Anselmo Peñas sostiene que la innovación digital basada en IA reporta beneficios para una PYME, allegándole autonomía, resiliencia y automatización

El catedrático de la UNED ofreció la cuarta sesión del Seminario de IA organizado por la Universidad en Ourense para hablar sobre la colaboración de esta institución académica con las empresas

OURENSE, 18 de diciembre de 2020.- Las experiencias de transferencia de técnicas de Inteligencia Artificial a la empresa es el tema tratado por Anselmo Peñas, catedrático de Universidad, del Grupo de Procesamiento del Lenguaje Natural en la ETSI Informática de la UNED, dentro del seminario de IA que organiza en Ourense nuestra Universidad con el apoyo económico del Vicerrectorado de Investigación y Transferencia del Conocimiento. Este seminario se emite desde el Centro de Intelixencia Artificial de Ourense.

Peñas se refirió a la innovación en la empresa con el dilema de la innovación en las PYMES, si comprar la innovación o desarrollarla, o si hay demasiadas barreras, incertidumbre o demasiado riesgo. “¿Y el riesgo de no hacerlo? Podemos hacerlo de manera natural, gradual, sin apenas riesgo, pero solos no, con amigos sí”, señaló el ponente. Destacó el catedrático de la UNED que en transferencia de resultados en IA está la transferencia de conocimiento y resultados de investigación, uno de los  objetivos fundamentales del Centro IA de Ourense, y desde éste así como desde las Universidades adscritas se promueve la transformación digital de las empresas, el acceso a fuentes de financiación públicas y privadas, la recepción de inversiones sin olvidar que la IA es innovación y es transformación digital.

Declaró Anselmo Peñas que la innovación digital basada en IA reporta beneficios para una PYME, allegándole autonomía y resiliencia así como automatización,    

conllevando reducción de costes en los procesos de la empresa, capacidad de toma de decisiones a partir de grandes volúmenes de datos; transformación digital de los modelos de negocio, venta de la innovación a terceros con procesos similares aunque sean sectores económicos diferentes; desarrollo y venta de nuevos productos con componente digital en el mismo sector económico.

“Un camino hacia la transformación digital de la empresa incluye arrancar un nuevo departamento de innovación de manera gradual, soluciones a la propia empresa, venta de soluciones propias a terceros; desarrollo de nuevo producto. ¿Arrancar un nuevo departamento de innovación en la empresa? ¿Estamos locos? Al menos un técnico a tiempo parcial, depositario del nuevo know-how, apoyo administrativo y dirección involucrada en la selección de casos de uso y posibles proyectos. ¿Pero con qué recursos? ¿Con qué garantías?” se pregunta el doctor Peñas.

En cuanto al acceso a la financiación pública y privada señaló:

•  Acceso a ayudas (e.g. CDTI):

                      fondo perdido (20% del presupuesto del proyecto)

                      préstamos a muy bajo interés con varios años de carencia (>60% del presupuesto del proyecto)

• Obtención del sello PYME Innovador
• Deducciones por investigación
• Reducción de cotización de personal investigador 
• Acceso a financiación Europea mediante proyectos coordinados
• Espiral, una empresa innovadora tiene cada vez más acceso a ayudas de innovación
• Proyectos de transferencia de conocimiento en IA
• Transversal, es solo una herramienta
• Aplicable a cualquier sector económico 

• Es innovación 

• Es transformación digital 

Al hablar de captación de fondos europeos dirigidos a la transformación digital de las empresas dijo Anselmo Peñas que “es el momento de ir preparando propuestas. Vale, pero ¿cómo nos aseguramos el éxito?”. En cuanto al plan de transferencia de resultados y conocimiento, el ponente mencionó las siguientes acciones:

1. Encontrar los casos de uso concretos de aplicación de la tecnología a los procesos o productos de la empresa
2. Redacción del proyecto
3. Búsqueda y solicitud de ayudas públicas y privadas
4. Desarrollo del proyecto

Transferencia de conocimiento

Generación de resultados

Memoria de investigación

1. Justificación de las ayudas
2. Acceso a sello PYME innovadora
3. Acceso a deducciones fiscales y reducción de cotizaciones
4. Repetimos

En el ecosistema de transferencia e innovación destaca por un lado la empresa con sus necesidades, objetivos, oportunidades, modelo de negocio, … y datos! Y por otra parte, la Universidad, con la identificación de casos de uso, plan de investigación, selección de técnicas, métodos y herramientas, experimentación sistemática, transferencia de conocimiento, prototipado, informes de investigación, justificación de la inversión en I+D. También está la Consultoría, para la selección de ayudas existentes, papeleo, redacción y adaptación de la propuesta (solicitud) a una determinada convocatoria, cómo justificar el uso de la ayuda recibida, emisión de certificaciones e informes motivados, etc. Y la Auditoría, para velar para que no haya problemas con Hacienda y con la TGSS.

