los desafíos que enfrenta la cadena de suministro global.

Por lo tanto, los desafíos de la logística y la cadena de suministro son diversos, y abarcan desde el aumento de los costos de transporte, sostenibilidad, presión competitiva, guerras comerciales globales, gestión eficaz de inventario, picos de demanda y restricciones de capacidad, expectativas del cliente y calidad del servicio, escasez de mano de obra calificada hasta interrupciones en la cadena de suministro. La resiliencia se vuelve estratégicamente imperativa cuando las interrupciones son más complejas para diversas industrias. Cumplir con los requisitos de resiliencia requiere estrategias sólidas de gestión de riesgos, comunicación clara o visibilidad y aprovechamiento de la tecnología para el monitoreo y apoyo a la toma de decisiones.

9.3. Mejorando la resiliencia de la cadena de suministro e integración de modelos de lenguaje

En esta era tecnológica, todas las industrias se están moviendo hacia tecnologías avanzadas para construir modelos centrados en el ser humano que los usuarios puedan utilizar convenientemente. El campo de la gestión de la cadena de suministro y la logística ha experimentado un cambio de paradigma hacia la toma de decisiones basada en datos, desempeñando un papel crucial al proporcionar información valiosa sobre el rendimiento de la cadena de suministro de las empresas. Tecnologías avanzadas (Yan et al., 2023) como grafos de conocimiento (Mitra, Wongpiromsarn y Murray, 2013), transformadores (Vaswani et al., 2017; Reimers y Gurevych, 2020), modelos de lenguaje de gran tamaño (LLM) (Li, Mellou et al., 2023; Li, Yu et al., 2023), y herramientas versátiles donde un transformador codifica y decodifica texto en lenguaje natural.

Un desafío importante radica en desarrollar una métrica de resiliencia robusta que sea tanto integral como precisa. La resiliencia a menudo está interconectada con diversos factores, por lo que capturar correctamente las interdependencias en una métrica puede ser complejo. Un aspecto crucial de nuestro trabajo consiste en construir una métrica dinámica de resiliencia que contemple prácticamente todos los escenarios importantes en su cálculo. Por ello, estamos desarrollando una métrica de resiliencia e integrándola con un LLM para facilitar su uso. Al cuantificar estos factores, la empresa puede utilizarlos como ventaja estratégica. Por ejemplo, como indicador de elegibilidad para que los bancos evalúen la calificación de préstamos de las organizaciones. La integración de LLM empodera a diversas industrias, permitiendo automatización, conocimiento e innovación en múltiples sectores, impulsando el progreso y la eficiencia.

Introdujimos un marco conceptual (Figura 1) que utiliza los conceptos de Tiempo para Sobrevivir (TTS) y Tiempo para Recuperarse (TTR) para estimar la resiliencia de una cadena de suministro. Se identificaron diversos factores que influyen en TTS y TTR, y se propone un enfoque matemático para medir ambos. Identificamos diferentes escenarios que pueden ocurrir durante una interrupción y elaboramos un pseudocódigo para determinar un componente del TTR. Además, se presenta un enfoque para integrar el LLM en el marco de cálculos de resiliencia. Entrenamos este LLM según nuestros casos de uso y lo vinculamos con la ecuación de resiliencia, lo que nos permite medir diversas métricas relacionadas con la resiliencia. Se desarrolló un modelo conversacional generativo de preguntas y respuestas para facilitar interacciones informativas y atractivas, proporcionando respuestas a nuestras consultas. Entrenamos nuestro modelo de lenguaje para calcular la resiliencia mediante texto natural, facilitando conversaciones generativas para resolver problemas y dar explicaciones.

Este marco (Figura 8) se segmenta en tres etapas distintas:

Etapa 1: Implica el establecimiento y cálculo de la ecuación de resiliencia.

Etapa 2: Configuración de un LLM para nuestro caso de uso específico.

Etapa 3: Incorporación del LLM en la ecuación de resiliencia y generación del modelo conversacional de preguntas y respuestas.

 

Figura 8. El marco conceptual con sus etapas.

 

9.3.1. Etapa 1: métrica de resiliencia

Trabajos anteriores de Simchi-Levi et al. (2015) sobre TTR y TTS proporcionaron una base sólida para profundizar en los conceptos críticos de resiliencia de la cadena de suministro y gestión de riesgos. TTR se refiere al tiempo que tarda una cadena de suministro en recuperarse y volver a su estado normal después de una interrupción. Por otro lado, TTS es la duración máxima en la que la cadena de suministro puede igualar la oferta con la demanda después de una interrupción en un nodo.

9.3.2. Etapa 2: modelo de lenguaje de gran tamaño (LLM)

Para mejorar la resiliencia de la cadena de suministro, utilizamos un método innovador basado en DistilBERT (Sanh et al., 2019), un modelo de lenguaje ampliamente reconocido. DistilBERT-base-cased-distilled-squad ofrece ventajas frente a otros LLM. Equilibra bien el tamaño del modelo y el rendimiento, proporcionando una alternativa más pequeña y rápida. También es competente en tareas de preguntas y respuestas gracias a su entrenamiento especializado con el conjunto de datos SQuAD. Además, su accesibilidad a través de la biblioteca Hugging Face Transformers, incluidos modelos preentrenados y API fáciles de usar, facilita la integración y el despliegue.

Adoptamos un enfoque estratégico para empoderar a DistilBERT con conocimiento específico del dominio mediante la curaduría y ajuste fino de conjuntos de datos personalizados diseñados para medir con precisión la resiliencia en la gestión de la cadena de suministro. Estos conjuntos de datos abarcan una variedad diversa de escenarios. Entrenamos el modelo utilizando un conjunto único de instrucciones para preguntas tipo problema basadas en resiliencia, dotándolo así de una comprensión innata del concepto de resiliencia en la cadena de suministro (Figura 9).

 

Figura 9. Integración de LLM (DistilBERT-base-cased-distilled-squad).

 

Entrenamiento en contexto:
La investigación ha demostrado que los modelos de lenguaje de gran tamaño (LLM) utilizan el aprendizaje en contexto para tareas como resolver problemas matemáticos y responder preguntas. Esto ofrece una manera clara de interactuar con los LLM usando ejemplos, facilitando la incorporación del conocimiento humano. El aprendizaje en contexto (ICL) se asemeja a la toma de decisiones humana y no requiere entrenamiento, a diferencia del aprendizaje supervisado. Durante el ICL, los LLM aprenden tareas como responder preguntas mediante descripciones de tareas y ejemplos. Luego, este conocimiento se aplica a nuevos ejemplos y se somete a evaluación.

Ajuste fino (Fine Tuning):
Se inició el proceso de ajuste fino inicializando el LLM con pesos preentrenados y posteriormente se lo mejoró con capas especializadas diseñadas para la tarea de preguntas y respuestas, incluyendo clasificadores de tokens de inicio y fin. El modelo ha sido entrenado con un conjunto de datos y se encuentra en un proceso iterativo de refinamiento mediante aprendizaje supervisado. Durante el ajuste fino, se monitoreó constantemente un conjunto de datos de validación para detener el entrenamiento en el punto óptimo de convergencia, observando la meseta de rendimiento.

9.3.3. Etapa 3: integración de LLM con códigos funcionales

Combinar LLM con código puede potenciar enormemente sus capacidades. Esta integración mejora la comprensión del lenguaje natural, la generación de contenido, la automatización de tareas, la resolución de problemas y la creación rápida de prototipos. Los LLM son adaptables y escalables, proporcionando herramientas versátiles para mejorar la experiencia del usuario y la funcionalidad de aplicaciones como chatbots, asistentes virtuales y aplicaciones interactivas.

Los LLM enfrentan dificultades con operaciones recursivas como los cálculos de TTR, y también para superar limitaciones de precisión en la ejecución de código. Por ello, los utilizamos para extraer valores de texto en lenguaje natural. Estos valores se incorporaron luego en otro conjunto de códigos para calcular TTS, TTR y métricas de resiliencia.

9.4. Aspectos humanos de las operaciones logísticas y de cadena de suministro

La logística desempeña un papel fundamental en la economía de un país al facilitar el movimiento eficiente de bienes, servicios e información a lo largo de la cadena de suministro. El tamaño del mercado logístico global fue de aproximadamente 10,71 billones de dólares en 2023 y se espera que alcance los 14,08 billones en 2028 (Makedon, Mykhailenko y Vazov, 2021). La industria logística genera oportunidades de empleo en diversos sectores, incluidos el transporte, almacenamiento, distribución y transporte de carga. Al emplear una fuerza laboral diversa, la logística contribuye a reducir las tasas de desempleo y a mejorar los niveles de vida en las comunidades.

Desde la escasez de mano de obra y las brechas de habilidades hasta la seguridad y el bienestar de los empleados, estos aspectos humanos impactan profundamente en la eficiencia y eficacia de la gestión de la cadena de suministro. Con la creciente complejidad de las operaciones y la adopción de tecnologías avanzadas como la automatización, los cobots (Faccio et al., 2023) y la inteligencia artificial generativa (GenAI), hay una demanda creciente de trabajadores capacitados que puedan adaptarse a nuevas herramientas y procesos. La adopción de plataformas proporciona ventajas sustanciales para organizaciones, empresas y clientes, permitiendo el intercambio fluido de información, fomentando la colaboración y desbloqueando beneficios tanto individuales como colectivos (Sun et al., 2022).

Además, consideraciones centradas en lo humano como la ergonomía, la cultura organizacional y los programas de capacitación son esenciales para garantizar la satisfacción del empleado, reducir la rotación y aumentar la productividad general. Asimismo, la comunicación y colaboración efectivas entre los miembros del equipo, tanto dentro de las organizaciones como entre los socios de la cadena de suministro, son fundamentales para superar los desafíos logísticos y mejorar la resiliencia operativa. Al tener en cuenta estos factores humanos, las empresas pueden crear cadenas de suministro más ágiles y adaptables capaces de enfrentar dinámicas de mercado cambiantes y satisfacer las expectativas de los clientes.

9.4.1. Implicaciones del factor humano en la manufactura avanzada y la logística

Los factores humanos desempeñan un papel crítico en las cadenas de suministro de manufactura avanzada, influyendo en la eficiencia, calidad e innovación. Las implicaciones de los factores humanos, combinadas con GenAI, LLM, transformadores, grafos de conocimiento (Mitra, Wongpiromsarn y Murray, 2013) y tecnologías geoespaciales en logística y gestión de la cadena de suministro para manufactura avanzada, son profundas.

Los factores humanos, como las habilidades y comportamientos del personal, impactan directamente en la adopción y efectividad de tecnologías impulsadas por IA. LLM ofrece capacidades transformadoras, habilitando análisis predictivos, toma de decisiones en tiempo real y sistemas autónomos. Sin embargo, su integración exitosa requiere abordar desafíos centrados en las personas, como la capacitación, la gestión del cambio y la generación de confianza en los sistemas de IA. Al aprovechar LLM, los gestores de cadena de suministro pueden optimizar procesos de producción, predecir fluctuaciones de demanda y mejorar la visibilidad de la cadena. Esta convergencia entre factores humanos y tecnologías avanzadas promete impulsar eficiencia, innovación y competitividad en entornos de manufactura avanzada.

Se necesitan trabajadores capacitados para operar maquinaria compleja, gestionar procesos automatizados e interpretar análisis de datos en tiempo real. La diversidad y formación de la fuerza laboral se vuelven esenciales a medida que evolucionan las tecnologías, requiriendo equipos adaptables que puedan aprender y utilizar nuevas herramientas con eficacia. La ergonomía y seguridad en el lugar de trabajo son fundamentales, especialmente en entornos con sistemas robóticos y maquinaria pesada. Además, abordar las implicaciones del factor humano implica promover una cultura de innovación y fomentar el compromiso de los empleados para adoptar los avances tecnológicos y optimizar el rendimiento de la cadena de suministro. Al reconocer y abordar estas implicaciones, las organizaciones pueden mejorar su ventaja competitiva y lograr un crecimiento sostenible en las cadenas de manufactura avanzada.

9.5. Conclusión y pasos futuros

Las interacciones globales entre empresas han hecho que el entorno empresarial esté más interconectado e interdependiente que nunca. Si bien estas conexiones son beneficiosas, también aumentan las vulnerabilidades de las empresas frente a desastres. Esto introduce un marco para la resiliencia, utilizando TTS y TTR para evaluar y comprender la resiliencia de manera más integral. La resiliencia puede demostrar la solidez de una empresa, la gestión de riesgos y su capacidad de adaptación.

Nuestro LLM conversacional mejora la obtención de resultados y puede integrarse en diversas aplicaciones, incluidos chatbots. Al incorporar consideraciones de costos, se puede obtener una visión holística de la capacidad de una empresa para gestionar interrupciones de forma rentable. A medida que los LLM evolucionan, podremos mejorar aún más el marco, incorporando factores como fluctuaciones de la demanda, disponibilidad de proveedores, tiempo de entrega y capacidad financiera, para profundizar matemáticamente en la resiliencia.

10. Gran desafío de la integración de sistemas y operaciones: humanos, automatización e IA

10.1. Antecedentes

La innovación tecnológica en informática, sensores, comunicaciones y robótica está generando oportunidades para otorgar tanto capacidades de toma de decisiones como autonomía física a sistemas que son, o podrían ser, ubicuos y que interactúan directamente con humanos a gran escala (Annaswamy et al., 2023).

Los ejemplos van desde sistemas desplegados localmente hasta sistemas que abarcan todo el mundo:

Robots colaborativos (Cobots) en manufactura (Liu et al., 2024)

Robótica asistencial en el cuidado de la salud (Christoforou et al., 2020)

Vehículos autónomos (Baldwin, 2020)

Comercio personalizado (Brown y MacKay, 2022)

Autonomía en campos de batalla (Knight, 2023)

Redes eléctricas inteligentes (Omitaomu y Niu, 2021)

Control del tráfico aéreo (Gopalakrishnan y Balakrishnan, 2021)

Las amplias capacidades computacionales y los dispositivos de sensado también respaldan tecnologías emergentes como los gemelos digitales (Jones et al., 2020; Srai et al., 2019), que combinan el mundo físico y digital para mejorar la supervisión, el análisis predictivo y la toma de decisiones optimizadas basadas en datos. La promesa de tecnologías autónomas avanzadas se amplifica aún más con los avances recientes en IA y aprendizaje automático, que demuestran un rendimiento “sobrehumano” en entornos que van desde carreras de drones (Ackerman, 2023; Song et al., 2023) hasta juegos de estrategia altamente complejos como el póker (Brown y Sandholm, 2019), StarCraft II (Simonite, 2019) y Diplomacy (Meta Fundamental AI Research Diplomacy Team (FAIR), 2022).

Para este tipo de sistemas, es fácil especular sobre los beneficios de una toma de decisiones más rápida y eficaz y de la autonomía física. Es mucho más difícil evaluar los riesgos potenciales, especialmente aquellos que podrían llevar a fallas catastróficas, o identificar e implementar medidas de mitigación. El progreso tecnológico trae consigo una gran promesa, pero como hemos aprendido de experiencias pasadas, esa promesa debe ser evaluada frente a los riesgos potenciales y la capacidad de mitigar consecuencias negativas imprevistas. La industria farmacéutica es un buen ejemplo. El desarrollo de un solo medicamento nuevo puede costar más de mil millones de dólares y requerir una década o más, y sin embargo, el 90 % de los nuevos medicamentos falla en los ensayos clínicos, a pesar de haber superado pruebas preclínicas. Las fallas pueden deberse a la falta de eficacia o a efectos secundarios inaceptables (Sun et al., 2022). Lo que parecía una idea prometedora hace 15 años resulta ser un error muy costoso. La tasa de fallos es tan alta porque experiencias como la de la talidomida (Kim y Scialli, 2011) nos mostraron las consecuencias sociales de no ser cuidadosos con la tecnología farmacéutica.

