Javier Del Ser (Tecnalia): “Las empresas deben fiarse de los modelos de Inteligencia Artificial”

Javier Del Ser, investigador principal en el CORE Inteligencia Artificial (Tecnalia)

El investigador ha sido incluido por la editorial Elsevier en la lista de los científicos más referenciados a nivel mundial. 

Javier Del Ser es investigador principal en el CORE Inteligencia Artificial perteneciente a Tecnalia, y profesor e investigador del grupo MATHMODE de la Universidad del País Vasco (UPV/EHU). El pasado 19 de octubre la editorial Elsevier publicó la lista de los autores más referenciados a nivel mundial “Updated science-wide author databases of standardized citation indicators”, donde fue incluido en la categoría de Single-year impact 2020. Esta editorial es una referencia científica a nivel internacional para conocer el impacto del trabajo desarrollado por los científicos y las científicas en sus diferentes disciplinas. Con él hemos hablado sobre este reconocimiento, su labor investigadora y el futuro de la inteligencia artificial.

¿Qué supone para usted aparecer en el ranking de una editorial tan prestigiosa como Elsevier?

Es un gran reconocimiento, pero el figurar en rankings no debe de ser el objetivo de un investigador, o al menos yo no lo entiendo así. Es una consecuencia de tu trabajo. Si te apasiona lo que haces y lo haces bien, con originalidad, calidad y valor, los reconocimientos no tardan en llegar. Para mí es un orgullo como investigador individual, pero lo veo como un premio a los diferentes grupos de investigación con los que colaboro, así como para las diferentes instituciones en las que trabajo. Sientes que los avances en cuanto a investigación que realizamos tienen impacto, y noticias como ésta son un estímulo y una motivación para seguir por la misma senda.

¿Por qué optó por trabajar en este ámbito de la inteligencia artificial? ¿Qué factores le atrajeron de ella?

Yo soy ingeniero de telecomunicaciones, pero siempre me han interesado la intersección entre las matemáticas y los datos. Cuando empecé con mi primera tesis doctoral, me dediqué a un área de las telecomunicaciones (Teoría de la Información y Codificación) que posee una esencia matemática y algorítmica realmente fuerte. Fue entonces, sin darme cuenta, cuando empecé a sumergirme en el mundo de la Inteligencia Artificial, particularmente en el aprendizaje y las redes Bayesianas. Al terminar la tesis, opté por profundizar en este ámbito de investigación como una apuesta personal. Me centré en ella porque veía la oportunidad de que mi investigación supusiera impacto y valor en diferentes sectores, más allá de las telecomunicaciones. Junto a varios compañeros de la extinta Fundación Robotiker (ahora integrada en Tecnalia), sembramos el germen del CORE Inteligencia Artificial que hoy día conformamos en Tecnalia.

Poco después de empezar con esta apuesta personal, empezó la masiva digitalización en muchos sectores. El sustrato creciente de datos de cada vez mayor calidad, los casos de éxito reportados con IA como tecnología clave, y el apoyo a la investigación a cada vez más grupos trabajando en esta temática, ha catalizado sin duda alguna la actividad frenética en IA en la que me hallo inmerso. En mi caso, podríamos decir que se juntaron ‘el hambre con las ganas de comer’. En Tecnalia se creó un área de Inteligencia Artificial de manera muy temprana, como una gran apuesta de especialización y de investigación, y con esfuerzo, tesón y muchas noches en vela, ciertamente nos ha ido bien.

¿Qué tipo de trabajos se realizan en CORE Inteligencia Artificial, el área de Tecnalia dirigido a la IA? ¿Para qué tipo de sectores se investiga?

Tenemos una estrategia de especialización científico-tecnológica que abarca varias áreas de investigación dentro de la IA, incluyendo aprendizaje profundo, explicabilidad de modelos, aprendizaje multitarea, fusión y aprendizaje de datos a alta velocidad, la optimización metaheurística o el aprendizaje por refuerzo. Especializándonos en esas áreas, nuestro objetivo es apoyar y dar soporte al desarrollo de casos de uso y aplicaciones en diferentes sectores de actividad, como, por ejemplo, la energía, el transporte, la salud, la industria o la movilidad.

