Revista Ingeniería de Construcción Vol. 25 No. 1, pag. 05-20

Modelo de aprendizaje para la selección de un proyecto diseño-construcción (llave en mano) en el sector público

 

Alfonso Bastias*¹, Keith R. Molenaar**

* Universidad del Desarrollo, Santiago. CHILE
**University of Colorado, Boulder. USA

---

Resumen

El método primario de ejecución de proyectos en el sector público en los Estados Unidos (U.S.), tradicionalmente ha sido la ejecución diseño-licitación-construcción. El sector público históricamente ha separado los contratos de diseño y construcción. En la década de los 90, el sector público norteamericano comenzó a experimentar con la ejecución de proyectos diseño-construcción (llave en mano), que combina el diseño y la construcción en un solo contrato. En 1997 se estableció un sistema de apoyo a la toma de decisiones, con el fin de entregar un modelo se selección formal para la ejecución de proyectos en el sector público. El modelo apoya a los propietarios del sector público a determinar cuáles son los proyectos adecuados para la ejecución diseño-construcción (llave en mano). Este modelo inicial por naturaleza era estático y estaba basado en un análisis de regresión de 104 proyectos. El análisis produjo un modelo predictivo con cinco criterios de rendimiento: satisfacción general, carga administrativa, cumplimiento de expectativas, variación del programa, y variación del presupuesto. Desde 1997, el número de proyectos diseño-construcción ha aumentado dramáticamente y los métodos diseño-construcción del sector público han evolucionado. El modelo original puede ser mejorado con nuevos datos y una estructura que se traduce en un modelo adaptativo, mientras la industria continúa evolucionando. Este documento presenta una aplicación formal y el uso de capacidades para complementar el modelo estático original. Este modelo se ajusta a parámetros y funciones a través del empleo de inteligencia artificial, como principal motor de conocimiento. Este enfoque puede ser adaptado a muchas aplicaciones de apoyo a la toma de decisiones en la industria del diseño y construcción.

Palabras Clave: Diseño-construcción (llave en mano), sistema de aprendizaje, redes neuronales, toma de decisiones estratégicas, ingeniería en construcción y gestión

---

 

1. Introducción y motivación

Los propietarios del sector público en los Estados Unidos (U.S.) históricamente se han restringido a la ejecución de proyectos diseño-licitación-construcción. Los propietarios contratan a los diseñadores a través de una selección basada en las competencias profesionales para diseñar un proyecto. Una vez finalizado el diseño, los propietarios consiguen a los constructores basándose en la mejor propuesta económica. A comienzo de la década de los 90, los propietarios del sector público comenzaron a experimentar con la ejecución de proyectos diseño-construcción (llave en mano), en la cual contrataban a una sola entidad, el diseñador-constructor, para completar la etapa de diseño y construir el proyecto. Un gran número de experiencias exitosas llevó a los propietarios a aumentar el número de proyectos diseño-construcción. Sin embargo, muchos otros experimentaron fracasaron, ya que escogieron proyectos que no eran apropiados para la ejecución del método diseño-construcción.

En 1997 se implemento un sistema apoyo a la decisión estratégica, para entregar un modelo de selección formal para la ejecución de los proyectos diseño-construcción. El modelo apoya a los propietarios del sector público a determinar cuáles son los proyectos apropiados para la ejecución diseño-construcción, aumentando así sus probabilidades de éxito (Molenaar y Songer 1998). El sistema de apoyo resultante en la toma de decisión, disponible en internet, tiene el nombre de Selector del Diseño-Construcción (SDC) (Molenaar y Songer 2001). La investigación original analizó 104 proyectos, a través de un enfoque de casos de estudios retrospectivos, que derivó en un modelo predictivo con cinco criterios: satisfacción general, carga administrativa, cumplimiento de expectativas, variaciones del programa y variaciones presupuestarias. Los propietarios pueden ingresar las características de su proyecto al sistema de apoyo de decisiones, disponible en internet, para cotejar los candidatos diseñador-constructor con los 104 proyectos del caso de estudio. Pueden variar la importancia de los objetivos del proyecto, a través de una comparación en pares de los cinco criterios. El resultado del modelo arroja un puntaje que es comparado con los proyectos del caso de estudio, empleando el puntaje de los criterios de rendimiento combinados, para cada uno de los criterios de rendimiento.

