Inteligencia Artificial (IA) y Web Semántica en el proceso de transformación digital de las organizaciones

1.      Introducción

Todo plan de acción para la transformación digital de cualquier organización debería contemplar como un hito fundamental la implantación de la Inteligencia Artificial (IA) en el proceso de automatización, integración de datos e impulso de determinados procesos que puedan beneficiarse de las distintas áreas de la IA, entre otras el aprendizaje, el razonamiento autónomo y su mejora continua. Según la RAE, la Inteligencia Artificial (IA) es la “disciplina científica que se ocupa de crear programas informáticos que ejecutan operaciones comparables a las que realiza la mente humana, como el aprendizaje o el razonamiento lógico” [1]. 

Según J. L. Iglesia en "Descubriendo la Inteligencia Artificial" [2], un agente, es un ente (humano, robot o software) capaz de percibir su entorno y de interactuar con él. Un agente inteligente, es un agente que actúa de la mejor forma posible, en el tiempo de que dispone, según la información que posee, para lograr un objetivo que aporte la mayor utilidad esperada. Los sistemas multiagente (enjambres), están formados por una población de agentes simples que interactúan localmente entre ellos y con su entorno obteniendo un comportamiento global complejo.

2.      Áreas de la Inteligencia Artificial

J. L. Iglesia en "Descubriendo la Inteligencia Artificial" [2] subraya que las herramientas con las que cuenta un ente para realizar tareas de forma inteligente se pueden resumir en las siguientes áreas de la IA: 

• Búsquedas. Básicamente consiste en localizar la solución más idónea para un problema entre un abanico de soluciones posibles. Algoritmos1 de búsquedas en grafos.
• Representación del conocimiento. La representación del conocimiento fue desarrollada primeramente como una rama pura de la IA. Se describe como el estudio de “cómo las creencias, intenciones y juicio de valores de un agente inteligente pueden ser expresados en una notación transparente y simbólica que permita razonamiento automático” [3]. En este sentido, la web semántica lidera los desarrollos en la representación del conocimiento, incorporando lenguajes y estándares basados en XML, Resource Description Framework (RDF), RDF Schema y Web Ontology Language (OWL). Permite relacionar, semantizar y conceptualizar los datos a través de ontologías, y su representación a través de grafos de conocimiento [4]. A la publicación de datos con licencia abierta de forma que sean reutilizables por otros organismos o personas es denominado Datos abiertos (1) (“Open data”). El enriquecimiento de los datos abiertos con metadatos de la web semántica permite una explotación más avanzada de los mismos, a estos datos se les denomina Datos enlazados o vinculados (“Linked data”) [6]. Si los datos son el combustible de la IA, los datos enlazados son un combustible de mayor calidad que permitirá inferir conocimiento de manera más eficiente. Linking Open Data [7] es un proyecto comunitario desarrollado por el grupo de la W3C encargado de divulgar y explicar la Web Semántica, con el objetivo de ampliar la Web con una base de datos común mediante la publicación en la Web de datos en RDF y mediante el establecimiento de enlaces RDF entre datos de diferentes fuentes. Un ejemplo de este enfoque de la tecnología de la web semántica, o web de datos, se refleja en la creación del Centro de Interoperabilidad Semántica y en la Norma Técnica de Interoperabilidad de Reutilización de Recursos de Información de la AGE [8] o la Aplicación de la Web Semántica en Tráfico [9].

• Razonamiento automático. A partir de los hechos y reglas posibilita a los agentes razonar de forma completamente automática, o casi automática. Razonamiento inductivo, deductivo, abductivo y análogo.

• Tratamiento de la incertidumbre. Probabilidad y lógica difusa.

• Planificación automática. Un planificador normalmente considera el estado inicial del mundo o dominio, el objetivo específico a alcanzar y una secuencia ordenada de acciones posibles definidas como planes, que deben ser ejecutadas por los agentes.

• Toma de decisiones. A partir de la fusión de datos e información procedente de múltiples fuentes (en tiempo real o almacenados previamente) en un dominio concreto aplicando algoritmos evolutivos y cada vez más eficientes.
• Aprendizaje automático (“Machine Learning”, o ML). Supervisado, no supervisado y reforzado. Incluye el aprendizaje profundo (“Deep Learning”, o DL) como un subcampo del mismo que se ha beneficiado del desarrollo de las “Redes Neuronales Artificiales, RNA”, de algoritmos de inducción y de algoritmos genéticos.

En resumen, todas estas áreas se pueden agrupar en tres grandes enfoques: búsquedas en grafos, probabilidad para tratar la incertidumbre y la lógica [2].

Por otro lado, las aplicaciones más significativas de la IA son: Resolución automática de problemas, juegos, minería de datos, diagnóstico o predicción; procesamiento del lenguaje natural, percepción, robótica, entre otros.

Aprovechar las capacidades de cómputo actuales, y estas nuevas tecnologías habilitadoras en el campo de la IA, para los procesos de negocio de las organizaciones y sus productos de información, integrarlos y conectarlos permitirán tomar decisiones más ágiles, eficientes y rápidas basadas en esta gran cantidad de datos e información que crece de una manera exponencial (big data). Ejemplos prácticos sobre diferentes casos de uso son: el mantenimiento predictivo de equipos y máquinas, identificación de patrones, detección de incidentes, etc.

3.   Inteligencia Artificial (IA) y Web Semántica en el proceso de transformación digital de las organizaciones

La integración de estas tecnologías y algoritmos de IA reforzará los pilares en los que se basa la Transformación Digital de cualquier organización, ver modelo METRO: organización y personas, procesos de negocio, productos de información, seguridad de la información y servicios CIS/TIC, potenciando la innovación, la eficiencia y la eficacia de las capacidades operativas de la organización.

