Predicción y gestión del riesgo operacional en la Fuerza Aeroespacial Colombiana con técnicas de IA

Abstract

La seguridad operacional es un eje estratégico para la Fuerza Aeroespacial Colombiana (FAC), especialmente en contextos donde la toma de decisiones debe ser precisa y oportuna. Este proyecto tuvo como objetivo aplicar modelos de inteligencia artificial (IA) para predecir riesgos operacionales en aeronaves, integrando datos históricos estructurados y no estructurados mediante técnicas avanzadas como el aprendizaje automático, el procesamiento de lenguaje natural (NLP), la minería de datos y la detección de anomalías. La metodología empleada fue CRISP-DM, estructurada en seis fases iterativas desde la comprensión del problema hasta el despliegue del modelo. Se analizaron 8.283 registros con más de 100 variables relacionadas con condiciones de vuelo, tipo de aeronave, factores humanos y clasificación de seguridad operacional. Luego de un riguroso preprocesamiento, se seleccionaron variables clave con mayor capacidad predictiva para alimentar dos modelos: un clasificador XGBoost y una red bayesiana. El modelo XGBoost alcanzó una precisión del 82,86 %, con un F1-score de 0,85 para la clase “Operación” y un AUC de 0,90, destacando su efectividad para clasificar misiones y apoyar decisiones preventivas. Por su parte, la red bayesiana, entrenada con el algoritmo Hill-Climb y el estimador BDeu, logró una inferencia causal con una probabilidad de operación del 60,44 % en escenarios reales. Además, se desarrollaron dos aplicaciones interactivas en Streamlit para facilitar la exploración de escenarios y la toma de decisiones por parte de usuarios no técnicos. Como conclusión, la integración de estos enfoques permite anticipar incidentes, reducir riesgos operacionales y fortalecer la toma de decisiones estratégicas en la FAC. El modelo supervisado XGBoost aporta robustez predictiva, mientras que la red bayesiana ofrece interpretabilidad y transparencia sobre las relaciones causales entre variables operativas.