El objetivo de la presente investigación es desarrollar un motor de aprendizaje para el Sistema SDC, con el fin de adaptar el modelo, mientras la ejecución de proyectos del sector público evoluciona. Desde 1997, la herramienta SDC en internet ha sido visitada por más de 12.000 personas; y la herramienta como tal, ha sido empleada en más de 200 proyectos, lo que representa sobre 5 mil millones de dólares en diseño y construcción. Actualmente existe una considerable cantidad de datos de nuevos proyectos que pueden ser usados para mejorar el modelo estático original.

Una revisión de 93 Sistemas de Soporte en la Toma de Decisiones (DDS) en el campo de la construcción durante los últimos 30 años, demuestra que la mayoría son estáticos, con parámetros, funciones y normas fijas (Bastías 2006).

Los modelos estáticos pueden volverse obsoletos con rapidez, demandando ajustes manuales para recobrar importancia el dinámico ambiente de la ingeniería en construcción y gestión. Un enfoque mejorado para solucionar los problemas de cambios en el ambiente de decisión estratégica, es desarrollar modelos dinámicos basados en sistemas de aprendizaje (Bastías y Molenaar 2005; Bastías 2006; Taylor y Bernstein 2009). Este documento presenta una aplicación formal y el uso de capacidades de aprendizaje para complementar el modelo estático original SDC. A través de esta presentación, se espera que el enfoque general pueda ser adaptado a muchas aplicaciones en el apoyo a la toma de decisiones estratégicas, en la industria del diseño y construcción.

2. Antecedentes del modelo diseño-construcción en el sector público

Un método de ejecución de proyecto es un proceso amplio en el cual diseñadores, constructores y varios consultores proveen servicios para el diseño y construcción, con el fin de entregar un proyecto completo al propietario. Los dos métodos de ejecución en el sector público norteamericano (U.S.) son diseño-licitación-construcción y diseño-construcción. La Figura 1 muestra gráficamente lo métodos de ejecución, indicando el contrato y el flujo de la comunicación inherente a cada método.

Figura 1. Métodos de Ejecución de Proyectos

Al emplear un método de ejecución de proyectos diseño-licitación-construcción, un propietario encarga a un diseñador proporcionar los servicios de diseño y luego adjudica el contrato de construcción por separado, sobre la base de la completa documentación de construcción entregada por el diseñador. El propietario es responsable por los detalles del diseño y el contratista constructor es responsable de cumplir con la calidad en los documentos de la construcción. La Figura 1 muestra que los contratos ubican al propietario entre el diseñador y el constructor en el proceso de ejecución del proyecto. La naturaleza lineal del proceso hace que el contrato diseño-licitación-construcción sea de un esfuerzo mayor. El proceso del contrato diseño-licitación-construcción también coloca la responsabilidad de la precisión de los detalles del diseño, en el curso de la construcción, claramente sobre el propietario. Como resultado, el propietario es responsable por los errores u omisiones en costos de diseño, frente al constructor. Existe poco incentivo para el constructor en minimizar o mejorar los costos. En realidad, puede originarse el efecto contrario. Cuando los proyectos diseño-licitación-construcción son adjudicados en base a la mejor oferta económica, el contratista puede considerar las modificaciones postadjudicación como un medio de aumentar las ganancias.