El CORE dispone de muchas investigaciones en marcha, en colaboración con varias instituciones a nivel mundial. Por ejemplo, una de las aplicaciones en las que más hemos trabajado es la prognosis industrial, es decir, detectar cuando una máquina va a fallar, y explicar por qué el modelo de Inteligencia Artificial dictamina que una máquina sufrirá un fallo en un horizonte determinado. Igualmente, en diagnóstico humano el cuerpo humano y sus órganos son la máquina sobre la que hacer prognosis, por lo que estamos diseñando modelos capaces de diagnosticar enfermedades a partir de información médica, incluyendo resonancias, radiografías, historiales médicos, o electrocardiogramas.

En lo que respecta a energía y medio ambiente, hemos investigado modelos capaces de predecir eficientemente cuánta energía solar, eólica o mareomotriz se va a producir en un determinado horizonte de tiempo. También hemos realizado algoritmos capaces de autónomamente resolver la configuración de turbinas para conseguir una máxima producción de energía eólica. Otras líneas de investigación aplicada han abordado el problema del almacenamiento y gestión de energía renovable en microrredes inteligentes, de modo que una persona que tiene una instalación solar o eólica pueda saber cuándo y cuanta energía almacenar para su posterior uso. Hemos mejorado la eficiencia energética en plantas de producción merced a soluciones basadas en modelos de aprendizaje máquina. La predicción de eventos atmosféricos extremos (e.g. olas de calor) está también en la agenda de investigación del grupo.

Por otro lado, en transporte y movilidad estamos tratando de caracterizar el estado cognitivo de un conductor. Así, mediante un sensor no invasivo (una cámara), el coche puede avisar de que el conductor tiene claros síntomas de estar quedándose dormido al volante. También trabajamos en la predicción de la congestión de tráfico en ciudades a partir de información histórica, para poder evitar los atascos con una gestión anticipada del tráfico en la zona afectada. De esta manera podemos ayudar a los gestores del tráfico, y recomendar, por ejemplo, habilitar un tercer carril en una zona que se prevé gestionada según la salida del modelo de Inteligencia Artificial.

¿Qué les diría a las empresas que aún son reacias a implantar soluciones de inteligencia artificial?

En primer lugar, la mentalidad respecto a la Inteligencia Artificial debe cambiar en la empresa. Siempre digo que la Inteligencia Artificial no es un producto ni es un modelo, es un proceso. Como tal, no es equiparable a un programa informático o a una APP, en los que es posible verificar el cumplimiento de requisitos y especificaciones de la solución desarrollada. En un proceso de Inteligencia Artificial uno parte de un problema, pero no puede anticipar, prescribir ni garantizar cuál será la solución viendo solamente el problema. Es necesario entender que el desarrollo de una solución basada en Inteligencia Artificial es como escalar un ochomil: se sabe donde se quiere llegar, pero las fuerzas del montañero (científico de datos), las condiciones del trayecto (datos) y su equipamiento (pericia y conocimientos) dictaminarán hasta qué campo base podrá llegar. Así, pienso que hace falta cambiar el chip en las relaciones entre cliente y proveedor de servicios y soluciones de Inteligencia Artificial, y las metodologías de proyectos para que, en lugar de definir su alcance desde el principio, el proyecto sea un proceso que vaya evolucionando a medida que se alcancen campos base.

