Alejandro Cano

Hace unos días, en una mesa redonda sobre Gobierno del Dato, un asistente lanzó una pregunta que se quedó rondando en mi cabeza: "¿Qué puedo hacer con la resistencia de mis compañeros cuando intento aplicar políticas de gobierno y calidad? Siento que en la oficina me odian" Esa reflexión fue la principal motivación para escribir este post. Porque, más allá de los procesos, el mayor reto al implantar Gobierno del Dato pueden no ser los datos en sí, si no cómo ayudar a las personas que trabajan con ellos. "Desde que empecé con el Gobierno del Dato, en la oficina me ven como el villano de la película. No llevo antifaz ni un plan malvado, pero cada vez que pido que se validen los datos, alguien suspira. Cada vez que cuestiono la fuente de una cifra, alguien frunce el ceño. Y cuando digo que un informe tiene inconsistencias… bueno, mejor no hablar de eso." La realidad es que existe un riesgo de que implantar Gobierno del Dato no te convierta en el más popular del equipo, o entre las áreas. Esto puede ser lógico ya que, durante años, las cosas han funcionado "a su manera". Se han tomado decisiones basadas en datos con calidad dudosa, se han creado reportes sin trazabilidad y, de repente, alguien llega y dice que eso debe cambiar. El problema es que, en la mayoría de los casos, que las cosas funcionen “a su manera” no es gratis. Se traduce en errores en la toma de decisiones, en pérdida de tiempo y dinero y, en el peor de los casos, incluso problemas legales, tal y como estamos viendo con las nuevas leyes de IA (AI Act), entre otras. Pero eso puede no verse hasta que ya es demasiado tarde. Entonces, cómo evitamos el terror a la pregunta: ¿de dónde salió ese dato? ¿Por qué parece que cada esfuerzo por organizar la información y mejorar la calidad puede convertirnos en el enemigo número uno? Voy a compartir lo que he aprendido en este proceso y cómo, desde Telefónica Tech, hemos logrado —o al menos intentamos en nuestro día a día— que el Gobierno del Dato no sea sinónimo de 'corta rollos', si no el que construye atajos eficientes para todos. 1. El problema no es el dato, es el cambio En realidad, lo que muchas personas sienten no es molestia por nuevas ideas o por los propios datos. Es miedo. Miedo a que alguien ponga en duda su trabajo. Miedo a no saber cómo justificar lo que llevan años haciendo. Miedo a que el cambio revele grietas que nadie quiere ver. Y ahí es donde el rechazo puede aparecer. No por el dato. Sino por el cambio que implica revisarlo. Cuestionarlo. Corregirlo. Pero en medio de esa incomodidad, hay una oportunidad enorme. Porque cuando alguien se siente escuchado, acompañado y parte de la solución, no el problema, el cambio deja de ser una amenaza y empieza a ser una evolución. La pregunta que queda en el aire es: ¿cómo pasamos de la reticencia al impulso? La respuesta puede estar en cómo hacemos sentir a quienes están frente al cambio. La Oficina de Gobierno del Dato existe para ayudar a mejorar lo que ya existe, no para juzgarlo, construyendo y no señalando. 2. Hay que vender la idea, no imponerla Cuando empezaste a hablar de Gobierno del Dato, quizá imaginaste que todos verían su valor de inmediato. Más control y seguridad, más calidad e información y, por tanto, mejores decisiones. ¿Hay en estos puntos algo negativo? Pero a veces, cabe la posibilidad de que la realidad sea otra. No era que no quisieran más información sobre sus datos y procesos. Es que sentían que les estabas añadiendo peso. Nuevos procesos, nuevas validaciones, nuevos reportes... en su mundo ya saturado, sonaba más a una carga extra, que a una solución de la que pudieran resultar beneficiados. Y ahí está el error que muchos cometemos: tratar de imponer el cambio como una obligación lógica, cuando el cambio, para ser real, tiene que ser una elección emocional cuya participación y compromiso tienda a ser común. La clave no está en dictar normas. Está en mostrar beneficios. No en exigir controles. Sino en contar historias: cómo evitaron una crisis por detectar un error a tiempo, cómo un cliente se salvó de una mala decisión gracias a datos limpios, cómo un proceso se hizo más rápido cuando los datos fueron fiables desde el principio gracias a ese esfuerzo extra. Cuando vendes el Gobierno del Dato como una herramienta que quita peso en lugar de añadirlo, el discurso cambia. Pasa de estar impuesto a ser conveniente. Y en ese pequeño giro de percepción, se juega toda la diferencia entre generar un rechazo en las áreas y compañeros o sembrar un cambio duradero. ¿Y si empezáramos a contar más victorias en vez de abrumar con un gran número de reglas? 