Los contratos diseño-licitación-construcción no dan la oportunidad de entregar sugerencias de diseño al contratista general, ya que éste es seleccionado en base a la mejor oferta económica, después que el diseño ya ha sido terminado. Así el propietario debe confiar sólo en el diseñador para la estimación de costos y la revisión de la constructibilidad, durante el proceso de diseño. Por el contrario, en el método de ejecución diseño-construcción de proyectos, el propietario conserva ambos servicios, de diseño y construcción, en un mismo contrato. La Figura 1 indica que el enfoque contractual es directo. La ejecución diseño-construcción involucra al contratista desde el inicio del diseño y éste provee opiniones de constructibilidad inherentes al proceso de diseño. El diseñador-constructor es la entidad legal que posee el detalle del diseño durante la construcción y, como resultado, es responsable frente al propietario por los costos, errores u omisiones que se produzcan durante la construcción. Puesto que el propietario ya no posee los detalles del diseño, su relación con el diseñador-constructor debe estar basada sobre un fuerte grado mutuo de confianza profesional. El diseñador-constructor puede controlar literalmente la ejecución del proyecto. Como resultado, el método de ejecución diseño-construcción ha demostrado ser altamente exitoso, al reducir el período de ejecución del proyecto.

Debido a la mínima cantidad de diseño desarrollado, al momento de la adjudicación del contrato, el diseñador-constructor generalmente es seleccionado en base a la contratación de la mejor oferta, combinando costo y precio. Los proyectos del sector público frecuentemente emplean el aprovisionamiento de dinero por suma alzada en el método diseño-construcción, pero también es viable garantizar un precio máximo.

Aunque el modelo diseño-construcción ha sido utilizado durante siglos, no fue hasta fines de la década de los 90 que el sector público comenzó a emplearlo en los Estados Unidos (U.S.). En el curso de los 80s y 90s varias agencias federales y estatales experimentaron con el modelo diseño-construcción para alojamientos militares, dormitorios colectivos, posadas (moteles), bodegas, tribunales, instalaciones de distribución de correos, instalaciones para mantenimiento de vehículos, laboratorios, clínicas de salud, tribunales federales, y autopistas. (Molenaar et. al 1999). Sin embargo, los proyectos típicamente se ejecutaron bajo una legislación o disposición legal especial, puesto que el método diseño-construcción no era ampliamente aceptado por las leyes de adjudicación del sector público. No fue sino hasta 1996 que el Acta de Reformas de Adquisiciones concedió a las autoridades federales la autoridad legal para contratar proyectos diseño-construcción (Molenaar et. al 1999). El rápido crecimiento y la novedad del método diseño-construcción en el sector público, crearon la necesidad de contar con un apoyo en la toma de decisión estratégica, a fin de escoger los proyectos del sector público que son apropiados para este modelo.

3. Solución SDC original

El sistema de apoyo en la toma de decisiones estratégicas identificó cinco criterios de rendimiento (variables dependientes), que están directamente relacionados con el desarrollo de la ejecución general del proyecto. Los criterios de rendimiento son obtenidos evaluando 36 características del proyecto (variables independientes), a través de un cuestionario orientado a obtener información objetiva sobre un proyecto específico. El cuestionario está dividido en cuatro secciones, como se muestra en la Figura 2 (Molenaar y Songer 1998).

Figura 2. Jerarquía de las Preguntas en la Selección
del Proyecto Diseño-Construcción

Una definición exitosa puede incluir muchos criterios. Costo, programa y satisfacción al cliente son las principales categorías usadas para definir el éxito de un SDC. Los cinco criterios de rendimiento son (Molenaar y Songer 1998):

1.  Satisfacción general: La satisfacción general de los propietarios con el proyecto. La escala va desde 1 (no satisfecho) a 6 (mejor que lo esperado).

2.  Carga administrativa: La carga administrativa para un potencial proyecto diseño-construcción en comparación con otros proyectos. La escala va desde 1 (baja) a 6 (alta).

3.  Cumplimiento Expectativas: El cumplimiento de expectativas para un potencial proyecto diseño-construcción en comparación con otros proyectos. La escala va desde 1 (no cumplimiento) a 6 (mejor que lo esperado).

4. Variación del Programa: La variación en el programa del proyecto desde que el contratista fue adjudicado hasta la finalización del proyecto. La escala va desde -4 (<10% dentro de programa) a +4 (>10% por encima del programa).