Los robots en las fábricas pueden permitir remover personas de trabajos peligrosos, operaciones “lights out” y más. Cuando se usan para tareas muy simples, aunque físicamente exigentes, en entornos altamente estructurados, la adopción de robots ha sido enormemente exitosa. A medida que se prueban aplicaciones más sofisticadas, especialmente aquellas que requieren colaboración humano-robot, los resultados no siempre han sido tan buenos (Gihleb et al., 2023). Cabe señalar que varios de los ejemplos fueron el resultado de personas que no entendían completamente su rol en la colaboración. Los sistemas automatizados de asistencia al conductor (ADAS) son una forma de robótica que puede conducir nuestros vehículos por nosotros y ofrece grandes promesas en áreas como la logística y la gestión del tráfico urbano. Por otro lado, a pesar de haberse invertido más de 40 mil millones de dólares en desarrollo, los vehículos autónomos confiables y, más importante aún, seguros, aún están “en el horizonte” (Baldwin, 2020). Según informes (Lauge, 2023), tanto Estados Unidos como China están desarrollando robots de combate, mientras que al mismo tiempo existen esfuerzos internacionales para prohibir ciertas capacidades, como la selección y el disparo autónomo.

Otro ejemplo es la infraestructura inteligente. A medida que estos sistemas se vuelven más sofisticados, también se vuelven más interconectados. Esta interconexión ofrece oportunidades para un mayor rendimiento, pero al mismo tiempo introduce fragilidad debido a la posibilidad de fallas en cascada por nuevas interdependencias (Kilmek et al., 2018). Un ejemplo hipotético sería un daño físico al ferrocarril suburbano, por ejemplo, debido a una tormenta, que conduce al uso de una flota de vehículos eléctricos que estaba suministrando energía durante una hora de alta demanda, afectando así el suministro eléctrico.

10.2. Integración de sistemas y operaciones

Las innovaciones tecnológicas nos permiten hacer cosas que antes no eran posibles. Esa es la promesa. Donde enfrentamos desafíos es en entender y mitigar los riesgos de las innovaciones tecnológicas. Consideremos los vehículos autónomos. A menos que su despliegue venga acompañado de una transformación masiva de la infraestructura vial existente, operarán en un entorno que no está estrictamente controlado. En otras palabras, los desarrolladores de estos sistemas no tendrán una definición precisa del dominio de aplicación, y por lo tanto, no pueden predecir con certeza cómo se desempeñarán una vez estén “en el mundo real”. Esta consideración se magnifica muchas veces en sistemas como la red eléctrica (EPG), que en realidad es la agregación e integración de muchos sistemas únicos y algo independientes. La experiencia histórica demuestra que contingencias locales pueden llevar a fallos a gran escala del sistema. Debido al tamaño y la complejidad de la EPG, simplemente es imposible probar todos los escenarios de contingencia posibles. Entonces, ¿cómo “calificamos” una nueva tecnología que promete un mejor control de una EPG a nivel nacional?

Desde una perspectiva social, el gran desafío de los sistemas físicamente autónomos habilitados por IA es garantizar la seguridad respecto a los humanos y la eficacia respecto al dominio de aplicación. Los requisitos para alcanzar este gran desafío son formidables. A continuación, describimos brevemente algunos de los temas más críticos que actualmente son áreas de investigación activa.

10.2.1. Arquitecturas abiertas de decisión

A medida que los sistemas autónomos se vuelven más sofisticados, pueden aprender de experiencias pasadas para mejorar su rendimiento o adaptarse a condiciones ambientales cambiantes para una mayor resiliencia (cf. aprendizaje profundo [LeCun, Bengio y Hinton, 2015]). Tales arquitecturas abiertas de decisión presentan desafíos sin precedentes en la certificación de operaciones seguras. Este tema puede ser la preocupación más formidable en el despliegue de sistemas autónomos cada vez más avanzados. Los enfoques existentes para la certificación de sistemas (Mitra, Wongpiromsarn y Murray, 2013) incorporan herramientas como los métodos formales (Pola y Di Benedetto, 2019) para asegurar que un proceso cumpla con todos los requisitos y especificaciones bajo un rango presumido de entornos operativos. Un enfoque complementario es incorporar la validación en el proceso de diseño, en lugar de hacerlo a posteriori, para derivar sistemas que sean “correctos por construcción” (Tabuada, 2021). El principal desafío es de viabilidad computacional. Estos métodos dependen de modelos derivados de una combinación de principios físicos y datos cada vez más disponibles (Rai y Sahu, 2020). A medida que los sistemas se vuelven más complejos, el problema de la certificación puede ser computacionalmente intratable, lo que conduce a suposiciones simplificadoras y aproximaciones que diluyen la certificación o son excesivamente conservadoras. Dejando de lado estos problemas, una implicación de las arquitecturas abiertas de decisión es que se vuelve difícil prever a priori el resultado de la adaptación, ya que esta depende del orden en que se encuentran los entornos operativos, es decir, de las dependencias del camino. En consecuencia, aunque el sistema original cumpla un conjunto de especificaciones prescritas, su versión evolucionada puede no hacerlo.

10.3. Entornos estratégicos

Otra complicación es que no se tiene una caracterización a priori del rango de entornos operativos. Un factor que contribuye significativamente es que los sistemas adaptativos serán desplegados en presencia de otros sistemas adaptativos, y estos “sistemas” pueden ser otras máquinas/algoritmos o pueden ser humanos. En consecuencia, los sistemas estarán evolucionando/aprendiendo en un entorno no estacionario. Incluso en escenarios altamente estilizados, el aprendizaje en presencia de otros aprendices puede llevar a comportamientos caóticos (Piliouras y Shamma, 2014). En el caso de máquinas/algoritmos que interactúan con otros sistemas similares en un dominio particular, cada sistema puede ser desarrollado y desplegado por diferentes entidades, quizás incluso competidoras. Es decir, lo más probable es que no haya una entidad central encargada de la planificación del sistema en ese dominio en particular. En consecuencia, pueden surgir comportamientos emergentes no intencionados a largo plazo. Una ilustración representativa es el trabajo que demuestra cómo algoritmos que maximizan beneficios con adaptación independiente pueden aprender a coludirse (Calvano et al., 2021). El problema se magnifica por las posibles interacciones entre sistemas autónomos a través de distintos dominios.

Existen preocupaciones similares en el caso de sistemas adaptativos que interactúan con humanos, ya que los humanos también exhiben comportamiento adaptativo. Un ejemplo representativo es el caso de la colusión entre conductores en plataformas de viajes compartidos (Tripathy, Bai y Hesse, 2022). Estas plataformas implementan estrategias de precios en respuesta a la demanda de los clientes y la disponibilidad de conductores. Se ha reportado (Hamilton, 2019) que los conductores se coluden para crear una escasez artificial que active precios dinámicos en beneficio colectivo de los conductores. Como en el caso anterior de colusión entre máquinas, los agentes inteligentes se adaptan para explotar a otros agentes inteligentes, excepto que ahora de un lado están las “máquinas” y del otro los “humanos”. Este fenómeno es una forma de distribuciones dependientes de decisiones (Dong, Zhang y Ratliff, 2023), donde las características de los datos recolectados antes del despliegue de un sistema de decisión cambian en reacción a las decisiones específicas del sistema desplegado. La investigación incluye el diseño de sistemas que sean robustos frente a cambios en la distribución (Delage y Ye, 2010; Kuhn et al., 2019) o que anticipen reacciones estratégicas (Zrnic et al., 2021).

10.4. Aprendizaje en línea vs fuera de línea

Muchos de los éxitos de los sistemas de aprendizaje emplean simulaciones extensas de entornos realistas para los cuales existen modelos computacionales de fidelidad suficiente. Este enfoque, llamado transferencia de simulación a realidad (sim-to-real) (Zhao, Queralta y Westerlund, 2020), está motivado por dos consideraciones principales. Primero, evita la necesidad de recopilar conjuntos de datos del mundo real. Segundo, permite el aprendizaje experiencial que equilibra explotación frente a exploración sin consecuencias reales. Un área activa de investigación es cómo diseñar el entorno de simulación de manera que se maximice la probabilidad de que el sistema autónomo tenga éxito, o al menos requiera ajustes menores, al ser desplegado. Conceptos importantes son la aleatorización de dominios (Tobin et al., 2017), para que el sistema de aprendizaje sea insensible a variaciones del entorno, y el meta-aprendizaje, que entrena un sistema para adaptarse/aprender mejor en entornos no vistos (Finn et al., 2019), y la fidelidad variable de dominio, que cuestiona la noción de que mayor fidelidad es necesariamente mejor para el entrenamiento (Truong et al., 2023). Se observa que la teoría del aprendizaje por refuerzo permite un punto intermedio, conocido como aprendizaje fuera de política (off-policy learning), donde se utiliza información del mundo real para entrenar un sistema autónomo fuera de línea (Di-Castro, Di-Castro y Mannor, 2021).

Un desafío evidente en este marco es la disponibilidad de un entorno de simulación que permita la transferencia de la simulación al mundo real. En ausencia de tal entorno, se debe recopilar simultáneamente datos y experiencia en el mundo real. Este requisito representa una gran limitación para aplicar métodos de aprendizaje a sistemas críticos para la seguridad, donde puede haber consecuencias costosas o incluso trágicas ante un experimento fallido, por ejemplo, en infraestructura a gran escala o en operaciones a pequeña escala cerca de humanos. Para abordar esta preocupación, existe un gran interés en el concepto de “aprendizaje seguro” (Hewing et al., 2020; Brunke et al., 2022). En este entorno, hay limitadores impuestos internamente en el algoritmo de aprendizaje que inhiben la exploración hasta que se haya recopilado suficiente información que permita una mejora del rendimiento mediante un paso de aprendizaje cauteloso. Los datos pueden ser sobre el sistema autónomo (por ejemplo, dinámica del robot o del vehículo) o sobre el entorno (por ejemplo, comportamientos de otros actores). Como se mencionó anteriormente, aprender en presencia de otros aprendices, sean máquinas o personas, presenta un desafío significativo para el aprendizaje seguro.

10.5. Aceptación y adopción de la tecnología

Los sistemas autónomos avanzados no pueden ser desplegados sin una aceptación social de su presencia y adopción de la tecnología. Temas emergentes relacionados con este tema son la autonomía confiable (Hoff y Bashir, 2015) y la IA explicable/interpretable (Dosilovic, Brcic y Hlupic, 2018). Como se discute en (Hoff y Bashir, 2015), los accidentes pueden ocurrir tanto por desconfiar como por confiar demasiado en la autonomía. Ejemplos opuestos son anular el piloto automático a favor del control manual o continuar usando el piloto automático después de recibir advertencias de fallos de sensores (véase también (Dingus et al., 1998) para perspectivas históricas). Además, una vez que se pierde la confianza, quizás por una falla del sistema, un sistema autónomo debe de alguna manera recuperar la confianza del usuario humano (de Visser, Pak y Shaw, 2018). Aquí es donde la noción de IA explicable o interpretable puede tener un papel importante. A medida que las decisiones son delegadas de los humanos a los algoritmos, surge el deseo de comprender el razonamiento detrás de las decisiones algorítmicas.

Un factor que complica toda la discusión anterior es que estos temas dependen de la percepción del usuario humano. Por ejemplo, para ser confiable, la planificación del movimiento de vehículos móviles autónomos en proximidad cercana a humanos no solo debe asegurar evitar colisiones, sino también mantener una distancia en la que el humano se sienta seguro, incluso si trayectorias más cercanas todavía evitan colisiones (Yoon et al., 2019). Tales cuestiones se ven agravadas por las variabilidades en los comportamientos y actitudes humanas que ocurren de persona a persona, o a lo largo del tiempo en una misma persona, y dependen del contexto subyacente del entorno (Hoffman y Stawski, 2009). Otro factor que complica, y que ya es un tema recurrente, es que la confianza en sistemas autónomos adaptativos es mucho más desafiante debido a los cambios longitudinales temporales en los comportamientos derivados del aprendizaje y la adaptación.

10.6. Cierre (por ChatGPT²)

En conclusión, la rápida evolución de la computación, los sensores, las comunicaciones y la robótica ha dado lugar a una nueva era de tecnologías autónomas avanzadas con el potencial de revolucionar diversos aspectos de nuestra vida diaria, desde la manufactura hasta la salud, el transporte y la infraestructura. Los ejemplos proporcionados, que van desde robots colaborativos en manufactura hasta vehículos autónomos e infraestructura inteligente, ilustran la amplitud de posibilidades que estas tecnologías ofrecen. Sin embargo, a medida que nos adentramos en esta era de innovación sin precedentes, resulta cada vez más evidente que, junto con la promesa de mayor eficiencia y autonomía, viene la responsabilidad crítica de gestionar y mitigar los posibles riesgos. Las costosas lecciones de la industria farmacéutica sirven como un recordatorio contundente de que los avances tecnológicos deben ser rigurosamente evaluados para evitar resultados imprevistos e indeseables.

El gran desafío que enfrentamos no es solo garantizar la seguridad y eficacia de los sistemas físicos autónomos habilitados por inteligencia artificial, sino también navegar las complejidades de arquitecturas de decisión abiertas, entornos estratégicos, aprendizaje en línea vs. fuera de línea y aceptación social. Abordar estos desafíos requiere investigación y desarrollo continuos, un compromiso con metodologías de aprendizaje seguro y una comprensión profunda de la interacción entre la tecnología y la percepción humana. A medida que perseguimos las promesas de la innovación tecnológica, es imperativo avanzar con cautela, asegurando que los beneficios obtenidos no se vean eclipsados por los riesgos en este viaje transformador hacia el futuro.

11. Gran Desafío de la educación en ingeniería industrial y de sistemas

Esta sección aborda el gran desafío en la educación en Ingeniería Industrial y de Sistemas, incluyendo antecedentes, motivación y recomendaciones. Hemos identificado los siguientes cinco desafíos principales relevantes para la educación en Ingeniería Industrial y de Sistemas:

¿Qué nuevos y diferentes contenidos deben enseñarse? ¿Cuál es la mejor manera de maximizar el aprendizaje de estos nuevos contenidos por parte de los estudiantes?

¿Qué investigaciones son necesarias para armonizar y explotar sinergias entre Ingeniería Industrial (IE), Ingeniería de Sistemas (SE) e Inteligencia Artificial (IA)?

¿Qué nuevos métodos deben incluirse en la práctica basándose en lecciones aprendidas, especialmente de los dominios del transporte y la aeronáutica?

¿Qué conocimientos específicos de dominio deben ser impartidos a los estudiantes en diferentes áreas (por ejemplo, salud, manufactura, finanzas)?

¿Cómo pueden aprovecharse los Modelos de Lenguaje de Gran Escala (LLM) en la educación e investigación en IE/SE, reconociendo sus límites de competencia?

Claramente, estos desafíos no son independientes y deberán abordarse en consecuencia. En las siguientes secciones, realizamos una explicación más amplia y establecemos las bases del cómo y por qué de estos desafíos. Discutimos por qué es importante abordar estos desafíos para asegurar la sostenibilidad a largo plazo de la educación en Ingeniería Industrial.

