Ramón Trias Fundador y presidente de AIS: “La inteligencia artificial también puede ayudarnos a ahorrar recursos básicos como energía, agua...”

AIS cuenta con 100 profesionales, factura cinco millones de euros y trabaja en proyectos en más de medio centenar de países en Europa, América Latina y África para firmas como Danone y Coca-Cola. “La inteligencia artificial puede ayudarnos a ahorrar recursos básicos como la energía, el agua, etc.”, nos explica mirando al futuro. En esta conversación desgrana buenos ejemplos de uso de la inteligencia artificial en múltiples campos.

¿Cómo recuerda sus inicios en la inteligencia artificial en España hace 35 años? ¿Podemos considerarlo el Alan Turing español?

Yo no diría tanto como Alan Turing, ni mucho menos, pero sí considero que tengo una cierta habilidad para detectar algunas oportunidades en las que mi equipo y yo podemos aportar mejorías. Nuestra máxima es generar valor en las empresas, que generalmente va encaminada a aumentar la productividad, crecer en ventas o mejorar la calidad de servicio al cliente. Nuestra misión es aplicarla a negocio y llevamos 35 años haciéndolo. No en vano nuestro propio nombre empresarial es Aplicaciones de Inteligencia Artificial.

¿Cómo recuerda sus inicios en la inteligencia artificial en España hace más de tres décadas?

Había relativamente poca competencia y espacio de negocio para todos los que empezábamos a aplicar la IA a nivel industrial. Antes de fundar AIS yo estuve trabajando en Banca Mas Sardá y allí desarrollé el primer sistema de portfolio selection que utilizaba IA. Su objetivo era determinar cuál era la composición óptima de una cartera de inversión.

Ya con AIS, su primer proyecto fue para la banca: un sistema para evaluar la concesión de préstamos. ¿Eso significa que es el ordenador el que decide si se concede o no?

Cuando fundé AIS, España vivía un boom del crédito. La sociedad pasaba de ahorrar para consumir a adelantar su consumo mediante préstamos. El crédito concedido se duplicaba cada tres años. No obstante, las entidades financieras no duplicaban su personal periódicamente para poder hacer frente a este crecimiento. En este escenario es donde vi el potencial de aplicar algoritmos de evaluación automática de solicitudes de crédito. Empezamos a través de los prescriptores, o sea, con la financiación que se tramitaba en comercios como los de electrodomésticos. En esos años, el uso de tarjetas de crédito no estaba tan extendido y las tiendas ofrecían directamente la financiación, como intermediario de una entidad financiera. Pasaban los datos solicitados al cliente a un call center que debía analizar y dar respuesta a si se concedía la financiación o no.

¿Ahí entró en juego la inteligencia artificial?

Nosotros pusimos en marcha un sistema que realizaba esta tarea en tres minutos, un tiempo mucho más corto de lo habitual. Esta experiencia, que resultó muy exitosa, nos animó a dirigirnos a las cajas de ahorros e incitarlas a probar lo que ahora es tan común, el scoring, un modelo que analizaba los datos aportados por el solicitante para predecir su capacidad de pago y la probabilidad de incumplimiento.

¿Qué papel le quedaba entonces al empleado de la sucursal?

El sistema arrojaba sobre cada solicitud la decisión de si debía concederse el crédito o no, o si se debía analizar algo más antes de tomar la decisión. De este modo, aquellos que eran claramente un sí o un no eran tramitados en función del dictamen del algoritmo, mientras que los que estaban en zona de duda eran a lo que los gestores de banca debían prestar atención antes de tomar una decisión. El resultado fue un incremento de la productividad de los equipos de las entidades, a la vez que facilitó una homogeneidad en las decisiones. La aplicación de estos sistemas fue un verdadero éxito y los implementamos en prácticamente todas las entidades españolas, manteniendo casi el 100% de la cuota de mercado durante una década.

¿Sigue funcionando en la actualidad de la misma forma?

A día de hoy, se sigue utilizando este tipo de modelos de riesgo, pero con nuevas técnicas como el machine learning, que, por sus características, permite afinar más en las decisiones con el consiguiente impacto en el negocio. De hecho, derivado de su implementación vemos aumentos de hasta el 40% de nuevas contrataciones, incluso mejorando la calidad de riesgo. Naturalmente, combinando procesos de digitalización con aplicaciones de IA.

Esos sistemas de IA también ayudan a las entidades financieras a detectar morosidad y a cobrar deudas. ¿Cómo lo hace exactamente?

Son dos temas que requieren aplicaciones distintas con algoritmos similares. Detectar morosidad demanda algoritmos que extraigan información de los datos estáticos del cliente, también de su comportamiento financiero en el momento del análisis de riesgo. La inteligencia artificial se apoya en el desarrollo de alertas tempranas que revelan indicios de un previsible deterioro futuro de ciertas operaciones, dando margen de maniobra a las entidades a tomar medidas para evitar que el impago se haga efectivo.

¿Y si finalmente resulta que el cliente es moroso?

Si pese a los esfuerzos, llega a producirse el impago, entran en juego las herramientas de recobro. Ahí interactúan la decisión con la reacción del cliente. Por ejemplo, ¿cómo vamos a tratar al cliente desordenado a quien se le ha pasado un plazo o no tiene fondos en una de las cuentas domiciliadas, pero que siempre ha pagado puntualmente, igual que a alguien que después de varios retrasos responde agresivamente a los requerimientos del banco? La utilización de herramientas de IA permite compaginar de manera óptima la calidad de servicio al cliente al mismo tiempo que se optimiza la rentabilidad de esta actividad. La primera aplicación de este tipo en España (Business Rules Management System) la desarrollamos en el año 1989 para Banca Catalana. Seguimos elaborando sistemas cada vez más sofisticados aplicando inteligencia a la gestión de la recuperación para que el banco funcione con mayor eficiencia.