5. Variación Presupuestaria: Esta ecuación predice la variación del presupuesto del proyecto, desde el momento en que el contratista fue adjudicado hasta la finalización del proyecto. La escala va desde -4 (<10% dentro del presupuesto) hasta +4 (>10% sobre el presupuesto).

Cada criterio de rendimiento es modelado por una regresión lineal múltiple. Los modelos de regresión para los criterios de rendimiento están basados en los 104 casos de estudio originales (Molenaar y Songer 1998). Para obtener un puntaje del proyecto general, se combinaron cinco ecuaciones de regresión individuales, a través de un modelo lineal, en el cual los valores relativos para cada uno de los criterios de rendimiento, son únicamente determinados por el usuario de cada proyecto. El puntaje final se predice de la siguiente manera.

Los resultados del puntaje general indican al usuario la información de apoyo estratégica que puede ser usada para aumentar la probabilidad de éxito del proyecto individual (Molenaar 1997; Molenaar y Songer 1998). Mientras el usuario puede generar distintos valores relativos para todo el modelo, basándose en las necesidades individuales de su proyecto, las ecuaciones de criterio de rendimiento individual están basadas sólo en los 104 proyectos empleados originalmente para crear la herramienta de apoyo en la toma de decisión estratégica SDC.

4. Solución de aprendizaje

El punto de partida para esta investigación se enfoca en el modelo de habilidades de aprendizaje. Los modelos adaptables pueden variar con el tiempo, ajustando sus parámetros y funciones para aumentar la precisión del resultado, mientras se obtiene mayor información. En general, existen tres tipos de datos: datos de entrada, datos de factor de tiempo, datos de resultados. Dado un proceso con N pares de datos de entrada/resultado, (ver Ecuación 2), el objetivo principal del modelo adaptable es escoger el modelo que cumpla con (ver Ecuación 3) (Harris, Hong et al., 2002). Se han desarrollado técnicas para acercarse a esta ecuación en el campo de la inteligencia artificial.

En la Ecuación ~\,D_N representa un conjunto de pares de datos entrada/resultados, donde x(t) es el dato de entrada del tiempo t e y(t) es el resultado para el tiempo t.

En la Ecuación 2, w es un vector parámetro desconocido para el modelo estructura /(x(t), w)

La inteligencia artificial es una rama de la ciencia informática que ha sido desarrollada con el propósito de resolver problemas de aprendizaje. Aunque existen muchos enfoques distintos en inteligencia artificial tales como computación evolutiva, lógica difusa, algoritmos genéticos (por mencionar algunos), la aplicación más prolífera de la inteligencia artificial para conceptos de aprendizaje es la red neuronal (Jain y Martin 1998). Las redes neuronales aprenden, por definición, a través de un entrenamiento y/o adaptación, dependiendo del algoritmo de aprendizaje utilizado en cada caso. Una investigación anterior ha estudiado la aplicabilidad general de redes neuronales en el campo de la construcción (Moselhi, Hegazy et al., 1991),

así como soluciones más específicas a los problemas de construcción, tales como licitaciones (Moselhi, Hegazy et al. 1993), estimaciones (Chao y Skibniewski 1995), y adjudicación de proyectos (Kumaraswamy and Dissanayaka 2001). Por consiguiente, las redes neuronales han sido combinadas con otras tecnologías, tales como la lógica difusa y algoritmos genéticos, con el fin de producir sistemas de aprendizaje más sofisticados y realistas (Jain y Martin 1998; Harris, Hong et al. 2002; Cheng y Ko 2003).

Figura 3. Diagrama de un sistema básico de aprendizaje

Figura 3 muestra un diagrama básico del sistema de aprendizaje. Existen tres componentes principales: entrada, motor de aprendizaje y salida. Este diagrama constituye el enfoque básico del sistema que se propone. Sirve como referencia para crear los pasos necesarios para identificar y desarrollar la estructura y los procedimientos de un sistema de aprendizaje. Las tres componentes se describen a continuación.

Entrada: Los datos de entrada son la información más sensible proporcionada al modelo. Su precisión impactará directamente el resultado. Cualquier modelo es sensible a las variables de entrada, por lo que un análisis profundo del tipo y calidad de información es necesario para la creación de un modelo exitoso.

