Aplicaciones de la inteligencia artificial

Muchos de los profesionales de la década del 2020 trabajarán directa e indirectamente en inteligencia artificial. Ya no se trata de una disciplina académica sino de una realidad en la economía y en la sociedad, hasta el punto que algunos países están desarrollando estrategias de AI para introducir esta oportunidad como motor de crecimiento y bienestar, educando y reclutando una nueva generación.

Desde un punto de vista económico, AI genera resultados explícitamente, en tanto que es capaz de predecir de forma que otras tecnologías no pueden; así es posible predecir riesgos, diagnósticos médicos, culpabilidad/inocencia, etc…. Reduce incertidumbres y mejora la toma de decisiones, y consigue en definitiva que se hagan mejores inversiones y se planifiquen mejores estrategias.

Según OECD y Crunchbase la inversión en startups de AI se estima en los 50.000 millones de USD anuales. Este número es realista, basado en que en Crunchbase hay 2500 empresas en el apartado tecnológico de artificial intelligence, y otras 700 con AI en sus actividades. Notar que esta estimación también incluye los términos machine learning y machine intelligence., neural networks y deep learning. Del private equity en startups, AI podría llegar a suponer cerca del 12%, sobre todo en USA y China.

Casi todos los sectores están afectados o lo empiezan a estar, uno de los que más el sector transporte, a través del diseño y la aparición de los vehículos autónomos con sistemas de conducción virtuales. Importante, porque este sector explica el 5.6% de la economía de la OECD.

Desde un punto de vista social, esta disciplina tiene un impacto fuerte en el empleo. Igual que la implantación de ordenadores significa que hay menos personas en tareas aritméticas, AI significa que menos personas trabajarán en tareas de predicción. Y que al predecir mejor habrá menos necesidad de horas de mano de obra en las empresas.

En términos de empleo, qué hacer con esos millones de conductores ahora existentes? 

Waymo, por ejemplo, es un proyecto de Google para desarrollar AVs. Morgan Stanley ha estimado su valor en 175 billion USD. Otro ejemplo, Zoox es un startup enfocado en sistemas de conducción en zonas densas de tráfico, su valor es USD 3.2 billion antes de haber producido ningún ingreso de mercado.

El diseño y desarrollo de los AVs necesitan bastante volumen de datos para entrenar y ajustar los sistemas. Fridman estima que Tesla tiene datos sobre 2.4 billones de kilómetros conducidos con su Autopilot. En términos de seguridad y privacidad, estos datos deben conservarse en protocolos criptográficos.

En este sector también vemos otras tendencias complementarias: primero la utilización de esta tecnología para optimización de rutas de transporte; segundo, los servicios compartidos de transporte y, tercero, el movimiento hacia los motores eléctricos.

Otro de los sectores influenciados por esta tendencia es la agricultura. Tradicionalmente, los agricultores identificaban las cosechas mejores cada año según la experiencia de otros agricultores con mayor práctica. Hoy, cámaras y sensores, con ayuda de imágenes de satélite, pueden no solo tomar esta decisión con mayor precisión y en tiempo real, sino que además es posible monitorizar el estado de la tierra y de las cosechas constantemente. Ejemplos son las empresas PEAT, Resson y SkySquirrel Technologies. Para monitorizar y predecir el impacto de los factores medioambientales en los resultados de la cosecha se utiliza analítica predictiva con modelos de machine learning. Ejemplos son las empresas aWhere y FramShots.

Por último, al final del proceso, hay robots que son capaces de cosechar con eficiencias mayores que las humanas, como los comercializados por las empresas Abundant Robotics (desarrollan un robot con visión computerizada para recoger manzanas), Blue River Technology (su Robot See and Spray aplica herbicidas en cosechas de lechuga y algodón, evitando la resistencia a los herbicidas y disminuyendo el volumen de químicos usados en un 80%) o Harveset CROO Robotics (desarrollan un robot para la recogida de la fresa).

El mayor reto en este sector es la escasez de infrastructuras en las zonas rurales, sobre todo conectividad y bases de datos. Además, es muy caro recopilar los datos necesarios para entrenar a los sistemas. También, es una mentalidad diferente que lleva a adopciones muy lentas y con bajo nivel de aceptación de riesgo.

Interesante es el ejemplo de Connectra, un disposibito de movimiento que se coloca en el cuello de una vaca y monitoriza su salud, basado en Google TensorFlow.