11.1. Antecedentes: crecimiento de la complejidad

Los sistemas sociotécnicos complejos se caracterizan por interacciones dinámicas que son multidireccionales, a menudo dentro de sistemas en red, y que frecuentemente conducen a propiedades emergentes. En consecuencia, la educación y la investigación no pueden ser independientes de los factores sociales, los avances tecnológicos y los problemas relacionados con la infraestructura. La complejidad en tales sistemas resulta principalmente del aumento en el número de entidades independientes que interactúan dentro del sistema. La comunidad global en sí misma es un sistema sociotécnico complejo, una amalgama de sistemas compuestos por entidades naturales y artificiales. La interconectividad en estos sistemas se caracteriza por la capacidad de estas entidades para comunicarse entre sí. Según Statista (URL 1), actualmente hay 6,92 mil millones de usuarios de teléfonos inteligentes, lo que equivale al 85,88 % de la población mundial. En el caso límite, una red completamente interconectada de humanos se estima que tendría 6,92 mil millones de nodos. Una red no dirigida de esta magnitud tendría aproximadamente 23,95 quintillones de conexiones. Aunque no todos estarán conectados con todos, este número representa un límite superior que indica el crecimiento potencial en la complejidad del mundo que habitamos.

Hoy, con múltiples medios y modos de difusión de información, tales redes ultragrandes, en ausencia de políticas y controles de difusión, manifestarán no solo la difusión instantánea de información relevante, sino también de información no verificada. La oportunidad para la ingeniería industrial y de sistemas como profesión es cómo abordar mejor este desafío desde las perspectivas educativa, investigativa y formativa.

11.2. Oportunidades para la disciplina de Ingeniería Industrial derivadas de las tecnologías disruptivas de IA

Hoy en día, también debemos enfrentarnos a tecnologías disruptivas como los Modelos de Lenguaje de Gran Escala (LLMs, por sus siglas en inglés) y los chatbots basados en LLMs como ChatGPT. Como educadores, hemos llegado a darnos cuenta de que tanto nuestro contenido instructivo como los modos de enseñanza deben ser revisados críticamente, ya que los estudiantes ahora tienen toda la información necesaria al alcance de la mano gracias a tecnologías como ChatGPT. Tener un LLM disponible en clase es comparable a que cada estudiante cuente con un asistente o tutor personal. Si bien los LLM actuales presentan alucinaciones (es decir, generan textos incorrectos o sin sentido y, por lo tanto, contextos irrelevantes), es solo cuestión de tiempo antes de que sus respuestas mejoren notablemente. Por tanto, la gran pregunta para la academia es cómo enseñar disciplinas fundamentales con la disponibilidad ubicua de estas tecnologías y el creciente número de excelentes cursos en línea. ¿Siguen siendo relevantes los métodos tradicionales de enseñanza y el contenido instruccional existente en ingeniería industrial? Si no lo son, ¿qué debe cambiar y cómo?

El cambio dinámico más importante es la explosión de datos y el creciente interés en un repositorio de datos integrado y unificado (una "ventanilla única"). Aunque es factible, este último aún presenta un desafío formidable en lo que respecta al mantenimiento, la actualización y la sostenibilidad. En nuestras vidas, hemos sido testigos de cómo las simples bases de datos IBM SQL de la década de 1970, centradas principalmente en aplicaciones financieras (nómina), evolucionaron a almacenes de datos (1980), lagos de datos (2011) y lakehouses (2020). Esta progresión ha hecho que el análisis de datos en tiempo real a través de modelos de IA y enfoques de ciencia de datos (que será el futuro de la formación de los ingenieros industriales) sea una tarea nada trivial. En este contexto, el modelado y la optimización de sistemas deben considerar el dinamismo y la heterogeneidad de los datos para desarrollar metodologías significativas y aplicaciones sostenibles. Debemos preguntarnos: "¿Está nuestra profesión preparada para enfrentar este problema?" Si no es así, ¿qué pasos debemos tomar para asegurarnos de que podamos hacerlo?

A continuación, no intentamos responder tales preguntas. Más bien, nos centramos en identificar los cambios fundamentales necesarios en la educación, la investigación y la formación en ingeniería industrial, dados los avances disruptivos en IA e Ingeniería de Sistemas (SE). En concreto, postulamos que el futuro de la ingeniería industrial radica en aprovechar la sinergia potencial entre la Ingeniería de Sistemas (SE) y la Ingeniería Industrial (IE), y en utilizar plenamente los desarrollos recientes en IA para aumentar la productividad en ingeniería. Observamos que, aunque IE ha cambiado su nombre a ISE, hasta ahora esto ha sido un cambio solo nominal, con pocos avances en la comprensión de los puntos de sinergia entre estas dos disciplinas potencialmente complementarias.

La última década ha sido testigo de una transformación continua de la ingeniería de sistemas para abordar la creciente complejidad de los sistemas sociotécnicos. También ha visto avances dramáticos en IA con la llegada del aprendizaje profundo y los Modelos de Lenguaje de Gran Escala. El nuevo lema, AI4YOU, que implica IA personalizada, no es solo una palabra de moda, sino una realidad que evoluciona lenta pero firmemente. No solo estaremos tratando con sistemas que interactúan con individuos, sino que los propios individuos serán modelados como sistemas de gemelos digitales. Incluimos tanto entidades individuales como colectivas, como personas, empresas y gobiernos (desde locales hasta federales), en esta definición. La pregunta entonces es cómo introducir dicha sofisticación y complejidad de pensamiento en la educación en ingeniería industrial. El imperativo para IE hoy es comenzar a explorar cómo los avances en SE e IA pueden aprovecharse para ampliar el campo de aplicación de la ingeniería industrial, fortalecer sus competencias clave y asegurar su relevancia continua en el siglo XXI. Con estas preocupaciones en mente, revisamos la evolución de estos campos y sugerimos direcciones prometedoras para que la IE avance en el ámbito educativo y asegure su relevancia futura.

11.3. Evolución de IE, SE e IA

Las disciplinas continúan evolucionando con nuevos hallazgos de investigación y la aparición de nuevas tecnologías.

IE, SE e IA también han evolucionado, especialmente en la última década.

11.3.1. Evolución de la IE

Históricamente, la IE se ha ocupado del diseño, la mejora y la optimización de sistemas complejos, procesos y organizaciones. El primer departamento de IE, en Penn State, fue fundado en 1908 y se centró principalmente en los trabajos fundamentales de Hugo Diemer (Diemer, 2012) y Frederick Winslow Taylor (Taylor, 1919). En la década de 1970, se convirtió en Ingeniería de Sistemas Industriales y de Gestión, y luego volvió a cambiar. A pesar de varios cambios de nombre, el énfasis en los sistemas se mantuvo constante, incluso cuando el concepto mismo de sistema se expandió a "una red interconectada de personas, dispositivos y herramientas". Esta definición captura lo que se enseña en IE hoy en día. Manufactura, optimización, factores humanos y análisis de datos (o ciencia de datos) son los pilares básicos que hemos creado. Aunque los estudiantes de ISE están bien capacitados en estas disciplinas y 321.400 ingenieros industriales están empleados activamente en EE. UU. (Bureau of Labour Statistics, 2022), no está claro en qué medida estos estudiantes comprenden y pueden aplicar los principios de ISE al abordar problemas desde un enfoque de IE. Comprender la complejidad, las interacciones, las dependencias y los ciclos de vida desde una perspectiva de sistemas se ha vuelto vital para los ingenieros industriales de hoy.

11.3.2. Evolución de la SE

La SE es un campo interdisciplinario de la ingeniería centrado en el diseño, desarrollo y gestión de sistemas complejos, con énfasis en atributos de calidad como la usabilidad, la seguridad, la disponibilidad y la resiliencia. La SE surgió como una disciplina reconocida en la década de 1940, siendo Bell Labs el primero en emplear el término. A pesar de su falta inicial de fundamentos formales, la SE desempeñó un papel vital en el alunizaje de 1969 y el regreso seguro de los astronautas a la Tierra. Una revisión superficial de las primeras aplicaciones de SE sugiere algunos temas recurrentes: los ingenieros de sistemas tienden a ser expertos en el dominio; su análisis se basaba en ingeniería específica del dominio; su trabajo abarca múltiples disciplinas técnicas y no técnicas. En las últimas dos décadas, la SE se ha centrado en aumentar su estructura y rigor aprovechando conceptos de informática, biología e ingeniería de software. Hoy en día, el énfasis está en la ingeniería de sistemas transdisciplinaria (Madni, 2018), la Ingeniería de Sistemas Basada en Modelos (MBSE) (Madni y Sievers, 2018), los análisis de compromisos (Bahill y Madni, 2016), la elegancia del diseño (Madni, 2018) y atributos de calidad como la ciber-resiliencia y la agilidad.

11.3.3. Evolución de la IA

En los últimos cinco años ha habido un aumento en el interés por la IA para la ingeniería de sistemas y la ingeniería de sistemas para la IA, liderado por organizaciones como el Centro de Investigación de Ingeniería de Sistemas del Departamento de Defensa (sercuarc.org). Con los avances recientes en los Modelos de Lenguaje de Gran Escala (LLMs) y el surgimiento de ChatGPT y sus variantes, los ingenieros de sistemas e ingenieros industriales han comenzado a explorar formas de aprovechar las capacidades de los LLMs como un medio para automatizar tareas rutinarias y servir como aumento de inteligencia en tareas cognitivas y de toma de decisiones. Es importante entender que un LLM es un modelo de asociación de datos que puede exhibir competencia dentro de dominios limitados, pero que no es apropiado para problemas que requieren sentido común y razonamiento causal. Teniendo en cuenta estos hallazgos, Madni (2020) ha sugerido el papel de la Inteligencia Aumentada para todos los sistemas basados en IA. La idea clave es explotar la IA como un potenciador del rendimiento o amplificador de capacidades en tareas cognitivas como la resolución de problemas y la toma de decisiones (Madni, 2020).

Desde la acuñación inicial del término "IA" en la conferencia de Dartmouth en 1956, la IA ha progresado desde los Sistemas Basados en Conocimiento hasta el aprendizaje profundo basado en atención (Vaswani et al., 2017). La IA también ha evolucionado desde la IA fundamental (Nilsson, 1982; Genesereth y Nilsson, 2012; Russell y Norvig, 2010) hasta aplicaciones de IA en medicina (Hamet y Tremblay, 2017; Topol, 2019) y manufactura (Kumara, Kashyap y Soyster, 1989; Davies, 2023). Es seguro decir que la IA llegó para quedarse; sin embargo, se espera que su forma evolucione. Mirando atrás, la IA ha pasado de su prominencia inicial en la década de 1980 a una pausa prolongada en los 2000, y su resurgimiento con el aprendizaje automático como tecnología “caliente”. Hoy en día, la IA se está convirtiendo en una parte cada vez más integral de la sociedad moderna.

11.4. Contextos mundiales en evolución

En The Future of Work (West, 2018), el autor afirma que el futuro será uno en el que cada trabajador necesitará aprendizaje a lo largo de toda la vida. La corriente comercial de pensamiento sostiene que los títulos universitarios ya no serán necesarios porque estaremos en una “economía gig”, en la cual las personas con habilidades específicas impulsarán la economía. En este sentido, el trabajo basado en plataformas se ha vuelto crítico (Taylor et al., 2017). Este cambio en el futuro del trabajo implica que la educación universitaria existente necesitará transformarse. Ya estamos viendo el impacto de este cambio a través de plataformas en línea como EdX, Coursera y otras. Tenemos una elección: podemos continuar con los negocios como siempre, haciendo lo que siempre hemos hecho, o encontrar medios alternativos y sólidos para capacitar a la fuerza laboral del futuro. La pregunta clave aquí es: ¿cómo capacitamos a la fuerza laboral del futuro sin afectar negativamente las habilidades básicas que necesitarán los futuros ingenieros industriales?

11.5. Nuevo paradigma y preguntas clave

Teniendo en cuenta lo anterior, dominios como transporte (Malandraki et al., 2007), salud (Topol, 2019), manufactura (Balakrishnan, Kumara y Sundaresan, 1999), sistemas humanos (Karwowski, 2005), sistemas ciberfísicos (Monostori et al., 2016) y sistemas sociales (Barabasi y Albert, 1999), deben estudiarse y comprenderse desde una perspectiva más integral de sistemas. Con este fin, proponemos dos premisas fundamentales: la estructura y el comportamiento de un sistema complejo pueden modelarse como una red de interacciones entre sus componentes; y los problemas sociotécnicos complejos necesitan explotar la convergencia de la ingeniería con otras disciplinas, es decir, la Ingeniería de Sistemas Transdisciplinaria (Madni, 2018).

Vale la pena recordar que muchos ingenieros industriales de la generación del baby boom estuvieron expuestos a la teoría de sistemas no hace tanto tiempo. Estudiaron las obras de Bertalanffy, Simon y Wiener como estudiantes de posgrado. Desafortunadamente, hoy en día solo unas pocas escuelas aún enseñan teoría de sistemas. Quizás sea oportuno que la IE reintroduzca los fundamentos de la teoría de sistemas y la SE en esta era de complejidad sistémica en crecimiento exponencial y retroalimentación instantánea.

11.6. Aspectos de factores humanos

La disciplina de Ingeniería Industrial se ha centrado durante la mayor parte de las últimas seis décadas en el estudio de tiempos y movimientos, el esfuerzo humano y la mejora de la eficiencia desde el punto de vista de los factores humanos. En la última década, la interfaz humano-computadora se ha vuelto importante. Solo recientemente, con la proliferación de la investigación y el uso generalizado de la robótica y la IA, la colaboración humano-máquina se ha vuelto crítica. Abordamos esto en el gran desafío 5, especialmente cuando tratamos este aspecto desde una perspectiva educativa. El futuro de la IE desde el punto de vista de SE necesita considerar los problemas complejos que surgen (ver discusiones anteriores en esta sección) debido a la colaboración humano-máquina, y los comportamientos emergentes que se manifiestan a partir de tales interacciones complejas. La disciplina de IE, como se mencionó antes, necesita considerar la educación de su próxima generación utilizando el extenso cuerpo de conocimiento originado en el Instituto Santa Fe (Gellman).

11.7. Implicaciones para la manufactura avanzada

La IA y otras tecnologías relacionadas se están convirtiendo en una parte integral de la sociedad. Desde la atención médica hasta la manufactura, la IA ya se percibe como una fuerza impulsora. Esto implica que los próximos ingenieros industriales deben tener una buena formación en IA, la cual proponemos (ver nuestra discusión) como parte integral de la educación en IE/SE. Los sistemas de próxima generación (no solo de manufactura sino casi todos, incluidos los de servicios) deberán abordar la complejidad tanto en el contexto tecnológico como social. Supongamos, para fines de explicación, que la manufactura del futuro utilizará GenAI de forma extensiva. Esto conlleva a diferentes tipos de interacción entre humanos y máquinas (computadoras) y máquinas de manufactura. Lo cual resultará en un uso exponencial de energía que, a su vez, afectará a los sistemas socioeconómicos. Las decisiones en el futuro no podrán tomarse de manera aislada (maximización de ganancias), independientemente de todos estos factores interconectados e interactivos. Por lo tanto, nuestra discusión enfatiza que los ingenieros de próxima generación deben tener un buen entendimiento de sistemas y redes además de otros temas mencionados en esta sección. Las decisiones relacionadas con la manufactura no pueden tomarse de manera aislada, sino que deben hacerse considerando la generación de valor en el contexto del clima, el bienestar social y la sostenibilidad a largo plazo. Los ingenieros industriales actuales no están preparados para abordar estos desafíos.

