Carlos Martínez Miguel

La Inteligencia Artificial permite que las máquinas aprendan, tanto de forma supervisada como de forma autónoma. La proliferación de las tecnologías Cloud, la digitalización de imágenes, textos y audios y el desarrollo de IoT (Internet de las Cosas), han permitido reunir los grandes volúmenes de información que necesitan las máquinas para aprender. De este modo las máquinas, a través de la Inteligencia Artificial, adquieren la capacidad de encontrar patrones y relacionar datos, eventos o variaciones incluso imperceptibles al ojo humano; calcular qué va a suceder en cierto ámbito e incluso dar respuestas a preguntas gracias a la analítica de datos, con el potencial que esto tiene para ayudarnos a encontrar solución a algunos de los problemas de nuestra sociedad. La Inteligencia Artificial está ya presente en nuestras vidas mucho más de lo que percibimos. Algunos ejemplos cotidianos de Inteligencia Artificial son los algoritmos que recomiendan contenidos en las plataformas de vídeo bajo demanda, los que previenen y detectan el fraude identificando usos anómalos de las tarjetas bancarias, o los que recalculan la ruta en el GPS del coche en función de las condiciones del tráfico. También la Inteligencia Artificial ha demostrado su capacidad en ámbitos como la industria, donde previene fallos y averías en máquinas y sistemas para evitar incidentes o paradas imprevistas; la salud, donde tiene numerosas aplicaciones tanto en el diagnóstico como en el tratamiento de enfermedades como el alzhéimer o el cáncer; o la educación, donde permite anticipar al abandono escolar, detectar el talento, o personalizar planes de estudios en base a las capacidades y necesidades individuales de cada estudiante. AI of Things ¿Qué es y cómo funciona Machine Learning? 2 de junio de 2022 Hacia una Inteligencia Artificial responsable Por tanto, los beneficios de la Inteligencia Artificial son enormes. Nos permite llegar mucho más allá de lo que posibilita nuestra capacidad analítica humana. Esto nos abre grandes oportunidades en el uso de los datos por parte de empresas y organizaciones. Precisamente su creciente importancia e influencia en nuestras vidas hace necesario el desarrollo de una Inteligencia Artificial responsable en la que los algoritmos pivoten en torno a tres principios imprescindibles: la ética, la transparencia y la explicabilidad. Ética: en tanto los algoritmos adquieren la capacidad de tomar decisiones o influenciar en ellas, tienen que respetar las normas sociales para que sean justas, inclusivas, diversas y respetuosas con la privacidad. Transparencia: para evitar que los algoritmos sean “cajas negras” en las que no sabemos qué ocurre, necesitamos conocer cómo se aplican y cómo funcionan, pudiendo acceder a las fuentes de datos utilizadas y las fórmulas matemáticas empleadas. Explicabilidad: tenemos que poder entender el “comportamiento” del algoritmo: qué resultados está generando y por qué los genera, o por qué toma una decisión o llega a una deducción determinada y no a otra. Para que un algoritmo sea ético es crítico asegurar que los datos que se van a utilizar para entrenar y enseñar al algoritmo estén libres de sesgos. Que estén conformados de una manera justa, alineados con los Derechos Humanos y ajustados al Estado de derecho, sobre todo cuando tratamos con datos personales. Principios de ética y transparencia En este sentido, el modelo regulatorio de la Unión Europea está orientado en esta dirección y los organismos públicos y las grandes empresas están centrando sus esfuerzos en ello. Como en el caso de Telefónica, que publicó en 2018 sus Principios éticos sobre el uso de la Inteligencia Artificial. Es necesario que los niños en edad infantil aprendan también sobre pensamiento computacional, algoritmos e Inteligencia Artificial. Para cumplir con los principios mencionados, es clave mejorar el nivel de conocimiento de la población sobre inteligencia artificial, invirtiendo en educación en este ámbito. Es necesario que los niños en edad infantil, igual que reciben cada vez más formación en programación e informática, aprendan también sobre pensamiento computacional, algoritmos e Inteligencia Artificial. Estos principios de ética y transparencia son críticos para construir una Inteligencia Artificial responsable. También inclusiva, que fomente la igualdad de oportunidades y que impulse el progreso económico y social. En definitiva, una inteligencia artificial al servicio de las personas, que contribuya a construir una sociedad mejor. AI of Things Todo lo que debes saber sobre deep learning 6 de septiembre de 2022