3. Cuando todo es urgente, nada es importante En nuestra experiencia desde la Oficina de Gobierno del Dato, aprendimos algo esencial: no basta con saber que el Gobierno del Dato es necesario. Lo que realmente marca la diferencia es cómo lo introduces en la organización. Por lo que la metodología de trabajo cobra una gran importancia. Al principio, puede ser normal que las iniciativas de gobernanza se perciban como un obstáculo. El problema no está en el dato en sí: si no en los cambios y nuevos esfuerzos que pueden conllevar. Por eso es importante implementar una metodología que no nace de la teoría, sino de la práctica. Una metodología probada, que respeta el ritmo de las personas, anticipa las resistencias y transforma poco a poco la percepción inicial. No imponemos reglas → Construimos confianza. No forzamos procesos → Mostramos beneficios reales. Esto podría resumirse en tres principios básicos: Entender que el cambio es emocional antes que técnico. Desde la Oficina de Gobierno trabajamos en equipo, y damos visibilidad a los logros conseguidos con las áreas. Demostrar, a través de resultados visibles, cómo el Gobierno del Dato facilita la vida diaria en vez de complicarla. Cada fase de implantación está pensada para generar pequeñas victorias, rápidas y tangibles, que las personas puedan experimentar. Esto facilita que las personas se sientan cada vez más involucradas y motivadas en el proceso de cambio. Porque cuando el Gobierno del Dato se vive como un aliado es cuando los verdaderos beneficios empiezan a enraizarse en la cultura de la organización. Y ahí es donde la metodología que utilicemos demuestra su verdadero valor: no solo transforma datos. Transforma la forma en que las personas trabajan, deciden y confían. IA & Data Gobierno del Dato: un gran aliado para poner límites a la Inteligencia Artificial 31 de octubre de 2023

En el post anterior veíamos cómo la IA Generativa ayuda a reducir el desperdicio de alimentos en los hogares, que representan el 55% del desperdicio de alimentos. El otro 45% del desperdicio de alimentos proviene de la industria y la cadena de suministro, por lo que su participación e inversión en la optimización de procesos y el aprovechamiento de alimentos es fundamental para reducir el desperdicio. En esta segunda entrega veremos cómo el enfoque basado en datos y los sistemas IA son herramientas clave para abordar y mejorar este problema. Soluciones impulsadas por IA generativas Para ayudar a reducir ese 45% restante de desperdicio alimentario proveniente de las cadenas de suministro en la alimentación ya existen diversas aproximaciones en el uso de las IA generativas, como herramientas intuitivas capaces de contribuir al desarrollo de nuevas soluciones, así como de dar respuestas de carácter predictivo a tiempo real para optimizar procesos. Un gran porcentaje de este desperdicio alimentario se produce durante el procesamiento y empaquetado de los alimentos por maquinaria específica para estos sectores. Para mejorar esta situación, ya se han planteado soluciones destinadas a la monitorización del funcionamiento de esta maquinaria y a su mantenimiento de forma predictiva, impulsada por estas IA generativas. En este contexto, las IA basadas en Generative Adversarial Networks (GAN) o Redes Neuronales Recurrentes (RNN) desempeñan un papel crucial al generar conjuntos de datos sintéticos para entrenar nuevos modelos. Estos datos sintéticos, derivados