11.8. Recomendaciones

De cara al futuro, la Ingeniería Industrial (IE) necesita reintroducir el pensamiento sistémico y la Ingeniería de Sistemas (SE) en los planes de estudio de IE. Debe explotar la IA no solo para automatizar tareas rutinarias o repetitivas, sino como un medio para mejorar el rendimiento humano y amplificar las capacidades humanas en tareas de resolución de problemas y toma de decisiones (Madni, 2020). Debe abordar sistemas a gran escala, complejidad e interconectividad de datos, toma de decisiones inteligentes, IA aumentada, teoría de sistemas, colaboración humano-IA y sostenibilidad. Por supuesto, IE debe seguir avanzando en estadística, optimización, simulación y modelado estocástico. Una observación interesante es que la educación médica en las universidades siempre está vinculada a hospitales. Los estudiantes de medicina obtienen experiencia del mundo real a través de su inmersión en hospitales universitarios. Sin embargo, aunque la ingeniería se orienta hacia el diseño, construcción, análisis y mejora de sistemas, no está conectada con empresas para la resolución continua de problemas. Aunque algunas universidades tienen resolución de problemas reales a través de un curso basado en el modelo de “Fábrica de Aprendizaje” como proyecto final (capstone), la resolución de problemas reales no forma parte integral de la educación en ingeniería. Hacia el futuro, el mayor desafío para la profesión de ingeniería industrial es trabajar con empresas (manufactura, servicios, gobierno y ONG) e integrar la resolución de problemas del mundo real en su educación, investigación y formación.

Esto haría que ISE (Ingeniería Industrial y de Sistemas) fuera relevante en el cambiante panorama futuro de la fuerza laboral de ISE. La acción más fácil es seguir el adagio de “vino viejo en botella nueva” reempaquetando cursos existentes con nuevos nombres y esperar el declive de ISE, o comprometerse con un cambio desde la base. Es imperativo que las escuelas de ISE formen un brazo extendido de individuos (personas, empresas y gobiernos) y se mantengan en compromiso continuo en la formación de la próxima generación de la fuerza laboral en ISE. Un avance sencillo pero desafiante puede ser definir un estudio de caso que pueda utilizarse en todos los cursos impartidos en una escuela de ISE, dentro del nuevo plan de estudios integrado. Desde optimización hasta aprendizaje automático y análisis centrado en el ser humano, un solo caso puede considerarse a lo largo de los cursos para que la experiencia de resolución de problemas reales esté integrada en la educación. Un estudio de caso de este tipo posiblemente allanará el camino hacia un futuro en el que docentes y estudiantes piensen seriamente en cómo utilizar eficazmente una técnica en la solución de problemas del mundo real en lugar de simplemente aprenderla resolviendo ejemplos de libros de texto. La NSF ha iniciado un nuevo modelo de investigación inspirada en el uso, y estudios de caso comprensivos que puedan abordar eficazmente varios aspectos del aprendizaje de ISE podrían ajustarse verdaderamente a ese modelo.

ISE necesita un cambio fundamental: uno que aproveche los métodos de SE en la formulación de problemas de IE, y utilice métodos de IE en la resolución de problemas de SE, con ambos informados por avances en tecnologías como IA, aprendizaje automático e inteligencia aumentada. Estamos entrando en una era sin precedentes de crecimiento tecnológico exponencial extendido en la que se requiere una acción audaz dentro de IE. Comienza explorando cómo el pensamiento en sistemas complejos, SE e IA pueden armonizarse con IE para asegurar la relevancia continua de la educación e investigación en ISE en el siglo XXI.

12. Perspectiva de ISE sobre los grandes desafíos

Este artículo identificó ocho grandes desafíos para la ingeniería industrial y de sistemas (ISE), incluyendo (1) inteligencia artificial (IA) para la toma de decisiones, diseño y operación de sistemas, (2) ciberseguridad y resiliencia, (3) sostenibilidad: medio ambiente, energía e infraestructura, (4) problemas de salud, (5) cuestiones sociales, (6) logística y cadena de suministro, (7) integración de sistemas y operaciones y (8) educación en ingeniería industrial y de sistemas. También queremos señalar que ISE está especialmente posicionada para abordar muchos de los problemas globales interconectados y multifacéticos de la sociedad contemporánea. Al aprovechar su conocimiento integral y enfoque sistémico, ISE puede proporcionar soluciones holísticas a problemas complejos en los ámbitos socioeconómico, sanitario, educativo, ambiental y de sostenibilidad. Los desafíos discutidos de ISE destacan la necesidad de comprender mejor cómo pueden aplicarse los principios y metodologías actuales de ISE y qué nuevo cuerpo de conocimientos se necesitará para que ISE logre avances significativos que mejoren la condición humana en todo el mundo.

En primer lugar, ISE puede mejorar la toma de decisiones complejas y el diseño de sistemas integrando aplicaciones de tecnologías de inteligencia artificial para uso empresarial y personal. Al optimizar procesos, mejorar la eficiencia operativa y permitir conocimientos basados en datos, los profesionales de ISE pueden garantizar que la IA se utilice eficazmente para satisfacer las necesidades de la industria y de la sociedad. El enfoque en el diseño centrado en el ser humano debe asegurar que la integración de sistemas de IA en todos los aspectos de la vida humana sea segura, transparente, ética y fácil de usar.

En segundo lugar, proteger y mantener los sistemas críticos contra amenazas cibernéticas es fundamental en la era digital actual. ISE puede contribuir a lograr niveles socialmente deseados de ciberseguridad mediante el desarrollo de arquitecturas de sistemas resilientes, la implementación de medidas de seguridad robustas y el diseño de procesos que puedan recuperarse rápidamente de las interrupciones. Lo anterior debe garantizar la operación continua y segura de servicios e infraestructuras esenciales a nivel mundial.

En tercer lugar, ISE puede desempeñar un papel fundamental en la promoción de la sostenibilidad ambiental al optimizar el uso de recursos naturales, reducir residuos y mejorar la eficiencia energética. Al diseñar y gestionar sistemas e infraestructuras sostenibles, ISE puede ayudar a las organizaciones a minimizar su huella ambiental y contribuir a los objetivos globales de sostenibilidad.

En cuarto lugar, abordar los desafíos de salud requiere el diseño y la gestión eficiente de los sistemas de atención médica. Las metodologías de ISE, como la optimización de procesos y la integración de sistemas, pueden mejorar la prestación de servicios de salud, aumentar los resultados de los pacientes y reducir los costos. Al centrarse en la eficiencia y eficacia del sistema, ISE puede mejorar la salud y el bienestar de las poblaciones en todo el mundo.

Quinto, abordar los desafíos sociales implica comprender y resolver problemas sociales complejos. La Ingeniería Industrial y de Sistemas (ISE) puede contribuir a esta misión mediante el diseño de sistemas y procesos que promuevan la equidad social, mejoren el acceso a servicios esenciales y fortalezcan la resiliencia comunitaria. Al integrar consideraciones sociales en el diseño de sistemas, ISE puede garantizar que los avances tecnológicos futuros beneficien a todos los segmentos de la sociedad global.

Sexto, mejorar la eficiencia y la resiliencia de la logística y las cadenas de suministro es esencial para la estabilidad y el crecimiento socioeconómico y político a nivel mundial. ISE puede optimizar las operaciones de la cadena de suministro, mejorar la gestión logística y garantizar el flujo fluido de bienes y servicios. Estos esfuerzos pueden reducir costos, aumentar la confiabilidad y mejorar la capacidad de respuesta de las empresas ante la demanda del mercado.

Séptimo, armonizar las interacciones entre las personas, la automatización y la inteligencia artificial es crucial para la integración y operación de sistemas modernos. ISE puede proporcionar el marco para diseñar sistemas integrados que aprovechen las fortalezas tanto de los operadores humanos como de las tecnologías automatizadas. Esto debería garantizar que todos los sistemas tecnológicos sean eficientes, adaptables y resilientes frente a cambios y disrupciones.

Octavo, avanzar en la educación y formación en ISE es fundamental para preparar a la próxima generación de ingenieros para abordar con éxito las necesidades y aspiraciones de la sociedad global. La educación en ISE debe dotar a los estudiantes de las habilidades y conocimientos necesarios para enfrentar problemas globales complejos, actualizando los planes de estudio, incorporando nuevas tecnologías y enfatizando enfoques interdisciplinarios y sistémicos.

En resumen, al integrar la experiencia científica e ingenieril con una comprensión profunda de los factores humanos y sociales, los profesionales de ISE pueden diseñar e implementar sistemas que mejoren la eficiencia, aumenten la resiliencia y promuevan la sostenibilidad en diversos dominios de la vida moderna. La disciplina y profesión de ISE puede liderar y contribuir significativamente a abordar los urgentes problemas socioeconómicos que enfrenta nuestro mundo hoy.

13. Conclusiones

Los ocho grandes desafíos de ISE descritos deben apoyar un diseño y operación más efectivos de sistemas integrados de personas, materiales, información, equipos y energía. Estos desafíos también subrayan la creciente importancia de la integración efectiva de sistemas tecnológicos complejos en todos los niveles. Hasta ahora, la práctica de ISE se ha basado principalmente en el conocimiento del siglo XX. El desarrollo de nuevos conocimientos, así como la identificación y adopción de modelos, teorías y estrategias del siglo XXI en los campos relacionados de la ciencia, la ingeniería y la medicina, debería ayudar a enfrentar los grandes desafíos de ISE identificados. La discusión anterior señala la necesidad de expandir significativamente el contenido de conocimiento actual del dominio de ISE. Esta necesidad está impulsada principalmente por el rápido desarrollo de tecnologías inteligentes, la evolución de la economía global, la sostenibilidad de la vida en la Tierra y muchas tendencias socioeconómicas emergentes que probablemente transformarán y moldearán las sociedades modernas. Finalmente, esperamos que este artículo contribuya a la discusión actual sobre el futuro de ISE, estimule las tan necesarias reflexiones sobre sus desafíos y facilite avances en la teoría y práctica de ISE en beneficio de la humanidad.

14. Limitaciones del estudio

El presente estudio tiene varias limitaciones. Los grandes desafíos de ISE discutidos reflejan las opiniones y la visión conjuntas de coautores provenientes de 3 continentes y cinco países, incluidos China, Francia, India, Corea del Sur y Estados Unidos. Estudios futuros deberían abordar y discutir las implicaciones de las preocupaciones y limitaciones mencionadas.

 

Agradecimientos

Los siguientes miembros actuaron como coordinadores de los equipos que trabajaron en los desafíos discutidos en este artículo: Laura Albert, Woo Chang, Brian Denton, Jingshan Li, Azad Madni, Jeff Shamma, Julie Swann, Manoj Tiwari.

Declaración de conflicto de interés

Los autores no reportaron ningún conflicto de interés potencial.

Declaración de disponibilidad de datos

No aplica la compartición de datos – no se generaron nuevos datos.

 

Información adicional

Notas sobre los colaboradores

Waldemar Karwowski

Waldemar Karwowski es Profesor Pegasus y Director del Departamento de Ingeniería Industrial y de Sistemas de Gestión en la Universidad de Florida Central, EE.UU. Es miembro del Chartered Institute for Ergonomics and Human Factors (Reino Unido), de la Human Factors and Ergonomics Society (HFES), del Institute of Industrial and Systems Engineers (IISE), de la International Ergonomics Association (IEA) y de la American Association for the Advancement of Science (AAAS). Fue presidente de la HFES (2007) y de la IEA (2000–2003). Recibió el premio David F. Baker Distinguished Research Award del IISE (2020) y el Arnold M. Small and Betty Sanders President's Distinguished Service Award de la HFES (2021). Fue elegido miembro de la Academy of Science, Engineering, and Medicine of Florida (ASEMFL), EE.UU. (2020).

Gavriel Salvendy

Gavriel Salvendy es Profesor Distinguido en la Universidad de Florida Central, presidente fundador de la Academy of Science, Engineering and Medicine of Florida, fundador del Departamento de Ingeniería Industrial en la Universidad de Tsinghua en China y fue titular de la cátedra privada de Ingeniería Industrial de la Corporación NEC en la Universidad de Purdue. Es miembro de la National Academy of Engineering (NAE) y receptor de la Medalla John Fritz, frecuentemente referida como el Premio Nobel de la Ingeniería. En más de 120 años de historia del premio, es el único ingeniero industrial que lo ha recibido. Es editor de las tres ediciones del Handbook of Industrial Engineering publicadas por Wiley.

Laura Albert

Laura A. Albert, Ph.D., es Profesora de Ingeniería Industrial y de Sistemas en la Universidad de Wisconsin–Madison. Es miembro de la AAAS y del IISE, y fue presidenta en 2023 del Institute for Operations Research and the Management Sciences (INFORMS). Es autora de los blogs de ingeniería ‘Punk Rock Operations Research’ y ‘Badger Bracketology’.
 

Woo Chang Kim

Woo Chang Kim obtuvo su licenciatura en Ingeniería Industrial en la Universidad Nacional de Seúl (Corea del Sur, 1999) y su doctorado en Investigación Operativa e Ingeniería Financiera en la Universidad de Princeton (EE.UU., 2009). Es profesor titular en el Departamento de Ingeniería Industrial y de Sistemas y director de la Escuela de Posgrado en Ciencia de Datos en KAIST (Corea del Sur).

Brian Denton

Brian Denton es Profesor Stephen M. Pollock de Ingeniería Industrial y de Operaciones en la Universidad de Míchigan. Sus intereses de investigación incluyen toma de decisiones basada en datos y optimización bajo incertidumbre, con aplicaciones en la atención médica, salud pública, programación, gestión de la cadena de suministro y otros sistemas industriales. Tiene una cita cruzada en la Facultad de Medicina de la misma universidad. Fue profesor visitante y becario en la Universidad de Oxford de septiembre de 2023 a mayo de 2024. Fue presidente del departamento de IOE entre 2018 y 2023. Anteriormente trabajó en IBM, Mayo Clinic y la Universidad Estatal de Carolina del Norte. Ha recibido el NSF Career Award, el INFORMS Daniel H. Wagner Prize, el IISE Outstanding Publication Award y el Canadian Operations Research Society Best Paper Award. Es miembro electo de INFORMS y IISE, expresidente de la Sección de Aplicaciones en Salud de INFORMS, exsecretario de INFORMS y expresidente de INFORMS.

Maged Dessouky

Maged Dessouky obtuvo sus títulos de B.S. y M.S. en Ingeniería Industrial en la Universidad de Purdue, y el doctorado en Ingeniería Industrial e Investigación Operativa en la Universidad de California en Berkeley. Es Profesor Decano en el Departamento Daniel J. Epstein de Ingeniería Industrial y de Sistemas en la Universidad del Sur de California. Sus áreas de investigación son el transporte y la logística.

