Inteligencia Artificial, Data Science, Big Data, Machine Learning… y así podríamos seguir. Para muchos de nosotros son anglicismos, que usan profesionales muy formados en tecnología y matemáticas, pero que no conocemos bien la profundidad de su utilidad. En cambio, es uno de los mayores campos de empleo, de innovación y de posibilidades de crecimiento para nuestras empresas.

«Necesitamos una cultura ilusionante en torno a la tecnología y abrazar la digitalización como una gran oportunidad para superar muchas de nuestras debilidades: envejecimiento, paro juvenil, riesgos para la sostenibilidad del estado de bienestar, vulnerabilidad ante las pandemias, medios ambiente, incluso cierta tecnofobia…», esta ilusión que nos transmitía Andrés Pedreño la hemos hecho nuestra en Sintetia.

Por eso, nos disponemos a ir entrando poco a poco en la caja negra de la tecnología para hacerla un poquito más traslúcida. Y para ello, hoy entrevistamos a Paul Van Branteghem, una mente brillante, tecnológica, pero con un corazón divulgativo y una capacidad humanista que lo complementan de una forma extraordinaria.

Paul es confudador de una iniciativa apasionante, la asociación Spain-AI. Trabajó en Siemens-Gamesa y BBVA desarrollando proyectos de Inteligencia Artificial. Después pasó por Deloitte donde lideró proyectos nacionales e internacionales de Data Science. Ahora es Head del Chapter de Data Science en StratioBD y profesor de analítica avanzada en el Instituto de Innovación del ESIC y en la Escuela de Negocios Digital ISDI.

Paul es físico y tiene un máster en Inteligencia Artificial Avanzada y en Meteorología combinado con postgrados en Marketing Analytics. Toda una mente brillante, de las que jamás nos cansaremos de aupar en Sintetia.

Atención, reto: explica qué es la Inteligencia Artificial para los no especialistas

La Inteligencia Artificial (IA) tiene como objetivo crear máquinas que repliquen las mismas capacidades del ser humano.

En este punto hablamos desde el movimiento hasta su adaptación al medio, aprendiendo de los cambios que se suceden en el entorno y que nos ha permitido a día de hoy estar en la cúspide de la evolución. Uno de los puntos más interesantes y que más potencial tiene en el ámbito empresarial es el desarrollo de sistemas que auto-aprenden a partir de un input de datos. Por ejemplo, pensemos en un niño que ha visto muchos perros y un día ve uno nuevo de una raza diferente. El niño ha aprendido la morfología del mismo y sabrá decir que eso es un perro.

A este campo subconjunto de la IA, lo llamamos Machine Learning que permite tomar decisiones con mayor precisión a la vez que tener una respuesta escalable y rápida a un determinado caso de negocio.  Es por ello por lo que es uno de los campos en los que más están apostando muchas empresas entre las que destacan las del sector de banca, telecomunicación, industria 4.0, marketing,… entre otros.

Aunque hay mucha gente que lo ve como algo futurista, la realidad es que interactuamos con la IA en nuestro día a día de manera inconsciente y constantemente.  Cuando navegamos por internet miles de modelos lanzan predicciones y analizan nuestro comportamiento para ofrecernos sugerencias personalizadas y mejorar nuestra experiencia online. Todo esto con el objeto de maximizar beneficios siendo su input de entrada, el dato.

La IA es sin duda una herramienta muy poderosa que puede ayudar a maximizar los beneficios pero tiene también sus limitaciones y requerimientos que son muy importante conocer para que un proyecto sea exitoso.

El Machine Learning o cómo diferenciar un husky de un lobo

—Explícamos qué es el Machine Learning.

Es una rama de la Inteligencia Artificial. Son técnicas para que las máquinas, a través de algoritmos, encuentren patrones en los datos. Con esos patrones se pueden hacer predicciones. 

Por ejemplo, imagina que todos los días vemos por la venta cómo llega el camión de la basura. Cuantas más noches pasamos mirando esos camiones que llegan a por la basura más sabemos de ellos: altura, tamaño, su apertura trasera, sus colores,… Si un día estamos en casa de unos amigos, y llega un camión, sabemos si es de la basura o no, aunque no estemos en nuestra ventana.