Motor de Aprendizaje: La componente más compleja de cualquier tipo de sistema de aprendizaje, es el motor de aprendizaje. Este ha sido diseñado para realizar cambios de parámetros y funciones, empleando la información del resultado. En la mayoría de los casos, se emplea un tipo de inteligencia artificial como motor (ejemplo: redes neurales, lógica difusa, algoritmos genéticos o una combinación de técnicas).

Resultado: Generalmente el resultado es fácil de medir y produce información valiosa. El resultado es la información empleada para tomar la decisión estratégica. Los resultados variarán de problema a problema, y debido a la naturaleza del sistema de aprendizaje, serán determinados por la habilidad de proveer al sistema con datos de entrada confiables.

Modelo de aprendizaje para la selección de un proyecto diseño-construcción/A learning model for design-build project selection

Las redes neuronales artificiales son modelos electrónicos relativamente rudimentarios, basados en la estructura neuronal del cerebro. La red funciona como un "cerebro" y aprende desde la experiencia. Este cerebro modelador también promete una forma menos técnica para desarrollar soluciones mecanizadas.

La estructura matemática original para el SDC es relativamente parecida a la estructura presentada por la red neuronal. El conjunto de datos de entrada/resultados en el DBE puede permanecer igual en la solución red neuronal, pero la estructura interna cambia. Los algoritmos y funciones usadas por la red neuronal son definidos por los datos arrojados en proyectos pasados. Mientras la estructura matemática del modelo lineal SDC original y las redes neuronales son similares; las redes neuronales tienen la capacidad de aprender usando nueva información que puede entregar un nuevo conjunto de datos entrada/resultado. Los algoritmos específicos de aprendizaje y el tipo de aprendizaje definidos para cada neurona en la red, gobiernan este aprendizaje.

El principal inconveniente en el uso de redes neuronales es la cantidad de datos requeridos para entrenar a la red. Rara producir resultados precisos, con un número bajo de puntos de entrada de datos a entrenar, es importante usar una distribución eficiente y efectiva de este conjunto, que relativamente está sujeto a problemas. Los desafíos adicionales de las redes neuronales son la parálisis y los mínimos locales. La parálisis se refiere al caso cuando los valores relativos impredeciblemente llegan a un estado de paralización, y no se ajustan durante el entrenamiento. Los mínimos locales se refieren al caso cuando los valores relativos se ubican en un estado menor que el óptimo (óptimo local v/s óptimo global) (Jain and Martin 1998).

En la mayoría de los casos, las redes neuronales son ajustadas y/o entrenadas, a fin que un dato de entrada en particular conduzca a un resultado objetivo específico, como se muestra en la Figura 4. El ajuste de la red está basado en una comparación del resultado con el objetivo, hasta que la red enlaza el objetivo, o hasta que ocurra un error permitido. Existen dos tipos de conocimiento: supervisado o no-supervisado. El aprendizaje supervisado requiere de un "profesor". El profesor puede ser un conjunto de datos de entrenamiento o un observador que clasifica el rendimiento de los resultados de la red. De cualquier forma, contar con un profesor es aprender por refuerzo. Cuando no existe un profesor externo, el sistema debe organizarse a sí mismo con algún criterio interno diseñado en la red. Otra característica interna importante de la red neuronal tiene relación con sus capas. Un gran número de capas, en la mayoría de los casos, aumenta la precisión de los resultados, pero requiere de un mayor número de entrada de datos para entrenar a la red adecuadamente. (Hüllermeier, Renners et al. 2004; Hinton, Osindero et al., 2006)

Figura 4. Diagrama de una Red Neuronal Artificial

Algunas ventajas y desventajas notables:

•   Ventajas: Las redes neuronales aprenden el comportamiento del sistema, usando los datos de entrada y resultados. La representación del proceso de pensamiento humano es lo suficientemente buena para solucionar muchos problemas, ya sea no resueltos o insuficientemente resueltos con las técnicas existentes. Las redes incorporan la información previa para satisfacer las siguientes soluciones avanzadas.

