Los últimos años, años marcados por el COVID, han supuesto un periodo con importantes avances en Inteligencia Artificial en los que las expectativas no han dejado de ser superadas en muchos aspectos. Muchas empresas han superado la etapa en la que la IA se quedaba en mera experimentación y han logrado mejorar su competitividad gracias a esta tecnología.
Uno de esos casos es el de Ferrovial, que lleva desde 2016 trabajando en diversas iniciativas de Inteligencia Artificial que le han permitido generar eficiencias, nuevos ingresos y reducir los riesgos asociados a su actividad.
Porque para que la IA tenga un impacto real es imprescindible que cubra una necesidad de negocio y eso no puede lograrse sin contar con miembros de negocio en los equipos de trabajo.
Ahora bien, ¿Qué es esto de la Inteligencia Artificial en la empresa?
En la empresa la Inteligencia Artificial se confunde con la ciencia de datos o incluso la estadística porque el objetivo no es la tecnología en sí misma sino el valor que aporta. Por eso muchas veces se emplea el término para englobar todo proceso por el que a partir de unos datos (ya sean grandes o pequeños) y utilizando unos algoritmos u otros (ya sea estadística, aprendizaje automático, redes neuronales…) se llega a un conocimiento (que más tarde veremos que es un concepto muy amplio) de la que de otra manera no se hubiera obtenido.
¿Qué es esto del conocimiento?
Tiene multitud de formas, pero solo un objetivo: crear y optimizar procesos de negocio.
Algunas formas de conocimiento que obtenemos desde Ferrovial son:
- predicciones en el precio de materiales
- detección de defectos en instalaciones eléctricas
- predicción de la demanda de coches de carsharing como Zity
- optimización de tarifas en aparcamientos
- recuperación de pasajeros en aeropuertos tras la pandemia
- categorización de informes
Hay muchos más ejemplos, pero ya tenemos una idea de la variedad de este conocimiento.
¿Y los datos?
Los datos llevan estando con nosotros mucho tiempo: hojas y hojas de Excel, informes e informes de rendimientos, de licitaciones, requerimientos técnicos…
Más tarde llegaron datos procedentes de máquinas: aceleración, velocidad, consumo y un sinfín de datos del funcionamiento de máquinas excavadoras, de coches…
Y también llegaron datos de temperatura, consumo energético en instalaciones…
Y también llegaron los datos que no producíamos nosotros, pero que otras empresas u organismos públicos nos brindan: datos de inversiones de distintos gobiernos, datos climatológicos, económicos, demográficos…
Y también… ¡pero todos eran distintos! ¡y estaban en sitios distintos!
Así que creamos el Data Lake, un espacio en el que tener los datos de forma unificada, de la forma más estandarizada posible y automatizada, de forma que siempre los pudiéramos encontrar ahí listos para tratarse. Estos datos debían ser gobernados y gestionados para facilitar su uso, incrementar su calidad, evitar riesgos y garantizar un tratamiento ético de los mismos.
En organizaciones complejas como Ferrovial se crearon diversos Data Lakes que debían ser conocidos, accesibles y coordinados a través de una estructura de gobierno común.
¿Cómo pasamos de los datos al conocimiento?
A través de los algoritmos transformamos los datos en conocimiento y podemos hacerlo de distintas formas. Una clasificación de estos podría ser por lo que se aprende:
- Algoritmos predictivos: estos algoritmos se usan para aprender como a partir de unos datos de entrada se generan unos datos de salida.
Un ejemplo de estos datos se puede ver en la demanda de agua diaria de una plantación (datos de salida) que se puede entender su relación con el momento del año, los tipos de plantaciones, la demanda de agua de cada una de ellas… para después predecir la demanda futura, y anticiparte a esta.
Otro buen ejemplo es cuando el usuario de una aplicación la deja. Datos de uso medio diario, uso medio semanal, otras aplicaciones… pueden ser datos que nos hagan entender por qué un usuario deja la aplicación, para así poder predecir cuándo nos dejarán otros usuarios y actuar antes de que esto pase.
- Algoritmos de agrupamiento: en este caso no tenemos una variable de salida, sino que se pretende agrupar distintos datos en función de su similitud. Para cada tipo de dato hay una medida distinta de similitud, normalmente dada por una distancia y, juntaremos los datos que más cerca estén.
Un ejemplo de estos datos son las agrupaciones espaciales: si queremos hacer una promoción de obras para la rehabilitación de edificios querremos delimitar las zonas donde nuestra actuación puede ser más beneficiosa: juntando los edificios con peor calificación energética, con peores calles asfaltadas… y sacar una oferta adaptada a cada zona parecida y no tener que concretar para cada uno de los edificios de la ciudad.
Otro buen ejemplo es el agrupamiento de usuarios: juntando a los usuarios por cómo se comportan: alquiler de coches, horas de cada alquiler… puedes hacer ofertas adaptadas a cada grupo, consiguiendo un aumento de tus alquileres.
Ahora bien, el conocimiento no solo es el resultado de un modelo aplicado a los datos. El conocimiento tiene mucho que ver con la lógica que se le da a lo que sale del modelo (unas predicciones), que, sin el negocio, no tienen sentido.
Y es por eso por lo que siempre se trabaja con la persona que lo va a utilizar: para ayudarle a optimizar sus procesos.
La AI está muerta. Larga vida a la AI
En la primera parte de este post comparábamos la IA con una tecnología tan fundamental y transformacional como la Electricidad. La electricidad tardó más de medio siglo en tener un impacto real en las empresas no tanto por la tecnología en si misma sino por la necesidad de que las empresas y la sociedad en su conjunto encontraran la mejor forma de sacarle partido. Fue necesario transformar las cadenas de producción, las fábricas, la iluminación, etc. pero el resultado de su cambio es evidente.
Con la Inteligencia Artificial está sucediendo algo similar. Su incorporación a los procesos está siendo, a veces, más lenta de lo que se podría esperar, pero eso tiene más que ver con la capacidad de las empresas de reinventar sus procesos para extraer el máximo valor de la tecnología que de la IA en si misma.
Además, como todas las tecnologías fundamentales la tendencia, según la IA penetre todos los sectores, es desparecer.
Hoy en día no pensamos en la electricidad (más allá de cómo buscar nuevas fuentes, almacenamiento y transmisión más sostenibles) igual que el término Inteligencia Artificial está tendiendo a desaparecer. De igual forma, hablamos de vehículos y robots autónomos olvidando muchas veces que es la Inteligencia Artificial la que precisamente dota de autonomía a dichos artefactos. Hablamos de Industria 4.0 y Gemelos Digitales (Digital Twins) sin recordar que es la IA la que dota de utilidad real a dichos términos en escenarios de control avanzados, simulación, predicción y reacción autónoma a las circunstancias.
Finalmente, por poner otro término de moda, también hablamos de Metaversos, universos digitales en los que interactuamos con entornos, objetos y entes cuyo comportamiento está en gran medida definido por Inteligencia Artificial.
En conclusión, cuanto menos escuchemos el término Inteligencia Artificial es previsible que mayor esté siendo su impacto y por eso: “La IA está muerta, larga vida a la IA”.
Todavía no hay comentarios