En la práctica las cosas se complican. Porque los algoritmos no saben nada distinto a los datos que le pasamos. Si hemos entrenado al algoritmo siempre cuando el camión de la basura está en servicio con dos personas detrás, es posible que si ve un camión sin estas dos personas no sepa diferenciar si es de la basura o no. 

Para que tener buenas predicciones se necesitan muchos datos, muy entrenados en entornos distintos.

Pongamos un ejemplo más visual:

Hay un estudio para tratar de lograr que las máquinas (algoritmos) puedan diferenciar entre huskys y lobos. Cuando trabajaban con el modelo se dieron cuenta que clasificaba erróneamente el lobo. Para encontrar por qué ocurría entró en escena… ¡la nieve!  El modelo estaba tomando como factor decisivo la nieve de alrededor de la imagen del husky. El modelo había sido entrenado con muchas fotos de lobo en lugares de nieve. Y esto confundía al algoritmo a la hora de definir los patrones importantes para diferenciar un lobo de un husky.

Los modelos de Machine Learning están enfocados a resolver casos relativamente «simples» y necesitan datos: muchos y buenos. A partir de ahí, los modelos nos permiten automatizar y escalar procesos a partir de esos datos. Conocer las capacidades, las limitaciones y tener una cultura del dato es un tridente necesario…

—¿Cómo surge vuestra Asociación y cuáles han sido los grandes hitos?

La asociación nace en 2017 buscando converger dos mundos y perfiles que en su momento se encontraban muy distantes: negocio y la ciencia de datos. Veíamos que existían muchos proyectos y perfiles brillantes a nivel técnico que no cuajaban luego con el objetivo de negocio en un proyecto de data science (la ciencia de los datos).

Por otro lado, veíamos muchas empresas que no eran capaces de ver el potencial de la IA, ya sea por una mala experiencia o por desconocimiento y queríamos hacerles llegar casos de uso reales que les pudiesen llevar a cambiar su concepción sobre la misma.

Empezamos con eventos en Madrid con gran repercusión y en 2018 empezamos con una estrategia nacional con Barcelona, Málaga, Bilbao,… de la mano de los líderes locales, que lanzan iniciativas adecuadas a las necesidades de la región.

A día de hoy somos hay más de 23 líderes en toda España buscando democratizar y mostrar las capacidades de la Inteligencia Artificial.

Con este formato, intentamos equiparar el conocimiento en todo el territorio nacional y llegar a todo el mundo hispanohablante, permitiendo que ciudades donde la IA está más avanzada compartan conocimiento con otras donde aún queda mucho potencial por desarrollar.

La Spain IA logra llevar la Inteligencia Artificial y la cultura del dato a 9.000 personas por España

Otro hito importante fue en 2019 empezando con formación a empresas personalizadas, donde buscamos a los expertos más adecuados para el público objetivo de la formación para que la empresa conozca casos reales que puedan implementar en su negocio.

El último hito pero no menos importante, es el Hackathon que lanzamos en 2021 para definir al mejor data scientist de España. Este consiste en 3 casos de uso con datos reales de grandes empresas como Zara Tech, que son evaluados por un gran comité de expertos que vienen del MIT, BBVA, Zara, Politécnica de Madrid y el Instituto de Ingeniería del Conocimiento (IIC) , entre otras grandes empresas y universidades.

Con este sistema, hemos llegado a más de 9.000 personas dentro de nuestra comunidad gracias a más de 20 eventos presenciales, 45 webinars, podcasts, relaciones institucionales con administraciones públicas, colaboración con otras asociaciones nacionales e internacionales, con medios y sobre todo gracias a nuestros patrocinadores que nos permiten seguir manteniendo impulso y herramientas para democratizar la IA. Cada persona o ente que se suma a la iniciativa y saque valor de nuestro contenido es un hito conseguido y nuestra idea es seguir sumando por miles.