Alexandre Dolgui

Alexandre Dolgui es miembro del IISE, Profesor Distinguido y Director del Departamento de Automatización, Producción e Informática en IMT Atlantique, Francia. Su investigación se centra en diseño de líneas de producción, planificación de la producción y optimización de cadenas de suministro. Sus principales resultados están basados en programación matemática exacta y su combinación inteligente con heurísticas y metaheurísticas, optimización robusta, análisis de riesgos y resiliencia. Es coautor de 5 libros, coeditor de 32 libros o actas de congresos, autor de más de 335 artículos en revistas revisadas por pares y más de 450 en actas de congresos. Es Editor de Área de Computers & Industrial Engineering, exeditor asociado del International Journal of Systems Science, IEEE Transactions on Industrial Informatics y Omega. Es miembro del consejo editorial de otras 27 revistas, incluyendo International Journal of Production Economics. Es miembro activo de la European Academy for Industrial Management, del consejo de la International Foundation for Production Research, expresidente del IFAC TC 5.2 Manufacturing Modelling for Management and Control (2011–2017, actualmente vicepresidente), miembro del IFIP WG 5.7 Advances in Production Management Systems y del Comité Técnico de Análisis y Riesgos del IEEE System Council. Ha recibido numerosos premios y reconocimientos por sus logros científicos. Es Editor en Jefe del International Journal of Production Research (IJPR).

Vince Duffy

Vincent G. Duffy es Profesor en la Escuela Edwardson de Ingeniería Industrial y en el Departamento de Ingeniería Agrícola y Biológica de la Universidad de Purdue, EE.UU. Realiza investigaciones en modelado digital humano, interacción humano–computadora, factores humanos y ergonomía. Ha dictado cursos sobre diseño de puestos de trabajo, factores humanos en ingeniería, ingeniería de seguridad y ergonomía aplicada. Es miembro del Chartered Institute of Ergonomics & Human Factors del Reino Unido y recibió su doctorado en Ingeniería Industrial en la Universidad de Purdue.

Soundar Kumara

Soundar Kumara es Profesor Allen, E., y Allen, M., Pearce de Ingeniería Industrial en Penn State y tiene una afiliación con la Escuela de Ciencias y Tecnologías de la Información. También es Director del Centro para Aplicaciones de IA y ML en la Industria (AIMI) en Penn State. Sus intereses de investigación y docencia incluyen IA y ML en manufactura y salud. Tiene varias publicaciones destacadas en análisis de datos de sensores, manufactura basada en agentes, sistemas ciberfísicos en manufactura, ML en salud, IIOT y detección de comunidades en redes complejas. Ha dirigido a 70 doctorandos y 80 maestrandos. Es miembro del IISE, ASME, CIRP y AAAS. Ha recibido el David Baker Distinguished Research Award del IISE, el Excellence in Research Award del ASME (división CIE), y fue incluido entre los 20 académicos más influyentes en manufactura inteligente por SME. Ha sido galardonado con el Distinguished Alum Award por el I.I.T. de Madrás y el Outstanding Industrial Engineer Award por la Escuela de Ingeniería Industrial de Purdue. Actualmente representa a Penn State en la Comisión sobre el uso de IA del gobernador de Pensilvania y también forma parte del Army Science Board de EE.UU. Su número de Erdős es 3.

Jingshan Li

Jingshan Li es Director y Profesor Titular de la Cátedra Gavriel Salvendy en el Departamento de Ingeniería Industrial de la Universidad de Tsinghua, Pekín, China. Obtuvo los títulos de BS, MS y PhD en la Universidad de Tsinghua, la Academia China de Ciencias y la Universidad de Míchigan en 1989, 1992 y 2000, respectivamente. Antes de unirse a Tsinghua en 2021, trabajó en el Centro de I+D de General Motors, la Universidad de Kentucky y la Universidad de Wisconsin–Madison. El Dr. Li ha publicado 2 libros de texto, 7 volúmenes editoriales y cerca de 300 artículos en revistas arbitradas, capítulos de libros y actas de congresos. Ha sido editor de área de IISE Transactions y Flexible Service and Manufacturing Journal, editor senior de IEEE Transactions on Automation Science and Engineering y IEEE Robotics and Automation Letter, editor asociado del International Journal of Production Research, entre otros. Fue editor en jefe de la IEEE International Conference on Automation Science and Engineering, y presidente de múltiples conferencias emblemáticas. También presidió comités técnicos del IEEE sobre Automatización de Producción Sostenible y Automatización en Gestión Sanitaria. El Dr. Li es IEEE Fellow, IISE Fellow y conferencista distinguido del IEEE en robótica y automatización. Ha recibido el NSF CAREER Award, el IEEE Robotics and Automation Early Career Award y múltiples premios al mejor artículo en revistas y congresos destacados. Sus principales áreas de investigación son diseño, análisis y control de sistemas de producción y de salud.

Azad M. Madni

Azad Madni, miembro de la Academia Nacional de Ingeniería de EE.UU., es Profesor Universitario de Astronáutica, Ingeniería Aeroespacial y Mecánica en la Universidad del Sur de California. Ostenta la Cátedra Fred O’Green de la Fundación Northrop Grumman y es Director Ejecutivo del Programa de Arquitectura y Sistemas de Ingeniería de la USC. Obtuvo sus grados de Ph.D., M.S. y B.S. en Ingeniería en la Universidad de California, Los Ángeles. Es pionero en el campo de la ingeniería de sistemas transdisciplinaria y creador de TRASEE™, un paradigma educativo transdisciplinario por el cual recibió el Premio Gordon de la NAE por Innovación en Educación en Ingeniería y Tecnología. También recibió la Medalla Simon Ramo del IEEE por logros excepcionales en ingeniería y ciencia de sistemas. Es Miembro Honorario de AIAA, miembro honorario de ASME, Life Fellow del IEEE e INCOSE, y Fellow de IISE, AAAS, AIMBE, WAS, entre otros.

Leon McGinnis

Leon McGinnis es Profesor Emérito en la Escuela de Ingeniería Industrial y de Sistemas del Instituto de Tecnología de Georgia, donde enseña diseño de sistemas a estudiantes de Ingeniería Industrial y de Sistemas, y sigue activo en investigación. Su investigación actual se centra en el diseño y control operacional de sistemas logísticos de eventos discretos, incluyendo almacenes, fábricas, cadenas de suministro, salud y otros dominios de aplicación.

William Rouse

William B. Rouse obtuvo su doctorado en MIT en ciencia e ingeniería de sistemas. Es Profesor Emérito y exdirector de la Escuela de Ingeniería Industrial y de Sistemas en Georgia Tech. Su investigación se enfoca en comprender y transformar sistemas organizacionales complejos en los sectores de salud, educación, energía, transporte y seguridad nacional. Es ampliamente reconocido por su uso de modelos computacionales para abordar estos desafíos. Las visualizaciones interactivas asociadas a estos modelos han sido altamente valoradas por tomadores de decisiones del ámbito corporativo y gubernamental. Es miembro de la Academia Nacional de Ingeniería y ha sido elegido fellow de cuatro sociedades profesionales: IEEE, INCOSE, INFORMS y HFES.

Jeff Shamma

Jeff S. Shamma trabaja en la Universidad de Illinois en Urbana-Champaign, donde es Director del Departamento de Ingeniería de Sistemas Industriales y Empresariales y titular de la Cátedra Jerry S. Dobrovolny. Recibió su PhD en Ciencia e Ingeniería de Sistemas del MIT en 1988. Jeff es Fellow del IEEE y de IFAC, y ha sido ponente plenaria o semi-plenaria en varias conferencias, incluyendo NeurIPS, el Congreso Mundial de la Sociedad de Teoría de Juegos y la Conferencia del IEEE sobre Decisión y Control. Sus intereses de investigación incluyen teoría de juegos, sistemas multi-agente y toma de decisiones y control.

Max Shen

Z. Max Shen es Vicerrector de Investigación en la Universidad de Hong Kong y Profesor Titular en Logística y Gestión de la Cadena de Suministro con nombramientos en la Facultad de Ingeniería y la Escuela de Negocios de HKU. Sus intereses de investigación abarcan logística, toma de decisiones basada en datos y optimización de sistemas, con programas de investigación aplicados en negocios, sistemas energéticos, transporte, ciudades inteligentes, gestión sanitaria y protección ambiental. Ha colaborado ampliamente con la industria y ha obtenido importantes fondos de investigación de agencias gubernamentales y del sector privado, incluyendo NSF, DOE, DOT, Caltrans, IBM, GM, Safeway, HP, Bayer, Siemens, Alibaba, JD.com, entre otros. Ha dirigido 47 tesis doctorales; más de la mitad de sus egresados son profesores en universidades de prestigio. Ha publicado 3 libros, 10 capítulos de libros y más de 230 artículos. Es fellow de INFORMS, de la Production and Operations Management Society (POMS), de la Academia de Ciencias de Ingeniería de Hong Kong y expresidente de la Society of Locational Analysis de INFORMS.

David Simchi-Levi

David Simchi-Levi es el Profesor William Barton Rogers del MIT (en honor al fundador y primer presidente del MIT) en Sistemas de Ingeniería y director del MIT Data Science Lab. Es considerado uno de los principales líderes de pensamiento en gestión de cadenas de suministro y analítica de negocios. Es miembro de la Academia Nacional de Ingeniería de EE.UU.

Julie Swann

Julie L. Swann es Profesora Distinguida A. Doug Allison y Directora del Departamento de Ingeniería Industrial y de Sistemas Edward P. Fitts en la Universidad Estatal de Carolina del Norte (NC State). También es profesora afiliada del Departamento Conjunto de Ingeniería Biomédica (NC State y UNC Chapel Hill), cofundadora y ex codirectora del Centro de Sistemas de Salud y Humanitarios en Georgia Tech. Es fellow de IISE, INFORMS y AIMBE, y será presidenta de INFORMS en 2024. Ha desarrollado investigación, divulgación y educación para mejorar el funcionamiento de los sistemas de salud y humanitarios en todo el mundo. Su trabajo con analítica se relaciona con salud pública, política pública, epidemiología, enfermedades infecciosas, gestión de cadenas de suministro y respuesta a desastres. Fue asesora científica del CDC durante la pandemia de H1N1 y dirigió un equipo de modeladores para apoyar decisiones gubernamentales durante la emergencia sanitaria de COVID-19.

Manoj Kumar Tiwari

Manoj Kumar Tiwari (FNAE, FNASc y FIISE) es Director Fundador del IIM Mumbai desde agosto de 2023, y fue Director del National Institute of Industrial Engineering (NITIE) Mumbai entre 2019 y 2023. Actualmente también es Vicecanciller del Tata Institute of Social Sciences. Es Profesor en el Departamento de Ingeniería Industrial y de Sistemas del Instituto Indio de Tecnología, Kharagpur. Su investigación se enfoca en aplicaciones de optimización, modelado, sistemas de soporte a decisiones y minería de datos en logística, cadenas de suministro y manufactura. Es editor asociado/senior de revistas como IJPR, POMS, IISE, ESWA, IJPE, JIM, IEEE-SMCA, INS y CAIE. Ha liderado numerosos proyectos y consultorías para la Fuerza Aérea India, Procter & Gamble, TATA Hitachi, Intel, Dalmia, entre otros. Colabora activamente con universidades del Reino Unido y EE.UU. Ha publicado más de 370 artículos con un índice H de 85 y más de 30,000 citas en Google Scholar. Es fellow de NASI, INAE, WAST, IASc, IISE (EE.UU.) y recibió el David F. Baker Distinguished Research Award (IISE, EE.UU.).

 

Notas

(1) Calculado por los autores a partir de los datos de tendencias de emisiones de contaminación del aire de la USEPA, 2018a.

(2) En consonancia con el tema de esta subsección, los párrafos de cierre fueron redactados por ChatGPT a partir de un borrador de la sección.

 

Cita y enlace

Para citar este artículo:
Waldemar Karwowski, Gavriel Salvendy, Laura Albert, Woo Chang
Kim, Brian Denton, Maged Dessouky, Alexandre Dolgui, Vince Duffy, Soundar Kumara,
Jingshan Li, Azad M. Madni, Leon McGinnis, William Rouse, Jeff Shamma, Max Shen, David
Simchi-Levi, Julie Swann & Manoj Kumar Tiwari (2025) Grand challenges in industrial and
systems engineering, International Journal of Production Research, 63:4, 1538-1583, DOI:
10.1080/00207543.2024.2432463

Para enlazar a este artículo:
https://doi.org/10.1080/00207543.2024.2432463

 