Estamos sólo en la primera etapa de desarrollo de la IA, pero su impacto es ya enorme A la hora de realizar predicciones en el ámbito tecnológico, siempre es recomendable comenzar clarificando algunos conceptos básicos. Hacerlo evita que una mala interpretación lleve a expectativas desorbitadas a las que, sin duda, seguirá una profunda desilusión. En el caso de la Inteligencia Artificial (IA o AI en inglés), es clave distinguir entre sus tres tipos fundamentales en función de su capacidad: Artificial Narrow Intelligence (ANI o Applied AI): aquella que se enfoca en la resolución de problemas concretos. Por ejemplo, predecir cuándo va a dejar de funcionar una máquina para anticiparse a su fallo y evitarlo. Artificial General Intelligence (AGI): aquella que es equiparable a la inteligencia humana en todos los aspectos. Se trataría de una inteligencia artificial que tendría las mismas capacidades que un ser humano. Artificial Super Intelligence (ASI): aquella que es superior a la inteligencia humana en todos los aspectos. Hoy en día nos encontramos en la era de Applied AI, que ha tenido un gran progreso en los últimos años gracias especialmente al “deep learning”. Sin embargo, la AGI está aún en una fase inicial de desarrollo y las predicciones de los expertos apuntan a que no será una realidad hasta al menos 2040 o incluso décadas más tarde, siendo el mayor obstáculo para su desarrollo el desconocimiento que aún tenemos sobre el cerebro humano. Por último, la ASI se puede considerar todavía como “ciencia ficción”. Por tanto, para desilusión de aquellos lectores amantes de las distopías, la posible llegada de robots superinteligentes con capacidad para controlar y someter a la raza humana está todavía muy lejos. La IA tendrá en 2022 un papel relevante en la transformación de todos los sectores económicos Afortunadamente, la era de Applied AI tiene muchos más beneficios que desventajas, y está permitiendo transformar muy positivamente la actividad en los principales sectores económicos, como vemos a continuación: Por ejemplo, el sector turístico, quizás el más afectado por la pandemia, está aprovechando la IA para reinventarse. Esta reinvención pasa por un conocimiento más profundo de las necesidades e intereses de los visitantes, pudiendo así personalizar la oferta de servicios para atraerlos y fidelizarlos. El empleo de múltiples fuentes de datos (movilidad, pagos con tarjeta, navegación, etc.) permite el desarrollo de modelos analíticos avanzados que permiten predecir la demanda y adaptar la capacidad de los servicios de manera dinámica y eficiente. En el sector de la movilidad, veremos en 2022 una consolidación del empleo de modelos de IA, alimentados por datos procedentes de los vehículos conectados y de otras fuentes, para optimizar rutas, maximizar la seguridad vial y minimizar el impacto medioambiental. La logística inteligente continuará acelerando, estimulada por el crecimiento imparable del e-commerce, incluyendo pruebas de vehículos de reparto autónomo y la consolidación de la trazabilidad de activos extremo a extremo, gracias a las tecnologías IoT. En el ámbito de “retail”, la necesidad de desarrollar una experiencia de cliente que conecte de forma transparente el mundo físico y el mundo online continuará impulsando la adopción de IA. Se desarrollarán modelos para maximizar la conversión de las interacciones con los clientes en ventas, combinando múltiples fuentes de datos de ambos mundos. Por último, el sector industrial será sin duda uno de los que más avanzará en su transformación. La sensorización masiva de las fábricas y su conexión en entornos de mínima latencia gracias a las redes privadas 5G será clave en el despliegue de casos de uso de IA. Mantenimiento predictivo, optimización de la calidad, minimización de desechos y residuos, movimiento de materiales con vehículos de guiado automático (AGVs), etc. son solo algunos ejemplos. En Europa, y en España en concreto, los fondos de recuperación acelerarán la adopción masiva de la IA En Europa, y especialmente en España, esta transformación se verá acelerada con la llegada de los fondos del “Plan de recuperación, transformación y resiliencia” aprobado por la UE. Una parte relevante de ellos está precisamente orientada a impulsar la adopción de IA en todos los ámbitos de la actividad económica. Estos fondos contribuirán a la financiación de proyectos para la adopción de infraestructuras de Big Data e IA, el desarrollo de casos de uso, la implantación de modelos de gobierno del dato, la formación y creación de capacidades en este ámbito, etc. Y, además, estos fondos permitirán que las PYMES puedan comenzar a utilizar también estas tecnologías, gracias al programa Kit Digital, que incluye módulos orientados a la inteligencia y la analítica. Sin duda 2022 será un año apasionante en el que seguiremos construyendo realidades y desmontando mitos en torno a la IA.