Estos retos y su comité de expertos, hacen de esta iniciativa un potente hub de talento en el que buscamos reconocer al mejor data scientist de España.

—¿Crees que en España tenemos un gran potencial empresarial y laboral en IA?

España tiene un gran potencial laboral y empresarial en este sector. Tenemos grandes profesionales que son reconocidos fuera de nuestras fronteras. Muchos de ellos aportan a partir de plataformas colaborativas de manera global a la IA. Estamos muy bien preparados y valorados.

En el ámbito empresarial, existen grandes empresas que han hecho grandes esfuerzos en digitalizarse. Sin embargo, es difícil implantar una cultura del dato y adaptarse cuando tienes tantas herramientas, datos y trabajadores con diferentes metodologías y procesos. Esto exige una gran coordinación y un cambio de mentalidad.

Estamos hablando de mucho trabajo a largo plazo que muchas veces choca con unas expectativas a corto. Necesitamos entender que estamos ante un cambio que exige tiempo y que los proyectos de data science no son iguales que los de desarrollo, en los que es necesario un cambio de mentalidad.

Las startups pueden, pero el tamaño las frena. El crecimiento empresarial es crítico para el desarrollo tecnológico

En este aspecto, las startups y pequeñas empresas tienen muchas más opciones de adaptarse rápidamente y dar soluciones con productos más innovadores.  Sin embargo, tienen muchas dificultades ya no solo desde la administración, sino por parte de otras empresas más grandes.

He visto startups con un gran potencial que tras superar en un benchmark a otras mucho más grandes en una propuesta, han sido rechazadas al llegar al departamento de financiero debido al tamaño de las mismas. Tenemos que apostar más por ellas, trabajar con pequeñas empresas especializadas que tengan la capacidad de adaptarse rápido para darnos el mejor servicio.

Es posible que lo que hablamos se reproduzca en otros países pero pienso que es un punto que nos permitiría crecer de manera más ágil.

—¿Cuáles son los perfiles más demandados en el mercado y por qué?

Actualmente, el perfil más demandado e ideal es aquel que consigue implementar algoritmos de machine learning con una buena visión de negocio y si es posible además, con la visión más óptima para la puesta en producción de modelos .

La visión de negocio es muy importante en estos momentos. Muchas empresas han intentado adentrarse en la IA y aunque posiblemente sus proyectos fuesen muy potentes técnicamente, no conseguían resolver bien el objeto de negocio. Es por ello que los perfiles tienen que saber obtener a partir de un caso claro de negocio, con sus requerimientos y limitaciones, las mejores métricas de los modelos y los indicadores clave del proyecto.

Respecto a una visión de puesta en producción de los modelos, no sólo hablamos de la capacidad de seleccionar las herramientas y métodos que permitan sacar el máximo beneficio a estos, sino también ha hacerlo con una metodología limpia y clara que permita reutilizar código, entenderse con otros perfiles y tener un sistema ágil que permita cambios futuros si son requeridos.

Esta parte es una constante en las actuales demandas de los perfiles de Data Science debido a que muchas empresas han tenido malas experiencias en este punto en proyectos pasados. Es por eso que ahora el término MLOPs aparece con alta frecuencia en los requerimientos de los puestos de trabajo.

Un elemento esencial en el ADN de toda empresa: la cultura del dato

—Hablamos mucho de digitalización, de tecnologías, de datos, pero aún muchas empresas españolas están lejos de los parámetros de las empresas más punteras del mundo. ¿Por dónde empezar? ¿Cómo se tiene que convencer de que todas estas tecnologías son básicas para la mejora de competitividad de una empresa?

Sin duda, para empezar en este mundo es importante entender las capacidades de la IA y sus limitaciones. Los modelos de analítica avanzada se basan en datos principalmente pero es necesario que tengan una calidad suficiente para transformarlos en información.

El primer objetivo, por lo tanto, es tener una cultura de valor del dato, saber lo importante que es e invertir para que sea lo más explotable posible.

