Desarrollo de un prototipo de herramienta analítica para el control de proyectos de infraestructura vial en Colombia incorporando machine learning
##plugins.themes.bootstrap3.article.main##
Keywords
Aprendizaje automático, Control de proyectos, Pronóstico de duración, Optimización de recursos, Pronóstico de costos, Sugerencias
Resumen
Este artículo presenta el desarrollo de un prototipo de herramienta analítica orientada al control de proyectos de infraestructura vial en Colombia, incorporando técnicas de machine learning como recurso pedagógico y de innovación en la gestión de proyectos. Su propósito es fortalecer los procesos de formación y toma de decisiones, tanto en entornos académicos como profesionales, mediante modelos predictivos que permiten estimar duración y costos, optimizar recursos y generar recomendaciones técnicas automáticas. La metodología adoptó el enfoque CRISP-DM, partiendo de la recopilación y depuración de datos históricos del Gestor de Proyectos de Infraestructura (GPI), y el desarrollo de cuatro modelos: LightGBM para predicción de duración, K-Means para optimización de recursos, regresión lineal para estimación de costos y Random Forest para recomendaciones. Estos modelos se integraron en una interfaz interactiva que posibilita su uso en tiempo real, favoreciendo el aprendizaje aplicado y el análisis reflexivo. Los resultados evidencian alta precisión y clasificación efectiva en tres niveles de eficiencia. Se concluye que la incorporación de herramientas analíticas basadas en datos, en contextos formativos y profesionales, no solo mejora el control y la planificación de proyectos, sino que también fomenta competencias críticas en análisis de información, mitigación de riesgos y toma de decisiones estratégicas en escenarios complejos.
Referencias
Amat Rodrigo, J. (2023). Gradient boosting con Python. https://dev.cienciadedatos.net/ documentos/py09_gradient_boosting_ python
Aung, T., Liana, S. R., Htet, A., & Bhaumik, A. (2023). Using machine learning to predict cost overruns in construction projects. Journal of Technology Innovations and Energy, 2(2). https://doi.org/10.56556/ jtie.v2i2.511
Calinski, T., & Harabasz, J. (1974). A dendrite method for cluster analysis. Communications in Statistics, 3(1), 1–27. https://doi. org/10.1080/03610927408827101
Cámara Colombiana de la Construcción [CAMACOL]. (2018). Informe de productividad en el sector de la construcción. https://camacol.co/ informe-productividad
Camacol. (2024). Informe económico No. 119: Coyuntura y retos para el sector de la construcción en 2024. https://camacol. co/informe-economico-119
Cutler, D. R., Edwards, T. C., Beard, K. H., Cutler, A., Hess, K. T., Gibson, J., & Lawler, J. J. (2007). Random forests for classification in ecology. Ecology, 88(11), 2783–2792. https://doi.org/10.1890/07-0539.1
Departamento Administrativo Nacional de Estadística [DANE]. (2022). Encuesta Pulso Empresarial: Uso de tecnologías de inteligencia artificial por sectores económicos. https://www.dane.gov. co/files/investigaciones/boletines/ pulso-empresarial/presentacion-pulsoempresarial-oct22-nov22.pdf
Davies, D. L., & Bouldin, D. W. (1979). A cluster separation measure. IEEE Transactions on Pattern Analysis and Machine Intelligence, 2(2), 224–227. https://doi. org/10.1109/TPAMI.1979.4766909
EY Americas. (2021, noviembre 3). AI: Construction’s new frontier of digital enablement. https://www.ey.com/ en_us/construction-real-estate/aiconstructions-new-frontier-of-digitalenablement
Google for Developers. (s. f.). Machine learning: Regresión lineal. https://developers. google.com/machine-learning/crashcourse/linear-regression?hl=es-419
Han, J., Kamber, M., & Pei, J. (2012). Data mining: Concepts and techniques (3rd ed.). Morgan Kaufmann.
Instituto Iberoamericano de Mercados de Valores [IIMV]. (2017). La financiación de las micro, pequeñas y medianas empresas a través de los mercados de capitales en Iberoamérica. Fundación IIMV. https://scioteca.caf.com/ handle/123456789/1454
Jain, A. K. (2010). Data clustering: 50 years beyond K-means. Pattern Recognition Letters, 31(8), 651–666. https://doi. org/10.1016/j.patrec.2009.09.011
##plugins.themes.bootstrap3.article.sidebar##
##plugins.themes.bootstrap3.article.details##
Esta obra está bajo una licencia internacional Creative Commons Atribución-NoComercial-CompartirIgual 4.0.
Los autores/as conservarán sus derechos de autor y garantizarán a la revista el derecho de primera publicación de su obra, el cuál estará simultáneamente sujeto a la Licencia de reconocimiento de Creative Commons que permite a terceros compartir la obra siempre que se indique su autor y su primera publicación esta revista.
Revista Boletín Redipe por Red Iberoamericana de Pedagogía se distribuye bajo una Licencia Creative Commons Atribución-CompartirIgual 4.0 Internacional.