Por otro lado, el consejo que le daría a las empresas que están interesadas en IA es que no piensen tanto en el qué y se centren más en el cómo. La pregunta que se tienen que hacer es si una solución basada en Inteligencia Artificial, cuando se aplique y despliegue, va a sumar valor real a su actividad. Una solución de Inteligencia Artificial es mucho más que un modelo, hay que tener muchos factores en cuenta: donde se despliega la solución, quién la va a usar, qué se va a hacer con su salida… Por eso, una de las áreas donde más trabajamos es la ‘explicabilidad’ y la ‘confiabilidad’ de los modelos. Estamos desarrollando técnicas capaces de generar explicaciones que hagan que una persona, sin necesariamente conocimiento sobre IA, entienda qué está viendo el modelo en los datos para proporcionar su salida. Para mí la confiabilidad de los modelos de Inteligencia Artificial es fundamental para que la IA traiga valor a la empresa: quienes toman decisiones se tienen que fiar de los modelos de Inteligencia Artificial, por lo que explicar su funcionamiento y resultados es vital. Esto es absolutamente prioritario para nuestro grupo.

También es profesor en el Departamento de Ingeniería de Comunicaciones de la EHU/UPV. ¿Cree que hay buenos mimbres para el futuro de mano de los estudiantes?

Es una disciplina complicada, pero veo buenos mimbres. Hay muchísima competencia, muchos grupos de investigación que trabajan en las mismas áreas. Ahora mismo tengo tres alumnos de doctorado que fueron alumnos míos en el grado, y que están haciendo una labor de investigación realmente buena. Veo futuro, sí, pero veo también una amenaza: hay demasiada demanda de perfiles de Inteligencia Artificial en el mercado para lo que la oferta académica puede producir (incluyendo Universidades, Másteres privados…). Hay mucha gente que acaba de salir de la Universidad o que acaban de realizar Másteres en disciplinas afines a la Inteligencia Artificial. Sin embargo, los perfiles con amplia experiencia en esta tecnología son realmente escasos.

Para ser un buen investigador en IA, uno tiene que convertirse en una esponja. Mucha gente busca especializarse en diferentes temas estudiando una plétora de modelos y técnicas de Inteligencia Artificial. Eso está bien, pero lo que realmente hace diferencial a un investigador en IA es su capacidad de escuchar al experto en el dominio de la aplicación del problema que está tratando de resolver, y traducir sus problemas prácticos en problemas de aprendizaje resolubles mediante Inteligencia Artificial. Obviamente hay que estudiar mucho, pero si una persona no es capaz de hacer esta traducción, da igual todo lo que sepa de IA: es en esta capacidad donde uno vislumbra el buen mimbre en la cantera.

¿Hacia dónde va la Inteligencia Artificial? ¿Cuál es el futuro del sector?

El ámbito de la ‘explicabilidad’ anteriormente comentado está en auge, tanto en el ámbito académico-investigador como en el de desarrollo y transferencia. Ahora mismo, la IA es capaz de resolver tareas de aprendizaje muy concretas, en entornos muy controlados. En el sentido estricto, esto no es inteligencia. Los seres humanos somos inteligentes porque podemos realizar más de una labor concreta con eficiencia, aprovechando conocimiento pasado, y aprender de los errores. El siguiente paso para la IA debe suponer que los modelos sean capaces de hacer cosas por sí mismos, que sean capaces de adaptarse a cambios en el problema que resuelven, de diagnosticarse a sí misma y mejorar su desempeño con la mínima intervención humana. Por ejemplo, ser capaces de solicitar más datos a las fuentes de información de las que se nutren para poder estar más seguros de sus predicciones, o para generar explicaciones más coherentes con el conocimiento previo en la tarea a resolver. En definitiva, una Inteligencia Artificial más autónoma, interactiva, que aprenda continuamente y que genere confianza hacia el usuario a través de explicaciones sobre su funcionamiento. En definitiva, una Inteligencia Artificial realmente ‘inteligente’.

Uno de los objetivos del Grupo SPRI es la transformación digital de las empresas vascas. La impulsa a través de programas de ayuda como Basque Industry 4.0, BDIH Konexio, Ciberseguridad Industrial, Enpresa Digitala o Inplantalariak, entre otros. Encuentra todas las ayudas disponibles aquí.

Vía SPRI