El sector farmacéutico se ha caracterizado históricamente por ser una industria de gran crecimiento, prácticamente continuo, así como por generar una elevada rentabilidad. Sin embargo, en los últimos años se han producido una serie de cambios en el sector que han provocado una clara desaceleración en su crecimiento, bajando del 9-10% al 4-5% interanual según datos de IQVIA. Desafíos del sector Uno de los principales desafíos en el sector es una competencia cada vez mayor y más exigente, con la incorporación de start-ups muy innovadoras que están cambiando la cadena de valor del sector y los métodos de investigación y producción. Asimismo, la creciente penetración de los medicamentos genéricos y la aparición de los biosimilares, medicamentos de origen biotecnológico que obtienen resultados comparables a los medicamentos de síntesis química tradicionales, están incrementando la presión en los precios y erosionando los márgenes de las empresas farmacéuticas. Por último, los gobiernos están también negociando cada vez más intensamente los precios de los tratamientos, exigiendo además la consecución de resultados reales y manteniendo o incluso incrementando la presión regulatoria sobre el sector. Para superar esta situación las empresas farmacéuticas están buscando sinergias entre ellas, observándose una clara tendencia a la concentración en el sector, con fusiones, adquisiciones y alianzas estratégicas. Asimismo, están haciendo grandes esfuerzos para reducir costes en todos los procesos de su cadena de valor, desde la fase de investigación y desarrollo, que sigue siendo larga y costosa, pasando por la fase de fabricación y llegando a la fase de distribución y comercialización. Sin embargo, el mayor reto continúa estando en lograr un mejor y más profundo conocimiento del paciente y de sus necesidades. Los tratamientos especializados que además se acompañan de servicios personalizados para mejorar la adherencia del paciente y por tanto sus resultados, son sin duda el camino a seguir. Pero para poder avanzar en esta transformación el sector farmacéutico necesita acelerar en la adopción de las nuevas tecnologías. Su privilegiada situación histórica ha hecho que el sector esté en el vagón de cola en el uso de tecnologías clave como el big data y la inteligencia artificial, muy por detrás los sectores más avanzados como el de las telecomunicaciones o el financiero. Aspectos a favor A pesar de este retraso acumulado, el sector tiene a su favor una gran riqueza de fuentes de datos que puede permitirle recuperar el tiempo perdido. Entre estas fuentes se encuentran por ejemplo los datos procedentes de la investigación académica y científica, así como los resultados de los ensayos clínicos. En los últimos años, como complemento a estos datos está cobrando cada vez mayor relevancia el universo de datos conocido como “real world data” (RWD): datos observados procedentes directamente del tratamiento diario a pacientes en centros médicos. Estos datos se derivan de los registros electrónicos de pacientes (EHR “electronic health records”) pero también por ejemplo de sus registros de reembolsos y facturaciones con las compañías aseguradoras. Adicionalmente a estas fuentes de datos, el sector farmacéutico puede beneficiarse de una serie de fuentes externas que otros sectores ya están empleando. Entre ellas destacan los datos de movilidad y perfilado que ofrecen las operadoras de telecomunicaciones y que permiten comprender mejor el comportamiento de distintos grupos poblacionales. Asimismo, la utilización de fuentes de datos abiertos es de gran valor, incluyendo datos meteorológicos, censales, niveles de renta, etc. Por último, la explosión del internet de las cosas está permitiendo sensorizar tanto a los pacientes como los equipos