principalmente del histórico de comportamiento de la maquinaria, ampliarían tanto la cantidad como la calidad de datos disponibles. Los datos sintéticos permiten anticipar y evitar problemas y fallos en la manipulación de alimentos al proporcionar información sobre posibles escenarios y situaciones críticas. Esto permitiría a los modelos adquirir un conocimiento más profundo sobre el rendimiento de la máquina y su estado durante diversos procesos. Adicionalmente, estos conjuntos de datos sintéticos podrían introducir información sobre posibles escenarios a los que la maquinaria podría enfrentarse, facilitando el desarrollo de modelos capaces de prever incidencias y prevenir situaciones críticas o fallos durante la manipulación de alimentos. Anticiparse a posibles fallos Estos modelos, que han sido explotados a lo largo del tiempo por los enfoques más tradicionales de la Inteligencia Artificial, mantienen su relevancia al continuar siendo utilizados para construir modelos predictivos focalizados en posibles fallos en los procesos ejecutados por la maquinaria durante la manipulación de alimentos. Su aplicación continua en esta dirección La aplicación continua de este enfoque de mantenimiento predictivo añadiéndose a las grandes posibilidades que nos ofrecen los asistentes basados en IA Generativa más actuales demostraría la eficacia, avance y adaptabilidad de la inteligencia artificial para abordar desafíos específicos en la gestión y optimización de procesos en la industria alimentaria. Los sistemas de monitorización reducen las averías de maquinaria hasta un 70%, evitando la generación de residuos orgánicos y mejorando la eficiencia en el aprovechamiento de los alimentos. En caso de averías o fallos en los procesos, estos asistentes podrían informar sobre la situación, proponer soluciones, responder preguntas del usuario e incluso proporcionar información sobre a quién contactar o cómo proceder, siempre y cuando se haya ampliado el conocimiento de este asistente mediante el suministro de información funcional o técnica específica. Se estima que estos sistemas de monitorización podrían llegar a reducir las averías de este tipo de maquinaria hasta un 70%, por lo que en el sector alimentario tendría un impacto positivo a la hora de evitar generación de residuos orgánicos producto de un mal aprovechamiento de los alimentos, un mal sellado, o, simplemente, una mala organización. Imagen de Freepik. En cuanto a este último punto, y en relación con el marco de mejora en los hogares, las empresas del sector de alimentación también pueden obtener ventaja de los asistentes de texto, vislumbrándose una notable oportunidad mediante técnicas avanzadas como RAG (Retrieval-Augmented Generative). Estas técnicas permiten personalizar el conocimiento del asistente o LLM para que sea capaz de abordar aspectos específicos con un mayor nivel de detalle, pudiendo enfocarlo de forma particular al contexto del desperdicio alimentario, configurándose para comprender y procesar información relevante para la planificación en tiempo real. Planificaciones dinámicas basadas en datos En el ámbito de la reducción del desperdicio alimentario, estos asistentes podrían desempeñar un papel crucial al realizar planificaciones dinámicas basadas en diversos datos de entrada que se generan continuamente. Al analizar constantemente datos relacionados con el inventario, las tendencias de demanda, las fechas de caducidad y otros factores, estos asistentes podrían ofrecer recomendaciones y estrategias en tiempo real para optimizar la gestión de recursos. La IA Generativa puede sugerir ajustes en la producción según la demanda actual y prever excesos de inventario para evitar desperdicios. Por ejemplo, junto a soluciones de analítica predictiva, que ya se venían utilizando en la “IA tradicional” los asistentes o LLM podrían sugerir ajustes en la producción según la demanda actual, prever posibles excesos de inventario que podrían llevar a desperdicios, o incluso proporcionar consejos sobre la distribución