Echando la vista atrás, ¿cuál ha sido el problema más complicado que han conseguido resolver usando la inteligencia artificial?

Ha habido muchos y más en los primeros años cuando el desarrollo de módulos de IA necesitaba ser programado desde muy bajo nivel con lenguajes no específicos. Todo lo contrario de lo que ocurre ahora. Hoy en cambio existe profusión de módulos y programas directos. En este contexto, desarrollar los sistemas de Classification and Regression Trees (CART) de Jerome Friedman utilizando Fortran representó un auténtico dolor de cabeza.

Es curioso cómo la IA puede ayudar a programar un evento deportivo internacional como unos Juegos Paraolímpicos. ¿Cómo fue aquel proyecto?

Si tengo que elegir un reto, me quedaría con la planificación del calendario de los Juegos Paralímpicos de Barcelona’92. Hasta aquel momento, el calendario de estas pruebas era de todo menos estable. Más allá de hombre y mujeres, en los paralímpicos hay muchas categorías de atletas, atletas que compiten en distintas modalidades de pruebas y distintos intereses para programar los horarios, pues para la televisión interesa que las finales sean a una hora, mientras que, para llenar el estadio, tal vez sean otros momentos los más adecuados. Combinar y encajar todo esto era un desafío enorme y el calendario se modificaba unas cuantas veces durante los Juegos, con el consiguiente infierno de reprogramación.

¿Qué sistema emplearon para ello?

Nosotros hicimos una aproximación mediante algoritmos genéticos programados en lenguaje C, que a cualquiera que se mueva un poco en el mundo de la inteligencia artificial actual le parecerá poco menos que ir en bici con ruedas cuadradas. Sin embargo, nuestro trabajo logró que, por primera vez en la historia de los Juegos, el complejo calendario de las pruebas paralímpicas no tuviera que someterse a modificaciones ni una vez. El éxito fue tal, que luego desarrollamos el calendario de los Paralímpicos de Atlanta’96 y Sydney 2000.

Y para el futuro, ¿qué reto destacaría?

El gran reto lo tenemos en avanzar en la aplicación de los modernos sistemas de IA a las necesidades emergentes más graves como el ahorro de energía, agua y otros recursos naturales a los que se enfrenta la industria. Aspectos como el control óptimo, el mantenimiento predictivo y la optimización de la logística son ahora fundamentales y la implementación de la IA puede significar grandes avances en esa dirección.

En la industria 4.0, ¿de qué herramientas de ‘machine learning’ disponemos para gestionar mejor la producción?

Machine learning es un componente para temas de mantenimiento predictivo y de control óptimo. Lo más importante podría ser la utilización de la visión por computador, que es un tema de amplio espectro en el que podrían englobarse desde el gobierno de robots industriales hasta el recuento de ganado, el seguimiento de la madurez de frutos o la optimización de la gestión del agua para el regadío. En AIS en concreto lo aplicamos para optimizar la planificación de la producción, para la asignación de pedidos a máquinas o para la simulación de comportamientos complejos en la fabricación mediante gemelos digitales o digital twins.

¿Qué grado de madurez tenemos en la industria española en el uso de estas tecnologías? ¿Cree que falta concienciar sobre la importancia de implementar estas herramientas?

Multitud de países han elaborado un plan estratégico de IA (incluida España) y se potencia que haya nuevas aplicaciones con fondos Next Generation, pero en mi opinión, se debería fomentar más la aplicación real, tangible, útil. No basta con enfocarse solo en investigación y patentes, sino que convienen desarrollos que se adecúen a problemas reales. Ahora mismo percibo cierto sesgo hacia el componente teórico y no práctico de estas herramientas. Creo que es algo que conviene evitar, pues, como ya he dicho, este tipo de sistemas tienen una gran capacidad de generación de valor para las empresas.

¿Qué papel está jugando la IA en los procesos de selección de personal? ¿No advierte riesgo de dejar a un lado el factor humano?

Es cierto que la IA está llegando a un campo que parece podría verse como el más alejado de ella: la gestión de personas. La cuestión es que llega como en muchas otras áreas empresariales, no para sustituir a nadie, sino para optimizar el tiempo de los profesionales de recursos humanos. Las vías son muy diversas. Por un lado, están las soluciones de CV screening, es decir, lectura automática de currículums. La IA también puede resultar de gran ayuda para predecir el absentismo laboral. En resumen, la misión de la IA es automatizar tareas repetitivas y dejar el tiempo al experto para las tareas donde su conocimiento es vital.

¿Cree que estamos dejando en manos de las máquinas demasiadas decisiones? ¿Es necesaria una regulación?

Es necesaria una regulación sobre qué cuestiones acabarán quedando en manos de las máquinas. Las cuestiones éticas y prácticas son muy importantes. Solo hay que ver las recientes discusiones sobre el sistema Pegasus, que teóricamente era una herramienta para combatir el terrorismo, pero que ha terminado usándose para inmiscuirse en la vida particular de las personas. Aspectos más cotidianos también requieren de ética para afrontar la discriminación resultante de la aplicación de IA (las herramientas de selección de personal, de concesión de créditos, de asignación de ayudas o de contratos públicos). Es obvia la necesidad de una regulación. Será complicado elaborarla y generará mucho debate, pero es imprescindible.