Referencias

• Abdolmaleki, S. F., and P. M. B. Bugallo. 2021. “Evaluation of Renewable Energy System for Sustainable Development.” Renewable Energy and Environment Sustainability 6: 44. https://doi.org/10.1051/rees/2021045.
• Ackerman, E. 2023. “’Superhuman Speed:’ How Autonomous Drones Beat the Best Human Racers.” IEEE Spectrum 60 (9): 30–37. https://doi.org/10.1109/MSPEC.2023.10234171.
• Agency for Healthcare Quality and Research (AHRQ), Multiple Chronic Conditions Chartbook 2010. 2014. “Medical Expenditure Panel Survey Data, 2014.” https://www.ahrq.gov/sites/default/files/wysiwyg/professionals/prevention-chronic-care/decision/mcc/mccchartbook.pdf(open in a new window).
• Ahmed, Z., K. Mohamed, S. Zeeshan, and X. Dong. 2020. “Artificial Intelligence with Multi-Functional Machine Learning Platform Development for Better Healthcare and Precision Medicine.” Database 2020:baaa010. https://doi.org/10.1093/database/baaa010.
• Albert, L., Alexander Nikolaev, and Sheldon H. Jacobson. 2023. “Homeland Security Research Opportunities.” IISE Transactions 55 (1): 22–31. https://doi.org/10.1080/24725854.2022.2045392.
• Alderson, David L., Gerald G. Brown, and W. Matthew Carlyle. 2015. “Operational Models of Infrastructure Resilience.” Risk Analysis 35 (4): 562–586. https://doi.org/10.1111/risa.12333.
• Alesina, Alberto, Edward Glaeser, and Bruce Sacerdote. 2021. “Why Doesn’t the US Have a EuropeanStyle Welfare System?” NBER Working Paper No. 8524.
• Allen, Theodore T., Zhenhuan Sui, and Nathan L. Parker. 2017. “Timely Decision Analysis Enabled by Efficient Social Media Modeling.” Decision Analysis 14 (4): 250–260. https://doi.org/10.1287/deca.2017.0360.
• Amann, J., D. Vetter, S. N. Blomberg, H. C. Christensen, M. Coffee, S. Gerke, T. K. Gilbert, et al. 2022. “To Explain or Not to Explain? — Artificial Intelligence Explainability in Clinical Decision Support Systems.” PLOS Digital Health 1 (2): e0000016. https://doi.org/10.1371/journal.pdig.0000016.
• Anantrasirichai, N., and D. Bull. 2022. “Artificial Intelligence in the Creative Industries: A Review.” Artificial Intelligence Review 55 (1): 589–656.
• Angwin, J., J. Larson, S. Mattu, and L. Kirchner. 2022. “Machine Bias.” In  Ethics of Data and Analytics, 254–264. Auerbach Publications.
• Annaswamy, A. M., P. P. Khargonekar, F. Lamnabhi-Lagarrigue, and S. K. Spurgeon. 2023. Cyber– Physical–Human Systems: Fundamentals and Applications. New York: John Wiley & Sons.
• Araujo, T., N. Helberger, S. Kruikemeier, and C. H. De Vreese. 2020. “In AI we Trust? Perceptions about Automated Decision-Making by Artificial Intelligence.” AI & Society 35 (3): 611–623. https://doi.org/10.1007/s00146-019-00931-w.
• Arnold, R. D., and J. P. Wade. 2015. “A Definition of Systems Thinking: A Systems Approach.” Procedia Computer Science 44: 669–678.
• Bagga, Simranjeet Kaur, Shikha Gera, and Syed Nadimul Haque. 2023. “The Mediating Role of Organizational Culture: Transformational Leadership and Change Management in Virtual Teams.” Asia Pacific Management Review 28 (2): 120–131. https://doi.org/10.1016/j.apmrv.2022.07.003.
• Bahill, T., and A. M. Madni. 2016. Trade-off Decisions in System Design. Berlin: Springer.
• Balakrishnan, A., S. R. T. Kumara, and S. Sundaresan. 1999. “Manufacturing in the Digital Age: Exploiting Information Technologies for Product Realization.” Information System Frontiers 1 (1): 25–50. https://doi.org/10.1023/A:1010012712144.
• Baldwin, R. 2020. “Self-Driving Car Research has Cost $16 Billion. What Do We Have To Show For It.” Car and Driver, February 10.
• Banks, David, Victor Gallego, Roi Naveiro, and David Ríos Insua. 2022. “Adversarial Risk Analysis: An Overview.” Wiley Interdisciplinary Reviews: Computational Statistics 14 (1): e1530. https://doi.org/10.1002/wics.1530.
• Barabasi, A.-L., and R. Albert. 1999. “Emergence of Scaling in Random Networks.” Science 286 (5439): 509–512. https://doi.org/10.1126/science.286.5439.509.
• Barnhart, C. 2008. “Grand Challenges for O.R. and Engineering.” OR/MS Today 35 (2): 6. https://link.gale.com/apps/doc/A182605383/AONE?u=orla57816&sid=googleScholar&xid=9c79d173(open in a new window).
• Barocas, S., and A. D. Selbst. 2016. “Big Data's Disparate Impact.” California Law Review 104:671.
• Barr, Nicholas. 2018. “Shifting Tides: Dramatic Social Changes Mean the Welfare State Is More Necessary Than Ever.” IMF Finance & Development 55: 16–19.
• Bellamy, R. K., K. Dey, M. Hind, S. C. Hoffman, S. Houde, K. Kannan, P. Lohia, J. Martino, S. Mehta, and A. Mojsilovic. 2018. “AI Fairness 360: An Extensible Toolkit for Detecting, Understanding, and Mitigating Unwanted Algorithmic Bias.” arXiv preprint arXiv:1810.01943(open in a new window).
• Bertsimas, D., and A. Orfanoudaki. 2021. “Pricing Algorithmic Insurance.” arXiv preprint arXiv:2106.00839(open in a new window).
• Bier, Vicki, Santiago Oliveros, and Larry Samuelson. 2007. “Choosing What to Protect: Strategic Defensive Allocation Against an Unknown Attacker.” Journal of Public Economic Theory 9 (4): 563–587. https://doi.org/10.1111/j.1467-9779.2007.00320.x.
• Blewett, Lynn A., Kathleen Thiede Call, Joanna Turner, and Robert Hest. 2018. “Data Resources for Conducting Health Services and Policy Research.” Annual Review of Public Health 39:437–452. https://doi.org/10.1146/annurev-publhealth-040617-013544.
• Bocchini, Paolo, Dan M. Frangopol, Thomas Ummenhofer, and Tim Zinke. 2014. “Resilience and Sustainability of Civil Infrastructure: Toward a Unified Approach.” Journal of Infrastructure Systems 20 (2): 04014004. https://doi.org/10.1061/(ASCE)IS.1943-555X.0000177.
• Bostic, H. 2016, March 30. “The Humanities Must Engage Global Grand Challenges.” Chronicle of Higher Education 30: 235902. http://chronicle.com/article/The-Humanities-Must-Engage/235902(open in a new window).
• Brown, Gerald, Matthew Carlyle, Javier Salmeron, and Kevin Wood. 2006. “Defending Critical Infrastructure.” Interfaces 36 (6): 530–544. https://doi.org/10.1287/inte.1060.0252.
• Brown, Z., and A. MacKay. 2022. Are Online Prices Higher Because of Pricing Algorithms. Brookings Report, July 7.
• Brown, N., and T. Sandholm. 2019. “Superhuman AI for Multiplayer Poker.” Science 365 (6456): 885–890. https://doi.org/10.1126/science.aay2400.
• Brunke, L., M. Greeff, A. W. Hall, Z. Yuan, S. Zhou, J. Panerati, and A. P. Schoellig. 2022. ““Safe Learning in Robotics: From Learning-Based Control to Safe Reinforcement Learning.” Annual Review of Control, Robotics, and Autonomous Systems 5 (1): 411–444. https://doi.org/10.1146/annurev-control-042920-020211.
• Bureau of Labor Statistics. 2022. “Occupational Employment and Wages, May 2022; 17-2112 Industrial Engineers.” https://www.bls.gov/oes/current/oes172112.htm(open in a new window).
• Calvano, Emilio, Giacomo Calzolari, Vincenzo Denicoló, and Sergio Pastorello. 2021. “Algorithmic Collusion with Imperfect Monitoring.” International Journal of Industrial Organization 79:102712. https://doi.org/10.1016/j.ijindorg.2021.102712.
• Čartolovni, A., A. Tomičić, and E. L. Mosler. 2022. “Ethical, Legal, and Social Considerations of AIBased Medical Decision-Support Tools: A Scoping Review.” International Journal of Medical Informatics 161:04738. https://doi.org/10.1016/j.ijmedinf.2022.104738.
• Chen, L., and E. Miller-Hooks. 2021. “Resilience: An Indicator of Recovery Capability in Intermodal Freight Transport.” Transportation Science 46 (1): 109–123. https://doi.org/10.1287/trsc.1110.0376.
• Chester, Mikhail V. 2019. “Sustainability and Infrastructure Challenges.” Nature Sustainability 2 (4): 265–266. https://doi.org/10.1038/s41893-019-0272-8.
• Choi, T. M. 2021. “Fighting Against COVID-19: What Operations Research Can Help and the Senseand-Respond Framework." Annals of Operations Research 5:1–17.
• Christoforou, Eftychios G., Sotiris Avgousti, Nacim Ramdani, Cyril Novales, and Andreas S. Panayides. 2020. “The Upcoming Role for Nursing and Assistive Robotics: Opportunities and Challenges Ahead.” Frontiers in Digital Health 2:585656. https://doi.org/10.3389/fdgth.2020.585656.
• Davies, J. 2023. “The 15th Anniversary of Smart Manufacturing Grassroots Leadership, Greater Good, Timing, and Perseverance.” CESMII.
• Delage, E., and Y. Ye. 2010. “Distributionally Robust Optimization Under Moment Uncertainty With Application to Data-Driven Problems.” Operations Research 58 (3): 595–612. https://doi.org/10.1287/opre.1090.0741.
• Denton, B. T. 2023. “Frontiers of Medical Decision-Making in the Modern Age of Data Analytics.” IISE Transactions 55 (1): 94–105. https://doi.org/10.1080/24725854.2022.2092918.
• de Visser, E. J., R. Pak, and T. W. Shaw. 2018. “From ‘Automatio’ to ‘Autonom’: The Importance of Trust Repair in Human-Machine Interaction.” Ergonomics 61 (10): 1409–1427. https://doi.org/10.1080/00140139.2018.1457725.
• Di-Castro, S., D. Di-Castro, and S. Mannor. 2021. “Sim and Real: Better Together.” Advances in Neural Information Processing Systems 34 (2021): 6868–6880.
• Diemer, H. 2012. “The Manufacturing Organization. La Salle Extension University, 1912.” In Logical Foundations of Artificial Intelligence, edited by Michael R. Genesereth and Nils J Nilsson. La Salle Extension University: Morgan Kaufmann.
• Dingus, T. A., S. K. Jahns, A. D. Horowitz, and R. Knipling. 1998. “Human Factors Design Issues For Crash Avoidance Systems.” In Human Factors in Intelligent Transportation Systems, edited by Woodrow  Barfield and Thomas A. Dingus. New York: Psychology Press.
• Dolgui, A., D. Ivanov, and B. Boris Sokolov. 2018. “Ripple Effect in the Supply Chain: An Analysis and Recent Literature.” International Journal of Production Research 56 (1-2): 414–430. https://doi.org/10.1080/00207543.2017.1387680.
• Dong, R., H. Zhang, and L. Ratliff. 2023. “Approximate Regions of Attraction in Learning with Decision-Dependent Distributions” In Proceedings of 26th International Conference on Artificial Intelligence and Statistics PMLR 206:11172–11184.
• Dosilovic, F. K., M. Brcic, and N. Hlupic. 2018. “Explainable Artificial Intelligence: A Survey.” In 41st International Convention on Information and Communication Technology, Electronics and Microelectronics (MIPRO).
• Dragotto, Gabriele, Amine Boukhtouta, Andrea Lodi, and Mehdi Taobane. 2023. “The Critical Node Game.” arXiv preprint arXiv:2303.05961(open in a new window).
• Duan, Lian, and Li Da Xu. 2021. “Data Analytics in Industry 4.0: A Survey.” Information Systems Frontiers, 1–17. https://doi.org/10.1007/s10796-021-10190-0
• DuBois, Eric, Ashley Peper, and Laura A. Albert. 2023. “Interdicting Attack Plans with Boundedly Rational Players and Multiple Attackers: An Adversarial Risk Analysis Approach.” Decision Analysis 20 (3): 202–219.
• Ekinci, Esra Ekinci, Sachin Kumar Mangla, Yigit Kazancoglu, P. R. S. Sarma, Muruvvet Deniz Sezer, and Melisa Ozbiltekin-Pala. 2022. “Resilience and Complexity Measurement for Energy Efficient Global Supply Chains in Disruptive Events.” Technological Forecasting and Social Change 179:121634. https://doi.org/10.1016/j.techfore.2022.121634.
• Elmachtoub, A. N., and P. Grigas. 2022. “Smart ‘Predict, Then Optimize.” Management Science 68 (1): 9–26. https://doi.org/10.1287/mnsc.2020.3922.
• Enayaty-Ahangar, Forough, Laura A. Albert, and Eric DuBois. 2020. “A Survey of Optimization Models and Methods for Cyberinfrastructure Security.” IISE Transactions 53 (2): 182–198. https://doi.org/10.1080/24725854.2020.1781306.
• Ergun, Özlem, Jacqueline Griffin, Noah Chicoine, Min Gong, Omid Mohaddesi, Zohreh Raziei, Casper Harteveld, David Kaeli, and Stacy Marsella. 2022. “Supply Chain Resilience: Impact of Stakeholder Behavior and Trustworthy Information Sharing with a Case Study on Pharmaceutical Supply Chains.” In Tutorials in Operations Research: Emerging and Impactful Topics in Operations, 133–159. Catonsville, MD: INFORMS.
• Faccio, M., I. Granata, A. Menini, M. Milanese, C. Rossato, M. Bottin, ... and G. Rosati. 2023. “Human Factors in Cobot Era: A Review of Modern Production Systems Features.” Journal of Intelligent Manufacturing 34 (1): 85–106.
• Finn, C., A. Rajeswaran, S. Kakade, and S. Levine. 2019. “Online Meta-Learning.” In International Conference on Machine Learning.
• Gao, Sarah Yini, David Simchi-Levi, Chung-Piaw Teo, and Zhenzhen Yan. 2019. “Disruption Risk Mitigation in Supply Chains: The Risk Exposure Index Revisited.” Operations Research 67 (3): 831852.
• Genesereth, M. R., and N. J. Nilsson. 2012. Logical Foundations of Artificial Intelligence. Morgan Kaufmann.
• Gigliotti, M., G. Schmidt-Traub, and S. Bastianoni. 2019. “The Sustainable Development Goals.” Encyclopedia of Ecology (Second Edition) 4:426–431. https://doi.org/10.1016/B978-0-12-409548-9.10986-8.
• Gihleb, R., O. Giuntella, L. Stella, and T. Wang. 2023. “Keeping Workers Safe in the Automation Revolut”on.” Brookings, September 12, 2023. Accessed December 10, 2023. https://www.brookings.edu/articles/keeping-workers-safe-inthe-automation-revolution/(open in a new window).
• Gopalakrishnan, K., and H. Balakrishnan. 2021. “Control and Optimization of Air Traffic Networks.” Annual Review of Control, Robotics, and Autonomous Systems 4 (1): 397–424. https://doi.org/10.1146/annurev-control-070720-080844.
• Gupta, S., S. Modgil, S. Bhattacharyya, and I. Bose. 2022. “Artificial Intelligence for Decision Support Systems in the Field of Operations Research: Review and Future Scope of Research.” Annals of Operations Research 308 (1): 215–274.
• Hamet, Pavel, and Johanne Tremblay. 2017. “Artificial Intelligence in Medicine.” Metabolism 69:S36–S40. https://doi.org/10.1016/j.metabol.2017.01.011.
• Hamilton, I. S. 2019. “Uber Drivers are Reportedly Colluding to Trigger ‘Surge’ Prices Because They Say the Company is not Paying Them Enough.” Business Insider, June 14.
• Han, Eunhee. 2022. “Mid- to Long-Term Refinement Plans for EChild System.” In Korean, Social Security Information Services Research Paper Series.
• Hancock, P. 2019. “The Humane Use of Human Beings?” Applied Ergonomics 79:91–97. https://doi.org/10.1016/j.apergo.2018.07.009.