eficiente de productos perecederos. Además, podrían identificar patrones y alertar sobre posibles áreas de mejora en los procesos de manipulación y almacenamiento, contribuyendo así a la eficiencia operativa. ¿Hacia dónde vamos? El uso de inteligencia artificial y tecnologías de generación de ideas como pueden ser las IAs Generativas en formato de asistentes virtuales ofrecen una prometedora solución para abordar múltiples desafíos, incluidos el desperdicio alimentario tanto a en casa como para las industrias. Al utilizar sistemas basados en LLM, disponibles para todos y que son capaces de crear recetas innovadoras, sugerir formas creativas de aprovechar ingredientes, o ayudarnos con la planificación estamos dando pasos significativos hacia la construcción de un futuro sostenible. La IA Generativa permite crear recetas innovadoras, aprovechar ingredientes de forma creativa y ayudar en la planificación. Al incorporar y adaptar estas tecnologías a los negocios o industria en sus prácticas diarias, tenemos al alcance de nuestra mano no solo reducir el impacto ambiental asociado con el desperdicio de alimentos, sino producir una mejora en los procesos y el uso de los recursos, teniendo un impacto positivo a nivel económico. La colaboración, que no sustitución, de la creatividad y adaptabilidad humana con el poder de las IA generativas puede marcar la pauta para un contexto donde la eficiencia alimentaria y la innovación se entrelazan para construir un camino hacia un futuro más sostenible. AI of Things Cómo abordar la digitalización en el sector alimentario y cuáles son sus beneficios 5 de diciembre de 2023

¿A qué problema nos enfrentamos? Según el último informe del Ministerio de Agricultura, Pesca y Alimentación, durante el año 2022, los españoles desaprovecharon 1.201,92 millones de kg o litros de alimentos y bebidas. Esto implica un desperdicio con una media semanal de 23,11 millones de kg/l una magnitud que, al ser tratada como algo más tangible, nos lleva a la asombrosa perspectiva de que, si acumuláramos estos alimentos desechados a lo largo del tiempo, requeriríamos llenar el equivalente a seis piscinas olímpicas cada semana. La media europea en cuanto a desperdicio de alimento se sitúa en 127 kg por persona por lo que, comparado con otros países, España lidera en un sexto puesto en cuanto a eficiencia con cifras inferiores a esta media. Sin embargo, aún hay mucho margen de mejora. En 2020, Eslovenia, Croacia, Eslovaquia, Bulgaria y Suecia superaron a España en este aspecto. A nivel europeo, el 55% del desperdicio proviene de hogares, mientras que el 45% restante se distribuye en la cadena de suministro. Este panorama ofrece dos áreas de mejora evidentes: En la gestión de alimentos por parte de los hogares, animando a una mayor concienciación y prácticas más sostenibles. En la industria, la cual puede desempeñar un papel crucial mediante una mayor participación e inversión en la optimización de procesos y el aprovechamiento de alimentos no aptos para el consumo. Afortunadamente, frente a grandes desafíos como este, surgen soluciones igualmente significativas. La perspectiva del dato y la inteligencia artificial surgen como herramientas clave para abordar y mejorar estas cuestiones cotidianas de manera efectiva. ¿Cómo nos ayuda la IA Generativa para reducir el desperdicio alimentario en casa? La IA Generativa está surgiendo como un recurso de gran valor en múltiples ámbitos, integrándose cada vez más en nuestro día a día. Este uso de carácter cotidiano es posible ya que herramientas como Chat-GPT, Bing, o Llama 2 se encuentran a disposición del público general, y, en muchos casos, de forma gratuita con funcionalidades limitadas pero eficaces para resolver problemas concretos. Encontramos entonces en estas herramientas una solución innovadora y democrática, ya que, además de ser accesibles, su uso puede ser muy sencillo si damos con la tecla adecuada, pues se puede obtener ventaja de ellas a través del uso de prompts o mensajes que guían al modelo para generar