•  Desventajas: El mayor problema es la naturaleza de la "caja negra". No ha finalizado la comprensión de lo que se encuentra dentro de la caja negra. Es muy difícil determinar la apropiada estructura y la capa de la red para solucionar el problema. Manipular y adquirir parámetros de aprendizaje y convergencia, es una tarea cuya dificultad va en aumento. Otra desventaja importante se relaciona con la cantidad de conjunto de datos necesarios para entrenar a la red neuronal. Dependiendo del número de componentes y capas, la red neuronal pudiera requerir un mayor volumen de información: este es un factor que la industria de la construcción aún debe controlar.

El conjunto de datos entrada/resultado permanece idéntico entre la solución original y la nueva solución SDC. Un conjunto de 25 datos de entrada están relacionados con cinco resultados. Por lo que, la red neuronal posee 25 nodos de entrada asociados a cinco nodos de resultado. Un tipo categórico de nodo refleja una variable exclusiva, por ejemplo tipo de contrato. Como mencionamos anteriormente, la configuración inicial se realizó empleando 104 proyectos y fue validada por 18 proyectos en 1997. Desde entonces, se han finalizado muchos proyectos proporcionando nueva información al modelo para mejorar la precisión de los resultados.

La tarea más compleja y tediosa de la construcción de la red neuronal, es la selección del número del número de capas ocultas ó nodos y los parámetros de aprendizaje, tales como la norma de aprendizaje y velocidad de aprendizaje. Existe una correlación implícita en la construcción de redes neuronales. Si el número de nodos es muy reducido, la red pierde su capacidad de aprender. Con el fin de diseñar "la red menos complicada, con rendimiento aceptable", se hace necesario establecer un procedimiento "ensayo-error" (Cimikowski y Shope 1996).

Luego de un acucioso análisis y diseño de la red, se realizó un procedimiento ensayo-error agregando nodos a la capa oculta y una revisión al rendimiento mejorado de la red. Durante estos experimentos, los cambios fueron monitoreados con un indicador de rendimiento (puntaje final), el error cuadrático medio (MSE), el error medio (MEAN) y el error de desviación típica (STD). La solución propuesta incluye un conjunto de cinco redes neuronales asociadas a cada criterio de rendimiento. Todas las redes tienen la misma estructura, con una capa de entrada compuesta por tres neuronas y dos capas ocultas, donde la capa interior tiene dos neuronas y la capa resultado posee sólo una.

La Figura 5 muestra el diseño de la red para el criterio de rendimiento Satisfacción General. Para desarrollar la red se empleó una caja de herramientas Red Neuronal ® Matlab™. El algoritmo empleado por la red es de retropropagación, con Purelin como función de transferencia, Translm como función de transferencia de entrenamiento y Train como función adaptativa. La función de rendimiento minimizó el error cuadrático medio (MSE). La capa interior posee un vector de 8 puntos de datos con tres neuronas.

Figura 5. Redes para el indicador de "Satisfacción General"

Las redes neuronales deben ser entrenadas para ajustar el valor relativo y la propensión. El proceso de entrenamiento requiere, en la mayoría de los casos, una considerable cantidad de datos; sin embargo esta cantidad puede ser reducida si el conjunto de datos es representativo del problema a solucionar. La adaptación consiste en que la red, previamente entrenada, sea ajustada empleando nueva información a través de retroalimentación. La simulación es exactamente la evaluación de la red empleando ciertos datos de entrada.

El conjunto de datos para el nuevo modelo considera 152 proyectos, con la solución diseño-construcción (SDC). Con el fin de mantener un paralelo entre la solución original y este nuevo enfoque, la red fue entrenada con el mismo conjunto inicial de datos (es decir los 104 proyectos originales). Luego fue adaptada con 18 proyectos y evaluada con 29 proyectos. La Tabla 1 muestra los resultados de la evaluación en tres casos: la solución estática, la red neuronal inicial y la red neuronal adaptada por conjunto de datos adicionales.

