Luis Pintado es uno de los profesionales más indicados para hablar sobre la situación de la Inteligencia Artificial en la gestión de flotas. Pintado, actual CTO de Pulpomatic, es Ingeniero en Sistemas Computacionales y Maestro en Ciencias Administrativas y suma 13 años como Director de Tecnología con experiencia en distintas industrias, desde la Banca, las Telecomunicaciones o los Seguros.
Distinguido en 2016 por la revista CIO México como el Mejor Director de TI, es líder en innovación y es fundador y ex-socio de varias startups pioneras en la transformación digital a través del uso de tecnologías emergentes como Inteligencia Artificial y Blockchain. También es docente en ISDI de las materias de Inteligencia Artificial, Blockchain y Automatización de Intelligence Process.
Puedes escuchar la entrevista completa aquí:
Podemos definir la Inteligencia Artificial (IA) como una rama de las ciencias computacionales. Es una parte que se acuñó hace décadas. Si bien la IA es conocida desde los años 60, en realidad ha resultado complicado hacer práctico el conocimiento porque no se tenía el poder computacional necesario ni en cuanto a almacenamiento ni en cuanto al procesamiento. Hay que entender que, si queremos emular la toma de decisiones, necesitamos muchos datos para ello.
Con el auge del cómputo en la nube, lo que sucedió es que nos dio a los humanos la facilidad de contar con gran poder de cómputo a un precio barato. Hay que tener en cuenta que toda la información generada en el mundo en los últimos 3 años supera a la generada en toda la historia anterior. A esto hay que sumar el poder de cómputo que nos da la nube, no solo de CPU sino también de procesadores gráficos ya dedicados para poder procesar estos algoritmos.
Lo que técnicamente hace realidad la Inteligencia Artificial, en cuanto a aplicaciones, se está dividiendo la IA en pura y práctica. La primera es toda la ciencia ficción, a donde aún no hemos llegado. En la base de la pirámide está la IA pragmática, que es lo que realmente podemos hacer hoy.
Ahora tenemos la capacidad de predecir algunos fenómenos sobre data estructurada, en lo que es una evolución de esta analítica avanzada, que nos dice qué está pasando, hacia un nuevo tipo de analítica, que predice con modelos matemáticos complejos. Podemos llegar a barajar miles de variables al mismo tiempo. Podemos, eventualmente, predecir aspectos relacionados con ventas, inmobiliarios, con la salud de un paciente y la mortalidad, o saber si un medicamento es viable o no, etc.
Ya hay empresas, como IBM, que utilizan datos y aplican predicciones. Otras aplicaciones tienen que ver con chatbots, con capacidad de resolver ciertas dudas de los clientes y que usan Machine Learning para interpretar el lenguaje del usuario y saber qué contestar. Ya existen modelos basados en IA que pueden recibir voz, y esto lo conocemos con Siri, Alexa o Google Home.
La siguiente evolución de los modelos de Machine Learning son los conocidos como Deep Learning, que están diseñados para manejar una cantidad de información brutal en tiempo real. Los modelos como éstos están ocupados en temas logísticos como los vehículos sin piloto humano. Hay mucho de qué hablar sobre Inteligencia Artificial en la gestión de flotas, pero ahora mismo en cuanto a los vehículos, no hay empresas que comercialicen automóviles autónomos, a pesar de que en Amazon y en Tesla hay varios proyectos en prueba.
Sí, de hecho ahora es el momento. Pasamos 3 años de curva de desilusión porque al principio hubo mucho hype alrededor de la IA y muchos vendors generaban expectativas muy altas. Hay que entender que, a diferencia de un programa transacional, en el que la programación te dice que 1+1=2, y que cualquier resultado diferente es un error que corregir, un modelo de IA puede resolver un problema con más de un algoritmo, y la diferencia es la precisión con la que lo hace.
También está el factor de cuánta data tienes y con qué calidad. Además ese modelo se tiene que entrenar, el algoritmo tiene que ser educado y no es tan automático, hay que calibrarlo y probar distintos modelos durante meses. Muchas veces, los clientes empresariales tienden a decepcionarse de inmediato si no hay un resultado tangible de manera inmediata e incluso lo descartan. Esto pasó sobre todo antes y ahora las empresas son más conscientes de todo lo que conlleva uno de estos proyectos.