En esto, en mi experiencia he visto muchos casos de búsqueda de reducción de costes a corto plazo que conlleva una inversión que multiplica más de por 100 el coste en un futuro, por no tener una cultura del dato.

Por poner un ejemplo, algo tan simple, como que en el proceso de alta de un cliente, se permita que el usuario ponga texto libre para campos como puede ser la provincia, lleva luego a que cuando intentamos explotar el dato nos encontremos con más de cientos de valores como Vigo, España, nombres de calles que obliguen luego a reinvertir en la limpieza  y estandarización de estos datos. Generalmente, el problema no solo se traduce en ese coste a mayores sino también en que muchos datos no son recuperables y por tanto no podrán ser usados para tener modelos más robustos.

Después de implementar esa cultura, hay que hacer un análisis de proyectos en nuestra compañía que maximicen beneficios con los menores requerimientos posibles. Esto parece obvio, pero muchas empresas empiezan por proyectos demasiado exigentes que acaban haciendo que se pierda la confianza en la IA.

A partir de ahí, es ir construyendo ladrillo a ladrillo una empresa que acaba tomando decisiones basadas en los datos de manera automática. Finalmente, es importante entender que implementar un modelo de machine learning en una empresa implica cambiar la forma de entender los resultados y la toma de decisiones.

Ante situaciones anómalas, el algoritmo quizás no sabrá responder tan bien como un humano. Es importante saber cómo actuaremos frente a esas situaciones y cómo preparamos el modelo para ir con el tiempo mejorando sus predicciones.

Así hacen empresas como Google, Facebook, Amazon,… y acaban finalmente respondiendo más personalizadamente a las necesidades de cada uno de sus usuarios, adaptándose rápidamente a cambios que permiten maximizar los beneficios y estar en el top indiscutible.

—Ofrecéis formación, ¿En qué se diferencia vuestra formación y a quién va dirigida?

Ofrecemos dos tipos de formaciones, una dirigida a empresas y otra a la comunidad. Nuestra principal particularidad es que los profesores son profesionales con mucha experiencia que trabajan en el ámbito de especialidad del público objetivo de la formación. Esto lo hacemos gracias a que contamos con una comunidad de profesionales de IA muy grande, donde se pueden encontrar expertos de diferentes ramas que conocen casos de uso reales del foco de la formación.

Así, si sabemos que nuestro público son médicos, buscamos en nuestra red a profesionales de IA que lleven trabajando tiempo en este ámbito, y que su perfil se adecúe al máximo al perfil objetivo. Así conseguimos que la empresa conozca de primera mano los casos de uso de ese ámbito además de hacerlo con su propia jerga. Este tipo de formaciones nos ha llevado a tener mucho éxito con muy buenos resultados.

—¿Podrías ponerme alguna empresa que consideras lo está haciendo muy bien en Inteligencia Artificial en España y por qué?

En este aspecto, es importante diferenciar entre aquellas empresas grandes que han tenido que adaptarse al cambio y aquellas que han nacido preparadas para ello.

Respecto a las startups (dudo ya incluso si se podrían incluir en este mundo debido a lo que han crecido) son grandes ejemplos Keepler Data Tech, Intelygenz, Piperlab, Graphext o más pequeñas pero con desarrollos tecnológicos muy potentes como Rational Touch.

Todas ellas nacen con una cultura tecnológica, agilidad  y flexibilidad al cambio que las hacen ser no sólo una buena empresa en la que confiar sino también en la que trabajar.

Hay muchas que han nacido con una cultura diferencial preparada para adaptarse al cambio y estoy seguro que me dejo otras muchas atrás con gran potencial. Respecto a empresas muy potentes con sede en España pero de origen internacional, también diría que Taiger ha crecido muy fuerte y con los mismos valores que las citadas.

Finalmente, empresas grandes que se se hayan adaptado bastante bien, en banca citaría CaixaBank y por ejemplo, en el caso de telco Orange y Teléfonica. Son empresas que han invertido mucho en el cambio y ahora mismo tienen muchos proyectos potentes de IA.

Sí que es verdad, que las empresas grandes necesitan trabajar con muchos perfiles diferentes en la introducción de una cultura del dato y para muchas les está resultando un desafío.