Tabla1. Análisis de error

La Figura 6 muestra cinco redes neuronales con la solución SDC y representa la topología general. El resultado de cada red neuronal es transformado a una escala de 1-100, y luego a un modelo lineal. El puntaje final es calculado como un promedio de cada criterio de rendimiento, en una escala ajustada. Este cálculo se realiza para hacer una comparación directa, puesto que los valores relativos son distintos para cada proyecto. Como discutimos con anterioridad, se realizó una dinámica comparación en pares en la solución SDC, para generar los valores relativos para cada proyecto exclusivo.

Figura 6. Topología Final de Redes Neuronales

Como se muestra en la Tabla 1, el modelo muestra un particular mejoramiento a partir del modelo regresional. Como ejemplo, una gran universidad pública invirtió USD 12.000.000 en la extensión de un edificio auxiliar. La información de este proyecto fue empleada para analizar el rendimiento del actual nuevo modelo. La red neuronal indica la predicción de éxito para el proyecto y, por lo tanto, entrega información consultativa más precisa. El porcentaje de error de la estimación final disminuyó de 7.1 % a 0.5%, en este caso particular. El resultado, a partir de la solución SDC, proporciona un puntaje general basado en las predicciones para cada una de las medidas de rendimiento. El resultado para este proyecto mostró que era un buen candidato para la ejecución diseño-construcción. Algunas de las características indicaron el mejoramiento que el propietario podría ejecutar en el área de rendimiento del programa.

Para mayor detalle sobre esta información consultativa, ver investigación de Molenaar (Molenaar y Songer 2001). Un aspecto importante de la solución SDC no es solamente la precisión adicional, sino que aún más relevante es cómo se empleó la información de retroalimentación para mejorar continuamente el resultado. Las características del propietario, del proyecto, el mercado y la relación, irán cambiando en la medida que el sector público evolucione y se familiarice con la ejecución diseño-construcción. Si el modelo de red neuronal puede ser provisto con datos adecuados, este modelo entregará predicciones más precisas y proporcionará información consultativa más aplicable.

5. Conclusión

Esta investigación fomenta el área de sistemas de apoyo a la decisión en ingeniería en construcción y gestión, al aplicar un modelo de aprendizaje a un problema originalmente resuelto con un modelo estático. Aunque por naturaleza, la ingeniería y gestión de la construcción es una disciplina muy dinámica, la gran mayoría de los sistemas de soporte a la decisión son estáticos. El SDC cumple como caso de estudio representativo, ya que es un sistema de decisión típico en esta área.

Aunque este documento provee sólo un caso de estudio para un modelo de aprendizaje, aplicado a la ingeniería en construcción y gestión, los autores ven muchas oportunidades de aplicaciones futuras. El caso de estudio SDC es un ejemplo de decisión estratégica que involucra la selección de un método de ejecución. Similares problemas dinámicos están presentes a este nivel estratégico, como se ve en la literatura. Esta metodología puede ser aplicada por una compañía contratista a la selección de proyectos internacionales (Han y Diekmann 2001), o a la decisión de un propietario por seleccionar contratistas pre-calificados (Russell et. al 1990). En un nivel estratégico, existen ciertas barreras tales como el tiempo requerido para reunir los resultados de retroalimentación, la cantidad de datos requeridos para un resultado confiable, el número de complicadas variables en las decisiones, y la aceptación de la información de apoyo a la decisión por los responsables de ésta. Sin embargo, como se muestra en el caso SDC, estas barreras pueden ser superadas con una planificación de largo plazo y una coherente recolección de datos.

La aplicación de esta metodología de aprendizaje también puede ser aplicada a niveles de producción.

Estudios similares que pueden beneficiarse con esta metodología a nivel productivo incluyen recursos compartidos en construcción lineal (Perera 1983), optimización cargas pesadas múltiples, (Lin y Haas 1996), análisis de correlación tiempo-costo-calidad para construcción de carreteras (El-Rayes y Kandil 2005). La extensión del tiempo requerido para reunir resultados de retroalimentación y la cantidad de factores complicados es menor en el nivel productivo. Sin embargo, otras barreras para la implementación podrían incluir una estructura de menor tiempo en implementar los resultados y cambiar sistemas de producción, durante las operaciones. Pero estas barreras son mínimas en comparación con las ganancias potenciales que se pueden encontrar, al aplicar los mecanismos de aprendizaje a los sistemas de apoyo a la decisión de la industria.