En el sector financiero, tanto las empresas grandes (JPMorgan, Citibank y otros) como startups (Zest, Insurify, WeCash, CreditVidya, Aire y otras) están adoptando esta tecnología rápidamente. Hoy es posible detectar fraude, evaluar riesgo de crédito, reducir los costes de servicio al cliente, automatizar trading. La capacidad de predicción de la AI ayuda mucho en la detección de fraude. Por ejemplo, es posible monitorizar en tiempo real la actividad en las cuentas bancarias, identificando patrones de comportamiento y detectando anomalías inmediatamente.

Las redes neuronales mejoran mucho la gestión del riesgo frente a la estadística tradicional. La predicción de riesgo de impago se hacía mediante la segmentación del cliente basada en variables estadísticas. Hoy hay compañías Fintech, como AliPay, que incluyen una cantidad mucho mayor de variables, incluyendo teléfono, actividad de seguros, actividades en redes sociales, información sobre compra online de Amazon y otros, correos, buscando patrones … No solamente ofrecen una segmentación más fiable sino que son capaces de dar acceso a crédito a clientes que en otro caso no lo hubieran tenido. También ha disminuido mucho la cantidad mínima. Hoy mediante estas técnicas es posible evaluar crédito de tan solo unos cientos de Yuan, menos de 50 euros, en unos minutos. Esta actividad de microcréditos tiene una tasa de impago de menos del 1% frente al 4% habitual en bancos, según cifras del BancoMundial.

En el lado del cliente, el procesado de lenguaje natural ofrece oportunidades de conversar con el cliente de forma efectiva y reduciendo los costes. Los “robot advisors” son capaces de ofrecer nuevas oportunidades de inversión.

Otro desarrollo interesante es el “sentiment analysis” en redes sociales financieras. Hay plataformas en el mercado de valores que permiten al cliente conversar con los expertos; los datos generados en estas plataformas pueden ser usados para toma de decisiones.

Los procesos de conformidad legal y jurídica son cada vez más complejos y demandantes de tiempo en este sector la lectura automática de documentos y reconocimiento de textos y patrones ayuda mucho en este sentido. Palantir Tecnologies es un startup tecnológico procedente de Paypal, que en colaboración con el banco Credit Suisse Group AG, es capaz de detectar comportamiento no ético incluso antes de que se produzca.

Todas las actividades de publicidad y marketing están cambiando al implantar inteligencia artificial, en todos los sectores. AI hace minería inteligente de datos sobre comportamiento de cliente. Así, es capaz de personalizar la experiencia online, ofreciendo contenido diferente a cada visitante de una página web, por ejemplo. Aplicaciones como la realidad aumentada ayuda al cliente a hacerse una idea de cómo el producto se vería una vez producido y colocado en su contexto físico. Por un lado el cliente disminuye el coste de investigación antes de la compra, y por otro la empresa mide sus campañas con precisión y obtiene retornos mayores. La mayor innovación que vamos a ver es el precio personalizado, puesto que es posible predecir el mayor precio que un cliente pagaría por un producto o servicio.

En el sector salud, la predicción ayuda a detectar enfermedades antes de que den síntomas, así sirviendo preventivamente con nuevos tratamientos y medicamentos. A nivel nacional, podemos ahora tomar mejores decisiones sobre políticas y eficiencia del sistema de salud general, es posible identificar intervenciones ineficaces y encontrar eficiencias indirectas analizando los ciclos completos.

La tendencia es la recopilación masiva de datos, muchos de ellos clínicos, genéticos, de comportamiento, y de un buen número de dispositivos biomédicos, IoT, que monitorizan la salud del paciente.

Algunos sectores económicos se ven más afectados que otros. 
Los sectores industriales están extrayendo ventaja competitiva del InternetofThings, de los sensores, de Big Data.
El sector Retail está viendo innovación en el campo de la Gestión Inteligente del Cliente. 

En justicia criminal, AI se usa para policía predictiva y evaluación de riesgos de repetición.

En aplicaciones de seguridad digitales se usa para automatizar la detección y respuesta a ataques.

Parecido ocurre en otros sectores como turismo, oil and gas, construcción, … sobre todo los sectores servicios, aquellos que generan beneficios de doble dígito, son más dinámicos y requieren menores niveles de endeudamiento por capital.