Colaboración Universidad-Empresa     

En lo que se refiere a la colaboración Universidad – Empresa, Anselmo Peñas relató que gana la empresa porque se desarrolla la investigación con metodología adecuada: objetivos, preguntas de investigación, plan de trabajo, experimentación, análisis de resultados, emisión de conclusiones, etc. “No es lo mismo desarrollar producto que investigar”, advierte el ponente. Tal colaboración permite, además, acreditar la investigación ante el organismo que financia el proyecto, transferencia de conocimiento, no de servicios, no de productos. “La Universidad es la única entidad que realiza esta labor. Nadie vende su propio know-how y la empresa mantiene y gana autonomía con la incorporación gradual de know-how.

También gana la Universidad pues aparecen nuevos casos de uso, nuevos aprendizajes, nuevo conocimiento, etc. Y la fuente de financiación.

Hay vías para formalizar esa colaboración Universidad – Empresa: a través de la Oficina de Transferencia de la Universidad (OTRI), mediante la modalidad de contrato al amparo del artículo 83 de la LOU. “La Universidad realiza la gestión económica y un profesor de la Universidad se responsabiliza como Investigador Principal. Este firma

el contrato en nombre de la Universidad con el visto bueno de su departamento, selecciona los colaboradores adecuados y decide contrataciones de personal externo si es necesario; supervisa el desarrollo del proyecto y ejecuta el presupuesto.

La colaboración Universidad-Empresa tiene unas fases:

1. Encontrar posibles casos concretos de aplicación tecnológica

• La empresa sabe lo que quiere y sabe que es posible
• La empresa sabe lo que quiere pero no sabe si es posible
• La empresa intuye oportunidad pero no sabe qué exactamente

      2. Valoración de alternativas y su viabilidad

• Primer aprendizaje: el valor de los datos, gestión de datos, monitorización de procesos, etc.

      3. Redacción del plan de investigación (formará parte de la solicitud de ayudas)

      4. Desarrollo del proyecto

      5. Transferencia de conocimiento

      6. Memoria de investigación (formará parte de la justificación de las ayudas recibidas)

Para acreditar investigación

• Ayudas a la investigación, no al desarrollo
• En ocasiones exigen la subcontratación de una Universidad o centro de investigación que la garantice y acredite 

• Desarrollo versus desarrollo guiado por investigación 

• La investigación tiene una metodología 

• Porque debe responder preguntas: establecer objetivos, seleccionar las preguntas relevantes que determinarán la viabilidad y las mejores opciones de desarrollo 

•  Experimentación sistemática 

• Evaluación 

• Análisis de los resultados
• Conclusiones 

En cuanto a los proyectos de transferencia en IA indica el ponente que aunque existen muchas áreas diferentes de aplicación, la mayoría de las técnicas son comunes pues más de un 80% de los proyectos de transferencia en IA se basan en aplicación de técnicas de Aprendizaje Automático Supervisado, es decir, que a partir de ejemplos de respuesta para una serie de casos, los ordenadores aprenden a predecir la respuesta ante nuevos casos, clasifican, etiquetan, seleccionan, descartan, predicen valores numéricos, etc.

Anselmo Peñas habló de tres ejemplos concretos de colaboración de empresas con la UNED en el ámbito de IA. El primero versa sobre Optimización de la oferta de tarifas hoteleras a meta-buscadores. La justificación y alcance del proyecto se basa en que los usuarios utilizan meta-buscadores para seleccionar un hotel y los meta-buscadores cobran a los proveedores por cada click (en una especie de subasta con precios variables). 

Objetivos del proyecto:

Optimizar la interacción con el meta-buscador

Predecir el coste de una oferta (clicks)

Predecir la categoría de hotel que satisface la búsqueda de un usuario

Predecir si el usuario completará la transacción

Metodología

Determinar qué técnicas de Aprendizaje Automático

Recoger una colección significativa de datos para entrenar y evaluar

Reconocer la importancia de los datos, cambiar los procesos de la empresa

Caracterizar las consultas para poder realizar la predicción

Determinar los criterios para medir la mejora

Implementar un prototipo para evaluar qué métodos y técnicas dan mejores resultados

Evaluar el prototipo en un entorno real de explotación y decidir su futura puesta en producción