• Hancock, P. A. 2022. “Avoiding Adverse Autonomous Agent Actions.” Human-Computer Interaction 37 (3): 211–236.
• Haren, P., and D. Simchi-Levi. 2020. “How Coronavirus Will Impact the Global Supply Chain by MidMarch.” Harvard Business Review, February 28.
• He, Bin, Richard Baird, Robert Butera, Aniruddha Datta, Steven George, Bruce Hecht, Alfred Hero, et al. 2013. “Grand Challenges in Interfacing Engineering with Life Sciences and Medicine.” IEEE Transactions on Biomedical Engineering 60 (3): 589–598. https://doi.org/10.1109/TBME.2013.2244886.
• Henderson, K., and M. Loreau. 2023. “A Model of Sustainable Development Goals: Challenges and Opportunities in Promoting Human Well-Being and Environmental Sustainability.” Ecological Modelling 475:110164. https://doi.org/10.1016/j.ecolmodel.2022.110164.
• Hermann, M., T. Pentek, and B. Otto. 2016, January. “Design Principles for Industrie 4.0 Scenarios.” In 2016 49th Hawaii International Conference on System Sciences (HICSS), 3928–3937. IEEE.
• Hewing, L., K. P. Wabersich, M. Menner, and M. N. Zeilinger. 2020. ““Learning-Based Model Predictive Control: Toward Safe Learning in Control.” Annual Review of Control, Robotics, and Autonomous Systems 3 (1): 269–2963. https://doi.org/10.1146/annurev-control-090419-075625.
• Hicks, D. 2016. “Grand Challenges in US Science Policy Attempt Policy Innovation.” International Journal of Foresight and Innovation Policy 11 (1–3): 22–42.
• Hitchins, D. K. 2008. Systems Engineering: A 21st Century Systems Methodology. New York: John Wiley & Sons.
• Ho, Chien-Wei, and Chi-Chuan Wu. 2019. “Using Job Design to Motivate Employees to Improve High Quality Service in the Airline Industry.” Journal of Air Transport Management 77:17–23.
• Hoff, K., and M. Bashir. 2015. “Trust in Automation: Integrating Empirical Evidence on Factors That Influence Trust.” Human Factors 57 (3): 407–434. https://doi.org/10.1177/0018720814547570.
• Hoffman, L., and R. S. Stawski. 2009. “Persons as Contexts: Evaluating Between-Person and Within Person Effects in Longitudinal Analysis.” Research in Human Development 6 (2-3): 97–120. https://doi.org/10.1080/15427600902911189.
• Hosseini, Seyedmohsen, Dmitry Ivanov, and Alexandre Dolgui. 2019. “Review of Quantitative Methods for Supply Chain Resilience Analysis.” Transportation Research Part E: Logistics and Transportation Review 125:285–307. https://doi.org/10.1016/j.tre.2019.03.001.
• Hunt, Kyle, Puneet Agarwal, and Jun Zhuang. 2022. “Monitoring Misinformation on Twitter during Crisis Events: A Machine Learning Approach.” Risk Analysis 42 (8): 1728–1748. https://doi.org/10.1111/risa.13634.
• Inovalon. 2023. “New Research From Inovalon and Harvard University Finds that Medicare Advantage Beneficiaries Have Superior Quality Outcomes to Traditional Medicare.” Healthcare Business Today, November 2.
• IISE. 2024. “Institute of Industrial and Systems Engineering.” www.ise/org.aspx?id=282(open in a new window).
• Ivanov, D., and A. Dolgui. 2020. “Viability of Intertwined Supply Networks: Extending the Supply Chain Resilience Angles Towards Survivability. A Position Paper Motivated by COVID-19 Outbreak.” International Journal of Production Research 58 (10): 2904–2915. https://doi.org/10.1080/00207543.2020.1750727.
• Ivanov, D., and A. Dolgui. 2022a. “Stress Testing Supply Chains and Creating Viable Ecosystems.” Operations Management Research 15 (1-2): 475–486. https://doi.org/10.1007/s12063-021-00194-z.
• Ivanov, D., and A. Dolgui. 2022b. “The Shortage Economy and Its Implications for Supply Chain and Operations Management.” International Journal of Production Research 60 (24): 7141–7154. https://doi.org/10.1080/00207543.2022.2118889.
• Jan, Z., F. Ahamed, W. Mayer, N. Patel, G. Grossmann, M. Stumptner, and A. Kuusk. 2023. “Artificial Intelligence for Industry 4.0: Systematic Review of Applications, Challenges, and Opportunities.” Expert Systems with Applications 216:119456. https://doi.org/10.1016/j.eswa.2022.119456.
• Jobin, A., M. Ienca, and E. Vayena. 2019. “The Global Landscape of AI Ethics Guidelines.” Nature Machine Intelligence 1 (9): 389–399. https://doi.org/10.1038/s42256-019-0088-2.
• John, R. S., R. L. Dillon, W. J. Burns, and N. Scurich. 2024. “Partitioning the Expected Value of Counter- Measures with an Application to Terrorism.” Decision Analysis 21 (1): 23–47.
• Jones, D., C. Snider, A. Nassehi, J. Yon, and B. Hicks. 2020. “Characterising the Digital Twin: A Systematic Literature Review.” CIRP Journal of Manufacturing Science and Technology 29 (Part A): 36–52. https://doi.org/10.1016/j.cirpj.2020.02.002.
• Kaldewey, D. 2018. “The Grand Challenges Discourse: Transforming Identity Work in Science and Science Policy.” Minerva 56 (2): 161–182. https://doi.org/10.1007/s11024-017-9332-2.
• Karwowski, W. 2005. “Ergonomics and Human Factors: The Paradigms for Science, Engineering, Design, Technology, and Management of Human-Compatible Systems.” Ergonomics 48 (5): 436–463. https://doi.org/10.1080/00140130400029167.
• Karwowski, W., G. Salvendy, T. Andre, M. Endsley, W. Rouse, P. Salmon, K. Stanney, A. Thatcher, J. Yang, H. Ayaz, A. Cakir, V. Duffy, C. Drury, Q. Gao, Y. Guo, P. Hancock, W. S. Marras, P. Rau, B. Sawyer, and N. Stanton. 2025. “Grand Challenges for Human Factors and Ergonomics.” Theoretical Issues in Ergonomics Science, in press.
• Kilmek, P., U. Barzelay, L. Bergfors, A. Choudhary, A. Jovanovic, M. Jovanovic, T. Knape, et al. 2018. “Report on Interdependencies and Cascading Effects of Smart City Infrastructures.” EU project Smart Resilience Project 700621.
• Kim, J. H., and A. R. Scialli. 2011. “Thalidomide: The Tragedy of Birth Defects and the Effective Treatment of Disease.” Toxicological Sciences 122 (1): 1–6. https://doi.org/10.1093/toxsci/kfr088.
• Knight, W. 2023. “The AI-Powered, Totally Autonomous Future of War is Here.” Wired, July 25.
• Kuhn, D., P. M. Esfahani, V. A. Nguyen, and S. Shafieezadeh-Abadeh. 2019. “Wasserstein Distributionaly Robust Optimization: Theory and Applications in Machine Learning.” TutORials in Operations Research, 130–166.
• Kumara, S. R., R. L. Kashyap, and A. L. Soyster. 1989. “Artificial Intelligence and Manufacturing: An Introduction.” In Artificial Intelligence: Manufacturing Theory and Practice. Norcross, GA: Institute of Industrial Engineers.
• Landers, R. N., and T. S. Behrend. 2023. “Auditing the AI Auditors: A Framework for Evaluating Fairness and Bias in High Stakes AI Predictive Models.” American Psychologist 78 (1): 36. https://doi.org/10.1037/amp0000972.
• Lasi, H., P. Fettke, H. G. Kemper, T. Feld, and M. Hoffmann. 2014. “Industry 4.0.” Business & Information Systems Engineering 6 (4): 239–242. https://doi.org/10.1007/s12599-014-0334-4.
• Lasley, P. 2021. 2021 Urban Mobility Report. College Station, TX: Texas A&M University.
• Lauge, D. 2023. “In U.S.-China AI Contest, The Race Is On To Deploy Killer Robots.” Reuters, September 8, 2023. Accessed December 10, 2023. https://www.reuters.com/investigates/special-report/us-china-tech-drones/(open in a new window).
• LeCun, Y., Y. Bengio, and G. Hinton. 2015. “Deep Learning.” Nature 521 (7553): 436–444. https://doi.org/10.1038/nature14539.
• Leonard, M. 2021. “Ever Given, General Average and Why Shippers Will Share the Costs of a Ship’s Rescue.” Supply Chain Dive. https://www.supplychaindive.com(open in a new window)
• Li, B., K. Mellou, B. Zhang, J. Pathuri, and I. Menache. 2023. "Large Language Models for Supply Chain Optimization." arXiv preprint arXiv:2307.03875(open in a new window).
• Li, T., L. Yu, Y. Ma, T. Duan, W. Huang, Y. Zhou, D. Jin, Y. Li, and T. Jiang. 2023. “Carbon Emissions of 5G Mobile Networks in China.” Nature Sustainability 6 (12): 1620–1631.
• Liu, L., F. Guo, Z. Zou, and V. G. Duffy. 2024. “Application, Development and Future Opportunities of Collaborative Robots (Cobots) in Manufacturing: A Literature Review.” International Journal of Human– Computer Interaction 40 (4): 915–932.
• Lu, Yuqian, Hao Zheng, Saahil Chand, Wanqing Xia, Zengkun Liu, Xun Xu, Lihui Wang, Zhaojun Qin, and Jinsong Bao. 2022. “Outlook on Human-Centric Manufacturing Towards Industry 5.0.” Journal of Manufacturing Systems 62:612–627. https://doi.org/10.1016/j.jmsy.2022.02.001.
• Lufkin, B. 2017. “10 Grand Challenge’ We'll Face by 2050.” BBC Future. https://www.bbc.com/future/article/20170713-what-will-the-challenges-of-2050-be(open in a new window).
• Lundberg, S. M., and S. I. Lee. 2017. “A Unified Approach to Interpreting Model Predictions.” Advances in Neural Information Processing Systems 30.
• Maclean, Johanna Catherine, Justine Mallatt, Christopher J. Ruhm, and Kosali Simon. 2022. “The Opioid Crisis, Health, Healthcare, and Crime: A Review of Quasi-Experimental Economic Studies.” The ANNALS of the American Academy of Political and Social Science 703 (1): 15–49. https://doi.org/10.1177/00027162221149285.
• Madni, A. M. 2018. Transdisciplinary Systems Engineering: Exploiting Convergence in a Hyper- Connected World. Cham, Switzerland: Springer.
• Madni, A. M. 2020. ““Exploiting Augmented Intelligence in Systems Engineering and Engineered Systems.” INSIGHT Special Issue, Systems Engineering and AI 23 (1): 31–36.
• Madni, A. M., and M. Sievers. 2018. “Model-Based Systems Engineering: Motivation, Current Status, and Research Opportunities.” Systems Engineering 21 (3): 172–190. https://doi.org/10.1002/sys.21438.
• Maglio, Paul P., Cheryl A. Kieliszewski, James C. Spohrer, Kelly Lyons, Lia Patrício, and Yuriko Sawatani2019. Handbook of Service Science, Volume II. Cham, Switzerland: Springer International Publishing.
• Makedon, V., O. Mykhailenko, and R. Vazov. 2021. “Dominants and Features of Growth of the World Market of Robotics.” European Journal of Management Issues 29 (3): 133–141.
• Malandraki, Chryssi, David Zaret, Juan R. Perez, and Chuck Holland. 2007. “Industrial Engineering Applications in Transportation.” In Handbook of Industrial Engineering: Technology and Operations Management, edited by G. Salvendy, 787–824. New York: John Wiley & Sons.
• Malhotra, Arvind. 2021. “The Postpandemic Future of Work.” Journal of Management 47 (5): 10911102.
• Manyika, J., M. Chui, M. Miremadi, J. Bughin, K. George, P. Willmott, and M. Dewhurst. 2017. “A Future that Works: AI, Automation, Employment, and Productivity.” McKinsey Global Institute Research, Tech. Rep. 60: 1–135.
• Meta Fundamental AI Research Diplomacy Team (FAIR). 2022. “Human-Level Play in the Game of Diplomacy by Combining Language Models With Strategy Reasoning.” Science 378 (6624): 10671074.
• Mitra, S., T. Wongpiromsarn, and R. M. Murray. 2013. “Verifying Cyber-Physical Interactions in Safety-Critical Systems.” IEEE Security & Privacy 11 (4): 28–37. https://doi.org/10.1109/MSP.2013.77.
• Monostori, László, Botond Kádár, Thomas Bauernhansl, Shinsuke Kondoh, Soundar Kumara, Gunther Reinhart, Olaf Sauer, Gunther Schuh, Wilfried Sihn, and Kenichi Ueda. 2016. “Cyber-Physical Systems in Manufacturing.” CIRP Annals 65 (2): 621–641. https://doi.org/10.1016/j.cirp.2016.06.005.
• Mulholland, E., J. Teter, P. Cazzola, Z. McDonald, and BPÓ Gallachóir. 2018. “The Long Haul Towards Decarbonising Road Freight-A Global Assessment to 2050.” Applied Energy 216: 678–693. https://doi.org/10.1016/j.apenergy.2018.01.058.
• National Academy of Engineering. 2008. “Grand Challenges in Engineering.” Accessed February 23, 2023. http://www(open in a new window). engineeringchallenges.org/challenges.aspx.
• National Academy of Engineering. 2016. Grand Challenges for Engineering: Imperatives, Prospects, and Priorities: Summary of a Forum. Washington, DC: National Academies Press.
• Nilsson, Nils J. 1982. Principles of Artificial Intelligence. Berlin: Springer Science & Business Media.
• OECD. 2023. “The Risk and Fall of Public Social Spending with the COVID-19 Pandemic.” Social Expenditure (SOCX) Update 2023.
• Omenn, G. S. 2006. “Grand Challenges and Great Opportunities in Science, Technology, and Public Policy.” Science 314 (5806): 1696. https://doi.org/10.1126/science.1135003.
• Omitaomu, O., and H. Niu. 2021. “Artificial Intelligence Techniques in Smart Grid: A Survey.” Smart Cities 4: 548–569. https://doi.org/10.3390/smartcities4020029.
• Ozmen Garibay, O., B. Winslow, S. Andolina, M. Antona, A. Bodenschatz, K. Grieman, M. Jirotka, and C. A. Ten Holter. 2023. “Six Human-Centered Artificial Intelligence Grand Challenges.” International Journal of Human-Computer Interaction 39 (3): 391–437.
• Panch, Trishan, Heather Mattie, and Rifat Atun. 2019. “Artificial Intelligence and Algorithmic Bias: Implications for Health Systems.” Journal of Global Health 9 (2): 1–5.
• Paul, Souren Lingyao Yuan, Hemant K. Jain, Lionel P. Robert Jr, Jim Spohrer, and Hila Lifshitz-Assaf. 2022. “Intelligence Augmentation: Human Factors in AI and Future of Work.” AIS Transactions on Human-Computer Interaction 14 (3): 426–445. https://doi.org/10.17705/1thci.00174
• Paul, Himangshu, and Alexander Nikolaev. 2021. “Fake Review Detection on Online E-Commerce Platforms: A Systematic Literature Review.” Data Mining and Knowledge Discovery 35 (5): 1830–1881. https://doi.org/10.1007/s10618-021-00772-6.
• Peña, V., and C. A. Stokes. 2019. Use of Grand Challenges in the Federal Government. Washington, DC: Institute for Defense Analyses.
• Piliouras, G., and J. S. Shamma. 2014. “Optimization Despite Chaos: Convex Relaxations to Complex Limit Sets Via Pincare Recurrence.” In Proceedings of the Twenty-Fifth Annual ACM-SIAM Symposium on Discrete Algorithms, 861–873. SIAM.
• Pola, G., and M. D. Di Benedetto. 2019. “Control of Cyber-Physical-Systems with Logic Specifications: A Formal Methods Approach.”.” Annual Reviews in Control 47:178–192. https://doi.org/10.1016/j.arcontrol.2019.03.010.
• Qi, M., and Z. J. Shen. 2022. “Integrating Prediction/Estimation and Optimization with Applications in Operations Management.” In Tutorials in Operations Research: Emerging and Impactful Topics in Operations, 36–58. Holland, MI: INFORMS.