El mundo de los datos no tolera empresas con compartimentos estancos: frenan la innovación

—¿Pueden los ingenieros trabajar con los financieros y estos con los de marketing y crear organizaciones más flexibles, más innovadoras y no morir en el intento?

En el ámbito colaborativo, los perfiles de una empresa están obligados a entenderse y comunicarse y buscar un foco común que maximice beneficios. Esto es algo que cuanto más grande es la empresa, más difícil es de conseguir pero no por ello menos importante.

Sucede muy a menudo en proyectos de Data Science en los que se necesitan datos de diferentes departamentos. Te das cuenta de que no hay comunicación entre los mismos e incluso relación. Esto implica retrasos en el proyecto y dispersión del foco y hasta muchas veces discrepancias en el propio dato.

Por poner un ejemplo, conozco el caso de un proyecto con dos departamentos diferentes que tenían cálculos del valor de captar un cliente que difería notablemente. Eso al final dispersaba el foco del proyecto y podía meterte incluso en una situación política de decir cuál era el mejor de esos datos, sabiendo que se puede perder la confianza de una de las partes.

Está claro que si queremos explotar al máximo los datos, es importante que todos los perfiles y departamentos se entiendan para escribir con el mismo lenguaje.

Justamente hable antes de la importancia de la cultura del dato y de cuidarlo para poder hacer proyectos de data science exitosos.

Igual de importante es que todos los perfiles sepan adaptarse a las nuevas tecnologías.

Hay que hacerse agnóstico a las herramientas utilizadas porque hace 2 años eran completamente diferentes a las que nos encontramos hoy.

—¿Qué le falta o en qué se podría trabajar para convertir a España en un gran hub para el campo de la IA?

Creo que existen dos puntos importantes para ser un gran hub: atracción mediante incentivos y dar ejemplo mediante la adaptación de nuestras infraestructuras a la IA.

Es necesario incentivar no sólo la creación de startups y ayudar a su crecimiento a aquellas con ideas disruptivas, sino también captar talento y empresas del ámbito internacional para asentarse en España. Existen determinadas regiones que están apostando más por estos incentivos que otras.

Málaga, un ejemplo de captación de talento e inversión internacional

Por poner un ejemplo, Málaga está apostando por las eventos tecnológicos para captar la atención del público más geek (experto e hiper especializado), está atrayendo mucha inversión (hace pocos días Google decidía poner su centro de ciberseguridad en esta ciudad) y lo han combinado con la gran calidad de vida de la región, la hacen un imán para estos perfiles dentro del ámbito nacional.

Sin embargo, no todas las regiones están funcionando igual. Hace poco veíamos cómo se hablaba de la salida de muchas tecnológicas de Galicia al norte de Portugal precisamente por la escasa burocracia, incentivos fiscales y también la demostración de la apuesta portuguesa por este sector con eventos como el Web Summit.

En un mundo cada vez más descentralizado donde las sedes de una empresa se convierten en un mero trámite administrativo, es necesario captar a todo este talento con incentivos que permitan estar a la vanguardia, crear empleo y mejorar nuestro día a día.

Asia, el gigante de la Inteligencia Artificial y el Big Data

Para todo ello, en el ámbito nacional deberíamos empezar por modernizar toda nuestra infraestructura como una inversión a futuro. Todos hemos oído hablar de Corea del Sur y de China sobre cómo han capeado la pandemia gracias a su uso del big data y la IA.

Estamos a años luz de ellos no sólo por la diferencias tecnológicas sino por la acumulación de muchos años que hemos mantenido y acrecentado procesos obsoletos que serán más difíciles de readaptar cuanto más tiempo pase.

No sólo toca hacer, sino rehacer. En este ámbito la nueva estrategia de España con la Estrategia Nacional de Inteligencia Artificial (ENIA) es un buen punto de inicio pero que tendrá que ser muy bien gestionada para no acabar en una idea en el cajón del sastre.

—¿Hay sector que pueda mantenerse al margen de este tipo de tecnologías?