El segundo ejemplo es sobre Detección automatizada de cuentas falsas en redes sociales. Se trata de una plataforma que facilita a PYMES gestionar sus redes sociales y marketing on-line. Sin embargo, existen cuentas falsas automatizadas que distorsionan la red del cliente. El objetivo es detectar cuentas falsas en la red social del cliente. Ello, a corto plazo permitiría tener un perfil de las cuentas y conocer el efecto real de una campaña, filtrar fuentes no creíbles de información e identificar los destinatarios de verdadero interés. A medio plazo permite nuevos productos para evaluar la confianza de una cuenta y de la información que difunde. Y a largo plazo permite el desarrollo de nuevos productos que neutralizaran información falsa o tóxica que se pretende difundir a través de la red social del cliente. Expuso el catedrático de la UNED que investigar es responder preguntas que guíen el desarrollo: 

• ¿De qué manera se puede representar la información asociada a una cuenta de manera que un algoritmo de aprendizaje automático pueda identificar cuentas falsas?
• ¿Existe una correlación entre los datos de comportamiento de una cuenta con respecto a su identificación como cuenta falsa?
• ¿Qué algoritmos de aprendizaje automático se muestran más eficaces en este dominio de aplicación?
• ¿Con qué fiabilidad se puede realizar esta clasificación de manera automatizada?
• ¿Es necesario capturar nuevos datos agregados a partir de otras cuentas que permitan realizar la clasificación de una cuenta?
• ¿Cuál es la diferencia en la efectividad del clasificador al considerar este tipo de información agregada?
• ¿Cuál es la combinación entre representación y algoritmo más efectiva para la tarea?

Luego viene el Plan de Investigación con el que determinar las características individuales que permitan representar el perfil de una cuenta; determinar las métricas para evaluar la efectividad de las distintas aproximaciones; construir colecciones de datos anotados que permitan entrenar y evaluar diferentes algoritmos; determinar la correlación entre cada uno de los datos de caracterización y el valor a predecir, evaluar distintos algoritmos de aprendizaje automático y, finalmente, comparar resultados y emitir conclusiones.

El tercer caso de colaboración Universidad-Empresa se relaciona con la Interpretación automatizada del lenguaje natural para operar con modelos de información en construcción .

Soluciones para poder utilizar modelos BIM en la ejecución de una obra.

• Modelos BIM utilizan una nomenclatura controlada
• Diferente a los operarios de la obra 

Objetivo: traducir el lenguaje de los operarios a la representación formal del BIM. La interpretación del lenguaje es una tarea compleja. Considerar dos tipos de entrada: el lenguaje explícito utilizado por el operario (e.g., “replantear azulejos”) y el contexto o situación comunicativa (implícita): perfil del operario (e.g. nomenclatura dirección facultativa vs. un oficio concreto); gremio (mismas palabras, significados diferentes dependiendo del oficio); fase (cada fase de la obra involucra a distintos gremios, tareas, materiales, etc. Lugar (los operarios se refieren a los elementos de la obra en un espacio acotado). En este caso las preguntas de Investigación son:

• ¿Qué elementos contextuales son determinantes a la hora de interpretar correctamente la necesidad de un operario?
• ¿Cómo se pueden representar estos elementos contextuales para ser utilizados en el proceso de interpretación del lenguaje? 

• ¿Es posible crear medidas de proximidad conceptual entre los elementos del modelo BIM? 

• ¿Serían útiles estas medidas para asegurar la consistencia de la interpretación? 

• ¿De qué manera se puede automatizar la construcción de diccionarios de traducción entre expresiones de lenguaje natural y nomenclaturas BIM?
•  ¿Qué aproximaciones proporcionan un mejor balance entre escalabilidad y precisión en la interpretación? 
• ¿Qué métodos se muestran más eficaces? 

Plan de Investigación

Modelar los elementos contextuales que intervienen en la comunicación de los operarios con el sistema. Determinar la representación de estos elementos para que puedan ser utilizados en la interpretación del lenguaje.De acuerdo con el modelo anterior, se trata de crear colecciones de datos para el entrenamiento y la evaluación de diferentes algoritmos. De seleccionar las métricas adecuadas para evaluar las distintas aproximaciones. Determinar de qué manera se puede automatizar la creación de diccionarios que relacionen el vocabulario de los operarios con la nomenclatura utilizada en los modelos BIM. Estudiar de qué maneras podrían representarse los modelos BIM para mejorar la interpretación del lenguaje. Probar diferentes, representaciones, diccionarios, métodos y técnicas para traducir el lenguaje del operario al modelo BIM y comparar resultados y emitir conclusiones finales. 

Esquema común

1. Comprender alcance del proyecto (desarrollo) global y modelo de negocio de la empresa
2. Definición de objetivos y preguntas a responder por el subproyecto de investigación
3. Modelado y representación de los datos
4. Creación de colecciones de datos para entrenamiento y evaluación
5. Selección de criterios y métricas de evaluación
6. Desarrollo de prototipos
7. Experimentación
8. Evaluación y análisis de resultados
9. Conclusiones y memoria de investigación

Para seguir en diferido la conferencia, pulsar aquí.

UNED Ourense

Comunicación