.jpg)
Resumen: Esta investigación presenta una metodología innovadora para el pronóstico de sobrecostos en proyectos de infraestructura a gran escala mediante redes Bayesianas adaptativas. A diferencia de los métodos tradicionales, nuestro enfoque integra calibración dinámica con datos del proyecto en tiempo real y un marco jerárquico de evaluación de riesgos. Combinando la experiencia estructurada de especialistas con procesamiento de datos automatizado, se mejora la precisión predictiva y se generan recomendaciones accionables para los stakeholders del proyecto. El sistema incorpora un bucle de retroalimentación dinámico para la calibración, garantizando adaptabilidad a condiciones cambiantes y mayor fiabilidad en las estimaciones de sobrecostos. Nuestros modelos muestran una mejora potencial de 15 20% en la precisión de predicción frente a métodos estadísticos estándar y un impacto positivo en la gestión presupuestaria y la mitigación de riesgos.
Introducción: Los sobrecostos son un problema recurrente en proyectos de infraestructura que afectan presupuestos, plazos y el éxito global. Las técnicas tradicionales suelen apoyarse en datos históricos y modelos estáticos que no capturan la complejidad y la naturaleza dinámica de grandes proyectos. Este trabajo propone un sistema basado en redes Bayesianas adaptativas que se calibra dinámicamente con datos de ejecución, apoyado por un marco jerárquico de evaluación de riesgos, elicitación estructurada de expertos y una canalización automatizada de datos para ofrecer predicciones tempranas y estrategias de mitigación proactivas.
Marco teórico: Las redes Bayesianas son modelos gráficos probabilísticos que representan relaciones causales entre variables mediante grafos acíclicos dirigidos. Cada nodo representa un factor relevante como Órdenes de Cambio, Fluctuaciones de Precio de Materiales o Productividad de la Mano de Obra y las dependencias se cuantifican con tablas de probabilidad condicional. Las redes Bayesianas adaptativas actualizan tanto la estructura como las tablas de probabilidad condicional con la llegada de nuevos datos. En nuestro caso empleamos una estructura causal definida con principios de gestión de proyectos y la elicitación de expertos. La innovación principal es la calibración adaptativa de las tablas de probabilidad condicional mediante un algoritmo basado en métodos de Monte Carlo secuencial o particle filtering, que permite adaptar el modelo a condiciones cambiantes del proyecto y mejorar la precisión con el tiempo. La ecuación de actualización fundamental puede expresarse como P(Node | Parents)t+1 = P(Node | Parents)t * L(Node, Parents) donde L representa la función de verosimilitud del nuevo dato.
Metodología: Evaluación jerárquica de riesgos y elicitación de expertos. El desarrollo del sistema siguió tres fases: definició n de la estructura causal, calibración inicial de las tablas condicionales y inferencia y calibración adaptativa continua. Para definir la estructura causal se utilizó el método Delphi con participación de ingenieros de construcción, gerentes de proyecto y analistas financieros. Los nodos clave incluidos fueron Complejidad del Proyecto, Tipo de Contrato, Condiciones Geotécnicas, Órdenes de Cambio, Fluctuaciones de Precios de Materiales, Productividad de Mano de Obra, Eficacia de Gestión de Riesgos y la variable objetivo Predicción de Sobrecostos. La calibración inicial de las tablas se realizó con datos históricos de 50 proyectos comparables e integración de juicios expertos mediante una versión modificada del modelo Bradley-Terry para resolver ambigüedades. Durante la ejecución, el particle filtering actualiza continuamente las tablas condicionales y calcula la probabilidad de sobrecosto. Se aplica suavizado Bayesiano para evitar sobreajuste en la calibración.
Diseño experimental y datos: El sistema se evaluó con un conjunto de 100 proyectos de infraestructura incluyendo puentes, túneles y sistemas de transporte. El conjunto incorporó planes de proyecto, datos de costos reales frente a presupuestados, registros de órdenes de cambio e informes geotécnicos. Se empleó una división entrenamiento 70% y prueba 30%. Para comparar desempeño se usaron Multiple Linear Regression y Support Vector Regression. Las métricas de evaluación fueron Mean Absolute Percentage Error y Root Mean Squared Error.
Resultados: La red Bayesiana adaptativa superó consistentemente a MLR y SVR en todas las métricas. En promedio la ABN obtuvo un MAPE de 12.7% y un RMSE de 1.5 millones de dólares, frente a 18.5% y 2.3 millones para MLR y 16.2% y 1.9 millones para SVR. La significancia estadística de la mejora fue verificada con una prueba t pareada con p < 0.01.
Discusión y trabajo futuro: Los resultados muestran el potencial de las ABN para predecir sobrecostos. La capacidad adaptativa permite ajustes dinámicos ante nuevos eventos como variaciones de mercado o retrasos climáticos. El marco jerárquico facilita identificar y priorizar los impulsores de costo. Líneas futuras incluyen integrar datos externos como indicadores macroeconómicos y eventos geopolíticos, desarrollar técnicas automatizadas de feature engineering a partir de documentos de proyecto, explorar variantes de particle filtering para optimizar la calibración y reducir la carga computacional, y diseñar una interfaz de usuario para que los actores del proyecto interactúen y visualicen las predicciones. La incorporación de fuentes externas y agentes de inferencia automatizados puede enriquecer aún más las recomendaciones operativas.
Aplicación empresarial y servicios Q2BSTUDIO: En Q2BSTUDIO combinamos experiencia en desarrollo de software y soluciones de inteligencia para traducir este tipo de investigación en herramientas prácticas para el sector. Ofrecemos desarrollo de aplicaciones a medida y software a medida que integran modelos probabilísticos, pipelines de datos en tiempo real y paneles interactivos para toma de decisiones. Nuestro equipo es especialista en inteligencia artificial e implementaciones de ia para empresas, además de servicios de ciberseguridad y pentesting para proteger los activos digitales de los proyectos. Para proyectos que requieren despliegue en la nube ofrecemos servicios cloud aws y azure y soluciones de inteligencia de negocio incluyendo integración con power bi. Si desea conocer nuestras capacidades en inteligencia artificial consulte nuestra página de servicios en Inteligencia Artificial para empresas y para proyectos a medida visite Desarrollo de aplicaciones y software a medida.
Verificación y consideraciones técnicas: La validación incluye pruebas estadísticas y medidas para evitar sobreajuste como el suavizado Bayesiano. El método Delphi asegura que la estructura causal refleje experiencia consolidada y el uso de particle filtering permite manejar dependencias no lineales y actualizar distribuciones con información parcial o incompleta. Se reconoce la complejidad computacional y la necesidad de arquitectura escalable para entornos de producción.
Conclusión: La calibración adaptativa de redes Bayesianas es una solución prometedora para anticipar y mitigar sobrecostos en infraestructura compleja. Al integrar datos en tiempo real, expertos y técnicas de inferencia avanzadas, se mejora la capacidad de respuesta y la toma de decisiones. Q2BSTUDIO está en posición de acompañar a organizaciones en la implementación de estas soluciones mediante software a medida, agentes IA, servicios cloud y plataformas de inteligencia de negocio como power bi, contribuyendo a una gestión de proyectos más eficiente y segura.
Palabras clave: aplicaciones a medida, software a medida, inteligencia artificial, ciberseguridad, servicios cloud aws y azure, servicios inteligencia de negocio, ia para empresas, agentes IA, power bi.