médicos e incluso los medicamentos, lo que posibilita realizar una medición continua de determinados parámetros que pueden posteriormente explotarse mediante técnicas de analítica avanzada. Distintas prioridades a lo largo de la cadena de valor La adopción del big data y la inteligencia artificial se está llevando a cabo en el sector farmacéutico a lo largo de toda su cadena de valor. En la fase de investigación y desarrollo de nuevos fármacos, por ejemplo, se están empleando técnicas de big data para realizar un mejor perfilado previo de los participantes requeridos en un ensayo clínico de modo que sus características se ajusten a las deseadas, incrementando la validez de la prueba lo que reduce enormemente los plazos y costes de desarrollo. En la fase de fabricación, la principal prioridad es reducir costes manteniendo la máxima calidad. Para ello se están desarrollando modelos predictivos que permiten estimar de forma automatizada y con gran precisión, la cantidad necesaria de cada material para fabricar cada pedido. Esto permite reducir notablemente el material desperdiciado, que también puede ser estimado por el modelo permitiendo además una mejor gestión de residuos. Adicionalmente, en el proceso productivo es crítico minimizar el número de paradas de la cadena de fabricación debidas a problemas técnicos. Con ese fin, se están desarrollando modelos de mantenimiento predictivo que determinan con antelación cuándo un cierto elemento de la cadena va a tener un fallo, generando una alerta para que se produzca una intervención preventiva que evite el mismo. Estos modelos se basan en algoritmos de aprendizaje automático (“machine learning”) e incorporan datos procedentes de sensores conectados. Finalmente, en la fase de distribución y comercialización es especialmente crítica la aplicación de las técnicas de big data para mejorar el conocimiento del cliente y ser por tanto más efectivo. Un ejemplo de caso de uso en este ámbito es la identificación de los segmentos objetivo utilizando fuentes de datos externas. Por ejemplo, si una empresa farmacéutica distribuye un producto para un segmento de mujeres entre 30 y 40 años, con hijos y con alto poder adquisitivo, los datos de movilidad y perfilado de que disponen las operadoras de telecomunicaciones les permiten identificar dónde encontrar este segmento con mayor probabilidad y conocer qué puntos de interés visita habitualmente. De este modo, la “farma” puede elegir con mayor precisión los puntos de venta para el producto así como en qué zonas debe realizar sus campañas de concienciación y de publicidad (si la regulación permite estas últimas). Otro buen ejemplo es la predicción de brotes de alergia respiratoria combinando los datos de movilidad y perfilado mencionados con datos abiertos de meteorología y alérgenos. Con estas fuentes es posible construir un modelo predictivo que permita a la compañía farmacéutica saber con antelación cuándo se va a producir un brote alérgico y en qué zona. De este modo, podrá optimizar la promoción y distribución de su producto, sabiendo además no sólo dónde se va a producir el brote sino qué zonas y puntos de interés visitan habitualmente las personas procedentes de la zona de origen del brote. Éstos son solo algunos ejemplos de aplicación del big data y la inteligencia artificial en un sector que está dando sus primeros pasos en este ámbito. El valor que estas tecnologías pueden aportar es inmenso: de acuerdo con un reciente informe de IQVIA, las 10 principales compañías farmacéuticas a nivel mundial podrían capturar hasta 1000 millones de dólares cada una por año con la aplicación de estas tecnologías. La carrera ha comenzado ya. Sólo las más rápidas y osadas llegarán al final. Para mantenerte al día con LUCA, visita nuestra .