Seguridad Laboral Latam 10

29 Segundo semestre 2020 características que lo definan antes que ocurra y no sus con- secuencias. Técnicamente hablando, para hacer este trabajo el algoritmo construía un hiperespacio de tantas dimensiones como variables de estudio hayan sido declaradas y empezaba a relacionar sus distancias geométricas respecto a centroides definidos numéricamente por los valores de las variables que se quieren agrupar. Posteriormente, el algoritmo realiza varias iteraciones según lo defina el analista para intentar agrupar las variables comunes o geométricamente más cercanas. Una vez que se definieron los grupos con características afines, tendremos entonces distintas grupos de tipos de accidentes con características definidas que explican el universo de accidentes. Se espera que esta agrupación se parezca mucho a lo detec- tado por la estadística discreta fundamentalmente, pero que como valor agregado presente relaciones de variables que no fueron advertidas con la metodología tradicional. Por ejem- plo, se podría inferir que el personal se accidenta faltando dos o tres días antes que finalice su guardia. Una vez completado este procedimiento, se procede a clasi- ficar las variables basadas en etiquetas condicionales para con ellas crear reglas de pertenencia a uno y otro grupo definido en el procedimiento inicial y de esa manera intentar predecir con la mayor certeza posible, a qué grupo pertenecerá un ac- cidente potencial a ocurrir en el futuro. Luego, el algoritmo construiría un árbol “n-nodal” teniendo como nodo madre la variable más determinante del estudio de características del accidente y así, caracterizar uno y otro grupo. Por ejemplo, una variable determinante podría ser el turno. Casi todos los accidentes ocurren en horario diurno a pesar que los turnos son homogéneos (día y noche). Entonces a partir de este nodo-variable se empieza a construir el árbol de relaciones con las demás variables considerando principal- mente, las probabilidades condicionales que las podrían unir. Al final de estos dos procedimientos se obtienen reglas con probabilidades calculadas por el algoritmo que determinan si un nuevo evento pertenecerá o no a dicha regla. Por ejemplo, si es día, entre las 1400 y 1800 horas, en condiciones de tiempo nor- males y desarrollándose trabajos mecánicos, la probabilidad de un accidente con las características de un grupo definido inicial- mente será tal o cual. Digamos que es un procedimiento redun- dante para asegurarnos la robustez de los grupos: cuánto más acertada sea la predicción, mejor control tendremos de nues- tro modelo y mayor entendimiento de nuestra dinámica de ac- cidentes habremos obtenido. Un asunto interesante es que en otro enfoque del análisis: no- sotros podríamos registrar la mayor cantidad de datos posibles de las condiciones de trabajo versus la ocurrencia de los acci- dentes para tratar de proponer probabilidades de ocurrencia de los mismos desde que se apertura un permiso de trabajo o se realiza un análisis de trabajo seguro (ATS). Hay muchos mé- todos de colección de datos y aprendizaje artificial que la mine- ría de datos nos puede ofrecer para explotar este campo. Hay mucho por investigar. Por otro lado, sí valdría la pena hacer una acotación importan- te: si el patrón de características de accidentes que ocurren en una empresa es aparentemente aleatorio, o peor aún, caótico, estamos ante serios problemas y de hecho será necesario anali- zar profundamente el porqué ocurren estos accidentes y ajustar de la mejora manera el plan HSE. Creo que esto no pasa muy a menudo, pues los factores personales definen muchos acciden- tes y estos tienen patrones de conductas muy claros y profun- damente estudiados. Realmente, las variables presentes en las circunstancias de los accidentes son muy importantes y nos pueden revelar ca- racterísticas o patrones que posiblemente no sean tan obvios: por eso nunca hay que despreciar los datos por minúsculos que sean. No por algo el peritaje es una mezcla de ciencia y arte del investigador, de igual forma debería pasar con la investigación de accidentes, inclusive si usamos únicamente la estadística dis- creta para encontrar características comunes. La metodología se basaba en algoritmos de minería de datos usados exitosamente en muchos rubros ya sea de investigación o desarrollo Figura 2. Ejemplo de grupos ya definidos por el algoritmo. Fuente: el autor. Figura 3. Ejemplo de árbol relacionando variables y grupos. Fuente: el autor.