Con la pandemia, todos hemos visto la importancia de la digitalización y la IA tanto como para liderar un sector como para adaptarse a esta nueva normalidad. En la primera parte, hemos visto cómo comercios digitalizados consiguieron resistir a la misma e incluso algunos aumentar beneficios.

Aquellos no adaptados han tenido que reconvertirse. Así es por ejemplo, el caso del turismo, en el que la IA durante mucho tiempo tuvo un papel secundario y ahora mismo se está apostando por ella para poder reinventarse.

Debido a que la Inteligencia Artificial es un ámbito que es aplicable a muchos casos de uso, todos los sectores siempre van a poder aplicar modelos que les aporte algún valor diferencial a su negocio. Aquellos que quieran liderar el sector, la IA va a ser una herramienta prioritaria para ello.

Europa en el puzzle global de la Inteligencia Artificial: mejor legislación, más coordinación

—¿Cómo visionáis el papel de Europa, en general, de lo que está pasando por ejemplo con otras áreas como Asia o Estados Unidos en vuestro campo, nos separamos cada vez más?

Europa tiene que funcionar como un director de orquesta para los 27 en materia de Inteligencia Artificial para poder competir globalmente.

La Comisión Europea tiene que trabajar en la homogeneización de la estrategia y regulación de la IA para que podamos como un ente único ser competitivos respecto a otras superpotencias. Es importante que asiente unas bases de cooperación, de ética y de trabajo que permita sacar el máximo provecho a estas tecnologías.

En este sentido, pienso que se han hecho esfuerzos pero aún queda mucho trabajo por delante y lo voy a poner con un ejemplo.

Para todo esto, necesitamos datos y el open data es una de las iniciativas clave para que instituciones y empresas puedan sacar adelante proyectos de Inteligencia Artificial. Esto se realiza mediante cooperación y aunque creo que estamos dando pasos en el sentido correcto, queda mucho.

Por poner un ejemplo, Estados Unidos pone de manera gratuita las salidas de sus modelos meteorológicos desde hace años. En Europa, tienes que pagar por ello. Esto hace que muchas pequeñas empresas no tengan acceso a estos recursos o tengan que usar los datos estadounidenses que se han visto menos certeros que los de modelo europeo.

Necesitamos trabajar en este marco que nos permita crecer de manera conjunta y colaborativa a la vez que asentar un marco normativo sobre la ética de la IA que evite su uso improcedente. Esto es uno de los principales problemas con los que nos encontramos a día de hoy.

La regulación es lenta y la Inteligencia Artificial puede resultar una amenaza exponencial si no se gestiona correctamente. Se habla ya de armas militares, de su uso para persuasión (caso cambridge analytica), fake news,…

Es muy importante que Europa asiente una legislación común que evite su uso inadecuado pero a la vez que sea lo suficientemente ágil como para seguir innovando y poder competir con otros países como Estados Unidos, China, Corea del Sur entre otros.

—¿Dónde te gustaría ver vuestra asociación en los próximos 3 años? ¿Cuáles son los grandes hitos en los que estáis trabajando?

Actualmente contamos con la mayor comunidad española de profesionales y empresas y queremos seguir liderando esta línea. 

Queremos tener un ecosistema de empresas y profesionales que compartan conocimiento desde la parte más técnica a la de negocio en el ámbito de la IA.

Nuestra idea es converger al máximo estos dos mundos dentro de España para sacar el mayor potencial de la misma y que esta sea ese hub del que hemos hablado antes. Como decía, tenemos una comunidad de más de 9000 personas y nuestra idea es seguir creciendo en los próximos años hasta estar por encima de los cien mil.

Queremos ser la asociación de nexo entre empresas y profesionales y nos gustaría hacer esto de la mano de la administración. Nos gustaría tener una participación directa en la ENIA y con estrategias locales.

Finalmente, aprovechando la fuerza de la asociación, cada vez realizamos más colaboraciones con Latinoamérica y la idea es que todo el mundo de habla hispana pueda acceder a nuestro contenido para democratizar la IA.