respuestas, a través de una conversación cotidiana. Conociendo que la principal causa del desperdicio de alimentos en el ámbito doméstico es la falta de planificación y organización en los menús consumidos a lo largo del tiempo, que pueden dar lugar a la adición de cantidades o productos innecesarios en la lista de la compra, se puede utilizar tecnologías que se basan en IAs Generativa de texto como GPT o Bing. Hacer este tipo de planificaciones puede tomar un tiempo que no es realmente necesario invertir si estos asistentes conversacionales de texto o LLMs lo pueden hacer por nosotros. Si interactuamos con el LLM con el siguiente prompt: > Por favor, crea un menú semanal que evite el desperdicio alimentario| Podremos obtener un resultado útil pero impreciso si contamos con necesidades más concretas, por eso es importante añadir complejidad al prompt. ¿Cómo podríamos mejorar la interacción anterior? La respuesta, a priori, puede ser simple y no es otra que la de añadir complejidad al prompt utilizado ya que cuanto más detalle se le proporcione al asistente sobre lo que se le está pidiendo, mayor detalle tendrá la respuesta obtenida en base a esas expectativas fruto de objetivos más precisos. No obstante, existen múltiples formas de añadir complejidad y aumentar la calidad de las instrucciones proporcionadas al LLM; no se limita a una única forma de proporcionar instrucciones o únicamente añadiendo más texto, sino que hay varias opciones disponibles que pueden ajustarse mejor a lo que se necesite: Role Prompting: le da más contexto al LLM a través de hacerle asumir un rol determinado, como podría ser el caso de un nutricionista especializado, de tal manera, que, si se desea mantener una conversación con el chat, este sea capaz de contextualizar todas sus respuestas: > Actúa como un nutricionista con 5 años de experiencia. Por favor, créame un menú semanal vegano para dos adultos y dos niños, con cantidades aproximadas. Sin gluten. Alto en proteínas. Sin alimentos industriales o ultraprocesados y que sea fácil de adaptar a batchcooking| Few Shot Prompting: es el método favorito para algunos expertos ya que es capaz de dar la respuesta más exacta en cuanto a formato e información esperados. Consiste en proporcionar al chat algunos ejemplos para que aprenda a proporcionar una respuesta concreta. De este modo, se le podría dar al LLM un ejemplo de un menú con un formato concreto sobre el que hacer ciertas modificaciones, por ejemplo, relacionadas con algún objetivo que esperamos cumplir, que nos diversifique las opciones, que lo convierta en vegano o que nos proporcione recetas concretas: > No tengo queso mascarpone. ¿Puedo hacer crema para bizcocho de zanahoria aprovechando que tengo queso Philadelphia?| Adicionalmente, el uso de estos prompts también puede estar dirigido a conocer más sobre otras formas de evitar el desperdicio alimentario en casa, adaptándose a cada situación o necesidad. Desde conocer qué consejos serían los mejores para preparar los tuppers semanales en una tarde, hasta que diseñe una receta para de aprovechamiento con los últimos ingredientes que tengamos en la nevera impidiendo que se desperdicien. Una de las ventajas de este tipo de asistentes conversacionales es que se pueden utilizar de forma intuitiva, por lo que facilita la resolución de pequeñas dudas del día a día. Por lo tanto, estos conceptos de prompt engineering, serán de gran relevancia para poder sacar el máximo partido a los LLM, obteniendo respuestas lo más precisas posibles, sobre todo en temas tan delicados como las cuestiones de salud, recalcando que esto es únicamente un apoyo para el día a día y que no sustituye a los profesionales en salud o alimentación. ◾ En la segunda entrega veremos cómo en el ámbito de la industria y la cadena de suministro también la perspectiva del dato y la inteligencia artificial son herramientas clave para la reducción del desperdicio alimentario. Telefónica Tech AI of Things Cómo crear con IA generativa imágenes realistas 23 de noviembre de 2023