Al mismo tiempo, las empresas grandes como Microsoft o Google han ido avanzando para hacer menos sofisticada la implementación de proyectos de Inteligencia Artificial. Incluso hay productos con modelos precargados en los que solo hay que introducir la data. Los modelos se entrenan en automático y entregan ciertos resultados. Ya hacer un chatbot en el bot (framework) de (Microsoft) Azure es muy rápido, y mantenerlo también. No es necesario un conocimiento demasiado amplio técnicamente hablando para ponerlo en marcha y además el cómputo en la nube, al ser bajo demanda, tiene unos costos accesibles.
Primero identificar si un proyecto de este tipo tiene sentido en la empresa o no. Si de verdad agrega valor de cara a monetizarlo. A veces tendemos a querer innovar y a veces no identificamos con claridad si esto tendrá un retorno de inversión. Lo primero es eso. En segundo lugar, identificar si tengo la data necesaria para poder pensar en que puedo echar a andar un algoritmo de aprendizaje automático, teniendo en cuenta las aplicaciones del machine learning en la logística y el transporte.
Si no tengo suficiente data será complicado poder entrenar a un modelo de este tipo. Ahí es donde muchas compañías se encuentran estancadas. Hay cifras que dicen que los científicos de datos pasan el 60% de su tiempo limpiando datos. La data, en general, en el mundo, está sucia y no tan disponible.
En tercer lugar, cambiar el mindset. Pasar de una mentalidad transaccional a un mindset de algoritmos cognitivos, y lo que eso conlleva. Es un trabajo a medio plazo. En realidad la tecnología está cada vez más disponible, ya no se necesita traer a un investigador experto en Deep Learning para implementar este tipo de herramientas.
Además de ser clave en la optimización de procesos logísticos en la gestión de una flota vehicular, he podido ver pruebas de concepto usando reconocimiento de imágenes para poder identificar vehículos, carga, chóferes, o por ejemplo comparar conductores con vehículos, unidades autónomas como las de Amazon en algunas ciudades, predicción de forecasting, mantenimientos, o temas de IT. La ventaja que tiene el sector logístico es que es uno de los que mejor conectados están en cuanto a sus dispositivos. Toda esta información que se recolecta en tiempo real permite hacer una analítica enorme. Es un terreno muy interesante para explorar y sobre el que varias compañías están trabajando.
Yo llegué a Pulpomatic en un punto en el que el producto estaba ya en vías de madurez, con una importante recopilación de información para generar conocimiento dentro de los modelos. Una vez aquí toda esa data nos permite comenzar a trabajar en los servicios de la siguiente generación para Pulpomatic. Que, básicamente, es comenzar a hacer predicciones sobre mantenimiento y sobre los costes derivados de este concepto o asociados, como peajes, seguros y otros.
Esto significa que podemos ahorrar gastos y tiempo en la operativa financiera de nuestros clientes, diciéndoles desde el primer día del año cuál va a ser el forecast de mantenimientos y sus costos de los vehículos, lo que va a permitir desde optimizar sus recursos hasta estar preparados para eventualidades, pasando por temporalidades de servicios al año o en picos de demanda, o saber en qué momento tiene que programar sus mantenimientos para proteger los vehículos, la operación y sus ingresos por esa temporalidad.
Nuestros modelos te permiten identificar todas las variables que tienen que ver con tu vehículo, pero también con tu operativa, también rutas, etc. Toda esta data nos permite optimizar tiempos y entregar información prospectiva a nuestros clientes para que puedan tomar mejores decisiones.
En cuanto al combustible y a la prevención del fraude, la Inteligencia Artificial nos ayuda bastante por su capacidad de procesar gran cantidad de información. Podemos llegar a procesar esos datos y reconocer vehículos más propensos, no solo a cuestiones relacionadas con el fraude, sino también al desperdicio de combustible. A día de hoy ya tenemos una clasificación por modelos de vehículos en flota que nos dice cuáles son las unidades más y menos rentables. También identificar patrones de vehículos que están gastando más en algún insumo, no solo en el de combustible, como aceite o neumáticos.
Creo que hablamos de algo que va a resultar cada vez más accesible para las compañías por lo que hemos hablado de los costos. Cada vez veremos más SAAS basados en IA, ya que no necesitas a un developer para echar alguna implementación de este tipo, y creo que eso cada vez va a ser más común. Cada vez vamos depender más de la predicción para tomar decisiones. A día de hoy lo que hacemos es obtener reportes de lo que ya pasó, pero las empresas que van a sobrevivir son las que tienen información de lo que va a pasar, además de hacer simulaciones.