Por último, el campo de la ingeniería en construcción y gestión se beneficiará con la incorporación de nuevas capacidades de aprendizaje de los modelos de apoyo a la toma de decisiones. El empleo de la inteligencia artificial aplicado a las capacidades de aprendizaje en sus modelos de decisiones es una forma apropiada; sin embargo, otros métodos también pueden ser usados. La clave es no dejar que los modelos permanezcan estáticos y usar nueva información para aumentar la precisión de futuros resultados. El caso SDC demuestra que, con una planificación adecuada, los sistemas dinámicos de apoyo a la decisión pueden mejorar el desarrollo, sin crear una excesivamente pesada recolección de datos y esfuerzo de análisis.

6. Agradecimientos

Los autores quisieran agradecer a todos los profesionales que contribuyeron con tiempo y datos al caso de estudio. Sin su apoyo, esta investigación no habría sido posible.

7. Referencias

Bastias A. (2006), Towards the application of learning systems for decision support in construction engineering and management. Civil Engineering. Boulder, University of Colorado.

Bastias A. and K. Molenaar (2005), Classification and Analysis of Decision Support Systems for the Construction Industry. International Conference on Computing in Civil Engineering, Cancun, American Society of Civil Engineers.

Cimikowski R. and P. Shope (1996), "A neural-network algorithm for a graph layout problem." IEEE Transactions on Neural Networks 7(2): 341-345.

Chao L.-C. and M. J. Skibniewski (1995), "Neural Network Method of Estimating Construction Technology Acceptability." Journal of Construction Engineering and Management 121(1): 130-142.

Cheng M.-Y. and C.-H. Ko (2003), "Obj'ect-Oriented Evolutionary Fuzzy Neural Inference System for Construction Management." Journal of Construction Engineering and Management 129(4): 461-469.

Harris C, X. Hong et al. (2002), Adaptive modelling, estimation, and fusion from data: a neurofuzzy approach, Springer Verlag.

Hinton C, S. Osindero, et al. (2006), "A fast learning algorithm for deep belief nets." Neural Computation 18(7): 1527-1554.

Hüllermeier E., I. Renners et al. (2004), "An evolutionary approach to constraint-regularized learning." Mathware & soft computing 11(2-3): 109-124.

Jain L. C. and N. M. Martin (1998), Fusion of Neural Networks, Fuzzy Sets, and Genetic Algorithms: Industrial Applications, CRC Press, Inc.

Kumaraswamy M. and S. Dissanayaka (2001), "Developing a decision support system for building proj'ect procurement." Building and Environment 36(3): 337-349.

Molenaar K. (1997), Public sector design-build: a model for proj'ect selection. Civil Engineering. Boulder, University of Colorado.

Molenaar K. and A. Songer (1998), "Model for public sector design-build proj'ect selection." Journal of Construction Engineering and Management 124(6): 467-479.

Molenaar K. and A. D. Songer (2001), "Web-based decision support systems: Case study in proj'ect delivery." Journal of Computing in Civil Engineering 15(4): 259-267.

Moselhi O. and T. Hegazy et al. (1991), "Neural networks as tools in construction." Journal of Construction Engineering and Management 117(4): 606-625.

Moselhi O., Hegazy T. et al. (1993), "DBID: analogy-based DSS for bidding in construction." Journal of Construction Engineering and Management 119(3): 466-479.

Taylor J. and P. Bernstein (2009), "Paradigm Traj'ectories of Building Information Modeling Practice in Proj'ect Networks." Journal of Management in Engineering 25: 69-76.

Fecha de recepción: 28/ 01/ 2010
Fecha de aceptación: 15/ 03/ 2010

Autor de correspondencia E-mail: abastias@udd.cl