• Rai, R., and C. K. Sahu. 2020. “Driven by Data or Derived Through Physics? A Review of Hybrid Physics Guided Machine Learning Techniques With Cyber-Physical System (CPS) Focus.” IEEE Access 8:71050–71073. https://doi.org/10.1109/ACCESS.2020.2987324.
• Reimers, N., and I. Gurevych. 2020. “Making Monolingual Sentence Embeddings Multilingual using Knowledge Distillation.” arXiv preprint arXiv:2004.09813(open in a new window).
• Ribeiro, M. T., S. Singh, and C. Guestrin. 2016, August. “‘Why Should I Trust you?’ Explaining the Predictions of any Classifier.” In Proceedings of the 22nd ACM SIGKDD International Conference on Knowledge Discovery and Data Mining (pp. 1135–1144).
• Rios Insua, David, Aitor Couce-Vieira, Jose A Rubio, Wolter Pieters, Katsiaryna Labunets, and Daniel G. Rasines. 2021. “An Adversarial Risk Analysis Framework for Cybersecurity.” Risk Analysis 41 (1): 16–36. https://doi.org/10.1111/risa.13331.
• Rouse, W. B. 2015. Modeling and Visualization of Complex Systems and Enterprises: Explorations of Physical, Human, Economic, and Social Phenomena. New York: Wiley.
• Rouse, W. B. 2016. Universities as Complex Enterprises: How Academia Works, Why It Works These Ways, and Where The University Enterprise Is Headed. New York: Wiley.
• Rouse, W. B., and D. A. Cortese. 2010. Engineering the System of Healthcare Delivery. Amsterdam: IOS Press.
• Rouse, W. B., M. M. E. Johns, and J. W. Curran. 2024. “Human Well-Being in an Digital Age.” In Human Computer Interaction: Hci Application Domains, edited by C. Stephanidis and G. Salvendy, 19–37. Boca Raton, FL: CRC Press.
• Rouse, W. B., M. M. E. Johns, and K. Pepe. 2019. “Service Supply Chains for Population Health: Overcoming Fragmentation of Service Delivery Ecosystems.” Journal of Learning Health Systems 3 (2): 1–9.
• Rouse, W. B., and N. Serban. 2014. Understanding and Managing the Complexity of Healthcare. Cambridge, MA: Mit Press.
• Ruane, Elayne, Abeba Birhane, and Anthony Ventresque. 2019. “Conversational AI: Social and Ethical Considerations.” AICS 2563: 104–115.
• Russell, Stuart J., and Peter Norvig. 2010. Artificial Intelligence: A Modern Approach. London: Prentice Hall.
• Salmon, P. M., T. Carden, and P. A. Hancock. 2021. “Putting the Humanity into Inhuman Systems: How Human Factors and Ergonomics can be Used to Manage the Risks Associated with Artificial General Intelligence.” Human Factors and Ergonomics in Manufacturing & Service Industries, 31(2): 223–236.
• Salvendy, G., and W. Karwowski. eds. 2021. Handbook of Human Factors and Ergonomics. 5th ed. New York: Wiley & Sons. https://www.wiley.com/enus/Handbook+of+Human+Factors+and+Ergonomics%2C+5th+Edition-p-9781119636083(open in a new window).
• Sanh, V., L. Debut, J. Chaumond, and T. Wolf. 2019. “DistilBERT, A Distilled Version of BERT: Smaller, Faster, Cheaper And Lighter.” arXiv Preprint ArXiv:1910.01108.
• Sariyer, Gorkem, Sachin Kumar Mangla, Yigit Kazancoglu, Ceren Ocal Tasar, and Sunil Luthra. 2001. “Data Analytics for Quality Management in Industry 4.0 from a MSME Perspective.” Annals of Operations Research, 1–29. https://doi.org/10.1007/s10479-021-04215-9.
• Sarker, I. H. 2021. “Machine Learning: Algorithms, Real-World Applications and Research Directions.” SN Computer Science 2 (3): 160. https://doi.org/10.1007/s42979-021-00592-x.
• Scala, Natalie M., Allison C. Reilly, Paul L. Goethals, and Michel Cukier. 2019. “Risk and the Five Hard Problems of Cybersecurity.” Risk Analysis 39 (10): 2119–2126. https://doi.org/10.1111/risa.13309.
• Sefair, Jorge A., and J. Cole Smith. 2016. “Dynamic Shortest-Path Interdiction.” Networks 68 (4): 315–330. https://doi.org/10.1002/net.21712.
• Sen, Amartya. 1982. Poverty and Famines: An Essay on Entitlement and Deprivation. Oxford: Oxford university press.
• Shao, G., D. Kibira, and K. Lyons. 2010. “A Virtual Machining Model for Sustainability Analysis.” In Proceedings of ASME 2010 International Design Engineering Technical Conference & Computers and Information in Engineering Conference DETC2010-28743.
• Sharkey, Thomas C., Sarah G. Nurre Pinkley, Daniel A. Eisenberg, and David L. Alderson. 2021. “In Search of Network Resilience: An Optimization-Based View.” Networks 77 (2): 225–254. https://doi.org/10.1002/net.21996.
• Shi, Zheyuan Ryan, Claire Wang, and Fei Fang. 2020. “Artificial Intelligence for Social Good: A Survey.” arXiv preprint arXiv:2001.01818.
• Simchi-Levi, David, William Schmidt, Yehua Wei, Peter Yun Zhang, Keith Combs, Yao Ge, Oleg Gusikhin, Michael Sanders, and Don Zhang. 2015. “Identifying Risks and Mitigating Disruptions in the Automotive Supply Chain.” Interfaces 45 (5): 375–390. https://doi.org/10.1287/inte.2015.0804.
• Simchi-Levi, David, and Edith Simchi-Levi. 2020. “We Need a Stress Test for Critical Supply Chains.” Harvard Business Review April 28. hbr.org.
• Simonite, T. 2019. “DeepMind Beats Pros at StarCraft in Another Triumph for Bots.” Wired, January.
• Skocpol, Theda. 1995. Protecting Soldiers and Mothers: The Political Origins of Social Policy in the United States. Cambridge: Harvard University Press.
• Smith, J. Cole, and Yongjia Song. 2020. “A Survey of Network Interdiction Models and Algorithms.” European Journal of Operational Research 283 (3): 797–811. https://doi.org/10.1016/j.ejor.2019.06.024.
• Song, Y., A. Romero, M. Muller, V. Koltun, and D. Scaramuzza. 2023. “Reaching the Limit in Autonomous Racing: Optimal Control Versus Reinforcement Learning.” Science Robotics, September.
• Srai, J. S., E. Settanni, N. Tsolakis, and P. K. Aulakh. 2019. “Supply Chain Digital Twins: Opportunities and Challenges Beyond the Hype.” In 23rd Cambridge International Manufacturing Symposium.
• Subramanian, A. and H. Holger Teichgraeber. 2023. “The Interplay between Operations Research and Machine Learning.” ORMS Today, March 24, 2023. https://pubsonline.informs.org/do/10.1287orms.2023.02.02/full(open in a new window)
• Sun, D., W. Gao, H. Hu, and S. Zhou. 2022. “Why 90% of Clinical Drug Development Fails and How to Improve It?.” Acta Pharmaceutica Sinica B 12 (7): 3049–3062.
• Sun, Y., S. Lin, and Z. J. M. Shen. 2022. “An Explainable Framework to Understand Machine Learning in Sales Forecast.” SSRN 4195997.
• Tabuada, P. 2021. “Controller Synthesis for ‘PS’.” In Encyclopedia of Systems and Control, edited by J. Baillieul, and T. Samad, 435–441. Cham: Springer.
• Tamers, Sara L., Jessica Streit, Rene Pana-Cryan, Tapas Ray, Laura Syron, Michael A. Flynn, Dawn Castillo, et al. 2020. “Envisioning the Future of Work to Safeguard the Safety, Health, and Well-Being of the Workforce: A Perspective from the CDC's National Institute for Occupational Safety and Health.” American Journal of Industrial Medicine 63 (12): 1065–1084. https://doi.org/10.1002/ajim.23183.
• Taylor, F. W. 1919. The Principles of Scientific Management. New York: Harper and Brothers.
• Taylor, S. J., A. Khan, K. L. Morse, A. Tolk, L. Yilmaz, J. Zander, and P. J. Mosterman. 2015. “Grand Challenges for Modeling and Simulation: Simulation Everywhere—from Cyberinfrastructure to Clouds to Citizens.” Simulation 91 (7): 648–666.
• Taylor, Matthew, Greg Marsh, Diane Nicol, and Paul Broadbent. 2017. “Good Work: The Taylor Review of Modern Working Practices.” Vol. 116. London: Department for Business, Energy & Industrial Strategy. Accessed December 1, 2023. https://www.gov.uk/government/publications/good-work-the-taylor-review-of(open in a new window) modern-working-practices.
• Thacker, Scott, Daniel Adshead, Marianne Fay, Stéphane Hallegatte, Mark Harvey, Hendrik Meller, Nicholas O’Regan, Julie Rozenberg, Graham Watkins, and Jim W. Hall. 2019. “Infrastructure for Sustainable Development.” Nature Sustainability 2:324–331. https://doi.org/10.1038/s41893-019-0256-8.
• Tobin, J., R. Fong, A. Ray, J. Schneider, W. Zaremba, and P. Abbeel. 2017. “Domain Randomization for Transferring Deep Neural Networks From Simulation to the Real World.” In IEEE/RSJ International Conference on Intelligent Robot Systems (IROS).
• Topol, E. J. 2019. “High Performance Medicine: The Convergence of Human and Artificial Intelligence.” Nature Medicine 25 (1): 44–56. https://doi.org/10.1038/s41591-018-0300-7.
• Tripathy, M., J. Bai, and H. S. Hesse. 2022. “Driver Collusion in Ride-Hailing Platforms.” Decision Sciences 54 (4): 434–446. https://doi.org/10.1111/deci.12561.
• Truong, J., M. Rudolph, N. H. Yokoyama, S. Chernova, D. Batra, and A. Rai. 2023. “Rethinking Sim2Real: Lower Fidelity Simulation Leads to Higher Sim2Real Transfer in Navigat ‘on.’ In Proceedings of the 6th Conference on Robot Learning.
• Turing, A. M. 1950. “Computing Machinery and Intelligence.” Mind; A Quarterly Review of Psychology and Philosophy 49 (236): 433–460. https://doi.org/10.1093/mind/LIX.236.433.
• Turing, A. M. 2009. Computing Machinery and Intelligence, 23-65. Netherlands: Springer.
• Ulnicane, I. 2016. “‘Grand Challenges’ Concept: A Return of the ‘Big Ideas’ in Science, Technology and Innovation Policy?” International Journal of Foresight and Innovation Policy 11 (1/2/3): 5–21. https://doi.org/10.1504/IJFIP.2016.078378.
• USEPA. 2018a. “Air Pollutants Emissions Trend Data.” https://www.epa.gov/airemissions-inventories/air-pollutant-emissions-trends-data(open in a new window).
• USEPA. 2018b. “Fast Facts on Transportation Greenhouse Gas Emissions.” https://www.epa.gov/greenvehicles/fast-facts-transportation-greenhouse-gas-emissions(open in a new window).
• Vasey, B., M. Nagendran, B. Campbell, D. A. Clifton, G. S. Collins, S. Denaxas, A. K. Denniston, et al. 2022. “Reporting Guideline for the Early-Stage Clinical Evaluation of Decision Support Systems Driven by Artificial Intelligence DECIDE-AI.” Nature Medicine 28 (5): 924–933. https://doi.org/10.1038/s41591-022-01772-9.
• Vaswani, Ashish, Noam Shazeer, Niki Parmar, Jakob Uszkoreit, Llion Jones, Aidan N. Gomez, Łukasz Kaiser, and Illia Polosukhin. 2017. “Attention is All You Need.” Advances in Neural Information Processing Systems 30: 1–11.
• Wang, C. 2021. “Grand Challenges in Environmental Systems Engineering.” Frontiers in Environmental Science 9: 1–4. https://doi.org/10.3389/fenvs.2021.809627.
• Wang, Chen, and Vicki M. Bier. 2011. “Target-Hardening Decisions Based on Uncertain Multiattribute Terrorist Utility.” Decision Analysis 8 (4): 286–302. https://doi.org/10.1287/deca.1110.0218.
• Waseem, Muhammad, and Qing Chang. 2023. “Adaptive Mobile Robot Scheduling in Multiproduct Flexible Manufacturing Systems Using Reinforcement Learning.” Journal of Manufacturing Science and Engineering 145 (12): 1–11.
• Wei, Chu, Chuan-Zhong Li, Andreas Löschel, Shunsuke Managi, and Tommy Lundgren. 2023. ““Digital Technology and Energy Sustainability: Recent Advances, Challenges, and Opportunities.” Resources, Conservation and Recycling 190:1–14. https://doi.org/10.1016/j.resconrec.2022.106803.
• Weir, Margaret M. 2001. “Welfare State.” In International Encyclopedia of the Social & Behavioral Sciences, edited by N. J. Smelser, and P.B. Baltes, Vol. 11, 16432–16435. Amsterdam: Elsevier. https://doi.org/10.1016/B0-08-043076-7/01094-9.
• West, Darrell M. 2018. The Future of Work: Robots, AI, and Automation. Washington, DC: Brookings Institution Press.
• The White House. 2021. Executive Order on Improving the Nation’s Cybersecurity. Executive Order 14028. Washington, DC: The White House.
• Woods, David D. 2015. “Four Concepts for Resilience and the Implications for the Future of Resilience Engineering.” Reliability Engineering and System Safety 141:5–9. https://doi.org/10.1016/j.ress.2015.03.018.
• Woolf, B. P., H. C. Lane, V. K. Chaudhri, and J. L. Kolodner. 2013. “AI Grand Challenges for Education.” AI Magazine 34 (4): 66–84. https://doi.org/10.1609/aimag.v34i4.2490.
• World Economic Forum. 2022. “The Global Risks Report 2022.” Accessed January 27, 2022. https://www.weforum.org/reports/global-risks-report-2022(open in a new window).
• Wu, C. J., R. Raghavendra, U. Gupta, B. Acun, N. Ardalani, K. Maeng, ... and K. Hazelwood. 2022. “Sustainable ai: Environmental Implications, Challenges and Opportunities.” Proceedings of Machine Learning and Systems 4: 795–813.
• Yan, J., Z. Yu, K. Fernandes, and Y. Xiong. 2023. “Dual Networks: How does Knowledge Network Embeddedness Affect Firms' Supply Chain Learning?.” International Journal of Operations & Production Management 43 (8): 1277–1303.
• Yang, Guang-Zhong, Jim Bellingham, Pierre E. Dupont, Peer Fischer, Luciano Floridi, Robert Full, Neil Jacobstein, et al. 2018. “The Grand Challenges of Science Robotics.” Science Robotics 3 (14): 1–14.
• Yoon, H.-J., C. Widdowson, T. Marinho, R. F. Wang, and N. Hovakimyan. 2019. “Socially Aware Path Planning for a Flying Robot in Close Proximity of Humans.” ACM Transactions on Cyber-Physical Systems 3 (4): 1–24. https://doi.org/10.1145/3341570.
• Zhao, W., J. P. Queralta, and T. Westerlund. 2020. “Sim-to-Real Transfer in Deep Reinforcement Learning for Robotics: A Survey.” In IEEE Symposium Series on Computational Intelligence (SSCI).
• Zheng, Kaiyue, and Laura A. Albert. 2019. “Interdiction Models for Delaying Adversarial Attacks against Critical Information Technology Infrastructure.” Naval Research Logistics (NRL) 66 (5): 411–429. https://doi.org/10.1002/nav.21859.
• Zheng, Kaiyue, Laura A. Albert, James R. Luedtke, and Eli Towle. 2019. “A Budgeted Maximum Multiple Coverage Model for Cybersecurity Planning and Management.” IISE Transactions 51 (12): 1303–1317. https://doi.org/10.1080/24725854.2019.1584832.
• Zhuang, Jun, and Vicki M. Bier. 2007. “Balancing Terrorism and Natural Disasters—Defensive Strategy with Endogenous Attacker Effort.” Operations Research 55 (5): 976–991. https://doi.org/10.1287/opre.1070.0434.
• Ziegeldorf, J. H., O. G. Morchon, and K. Wehrle. 2014. “Privacy in the Internet of Things: Threats and Challenges.” Security and Communication Networks 7 (12): 2728–2742. https://doi.org/10.1002/sec.795.
• Zrnic, T., E. Mazumdar, S. Sastry, and M. Jordan. 2021. “Who Leads and Who Follows in Strategic Classification?.” Advances in Neural Information Processing Systems (NeurIPS) 34: 15257–15269.