La transformación digital de las organizaciones, tiene como objetivo cerrar la brecha actualmente existente entre sus capacidades operativas de negocio y las capacidades de Tecnología de la Información (TI) en una Arquitectura Orientada a Servicios (SOA), servicios CIS/TIC, es decir crear aplicaciones basadas en la gestión de procesos y su automatización (BPMaaS), no en sistemas de información aislados. 

En relación con los procesos, su automatización, integración y conexión con personas, agentes inteligentes y cosas (Internet de las Cosas, “IoT”), el proceso de transformación digital de las organizaciones debe contemplar las siguientes soluciones complementarias, para poder transferir el conocimiento tácito en poder de las personas a conocimiento explícito para la Organización:

• La Gestión de Procesos de Negocio (“Business Process Management”, o BPM). Enfocado a la gestión de procesos estructurados, predefinidos, predecibles y repetibles con estructura rígida, generalmente estático en los que no se permite al usuario introducir variantes. Dispone de un motor de Reglas de Negocio que podrán ser modificadas de forma ágil y rápida.

• La Gestión Adaptable de Casos (“Adaptive Case Management”, o ACM). Enfocado a la gestión de casos para aquellos usuarios que trabajan con procesos no estructurados, no predefinidos, impredecibles y que pueden ser definidos en tiempo real según sus necesidades. Un caso recoge toda la información y recursos necesarios para gestionarlo: actores, datos, información, reglas, procesos y tareas.

• La Automatización Robótica de Procesos ("Robotic Process Automation", o RPA). Enfocado a la automatización de las actividades o tareas que replica las acciones de un ser humano interactuando con la Interfaz de Usuario (IU) de un sistema de información heredado o legado. RPA permite liberar a los usuarios de aquellas tareas simples y repetitivas, que serán ejecutadas por un robot de software o “bot”. RPA aumenta la velocidad, disminuye el número de errores y puede estar activo 24x7x365. Asimismo, en la automatización de procesos (BPMaaS) es una alternativa a la integración de aplicaciones legadas tradicionales basadas en capas de datos que operan en una capa arquitectónica por debajo de la IU, como las Interfaces de Programación de Aplicación (API). Un “bot” se configura (o entrena) usando pasos demostrativos, en lugar de ser programados usando instrucciones basadas en código.

El puesto de trabajo digital en la organización debe contemplar estas tres soluciones compatibles, proporcionando un entorno de trabajo contextualizado capaz de ofrecer todos los recursos necesarios al usuario final, atendiendo a los roles y su necesidad de conocer y actuar.

Asimismo, la aplicación de la Inteligencia Operacional (IO) para el análisis dinámico de estos procesos de negocio, en tiempo real (análisis de datos en tiempo real, “Stream Analytics”), aportará una mayor visibilidad y conocimiento, pudiendo facilitar alertas a los responsables de la toma de decisiones para poder ejecutar acciones tanto a través de paneles de control como automáticamente. Para ello, es necesario integrar SOA, BPM, ACM con una tecnología decisiva en la IO como es el Procesamiento de Eventos Complejos (“Complex Event Processing”, o CEP), capaz de procesar y gestionar de forma inteligente grandes volúmenes de eventos en tiempo real.

Por otro lado, los Servicios Web Semánticos [10] proporcionan semántica a los servicios web tradicionales, por lo que su descubrimiento puede realizarse de forma automática siendo procesables por las máquinas. WSMO (“Web Service Modeling Ontology”) proporciona un framework y un lenguaje formal para describir semánticamente los servicios web para facilitar su descubrimiento automático, su combinación e innovación. Las ventajas que se obtienen con esta tecnología son: buscadores basados en Web Semántica para Servicios Web; ontologías descentralizadas y compartidas; y proporcionar un Servicio Web que realice deducciones lógicas de forma automática, y sea capaz de determinar si cumple el objetivo mediante inferencia lógica.

Implementar estas tecnologías de la Web Semántica y algoritmos de IA en los servicios CIS/TIC de las organizaciones, gestión y gobierno del catálogo de servicios de la organización sobre las buenas prácticas, permitirá disponer de servicios inteligentes que orquestados y coreografiados a través de la Gestión de Procesos (BPM) o la Gestión Adaptable de Casos (ACM) y su automatización (BPMaaS), conducirá a una Organización Inteligente, centrada en el conocimiento, capaz de minimizar errores, de aprender, de razonar y de tomar decisiones de forma más rápida, eficaz, eficiente e inteligente, proporcionándole una permanente posición de ventaja. Estos servicios inteligentes podrán ser consumidos por personas, agentes inteligentes, máquinas, procesos, cosas (Internet de las Cosas, “IoT”) u otros servicios. 

Actualmente, las herramientas denominadas iBPMS (Intelligent Business Process Management Suites) son un motor fundamental en la hoja de ruta para la transformación digital de las organizaciones. Estas herramientas integran soluciones tecnológicas de BPM, ACM y RPA que abordan el ciclo completo del proceso, desde su análisis, diseño, implementación, ejecución, supervisión y optimización.

Un reto es automatizar los procesos (BPMaaS) de la organización con este tipo de herramientas iBPMS, consumir servicios inteligentes basados en IA e integrar la tecnología CEP, para poder tomar decisiones de forma rápida y automática para elegir la mejor tarea a realizar, basándose en la percepción del entorno: datos, información y conocimiento, convirtiendo cualquier flujo entre actividades en puntos de decisión basados en algoritmos de IA.

En resumen, y como refleja la excelente openclass online en UNIR impartida por Pedro Robledo [13] en conseguir integrar las siguientes tecnologías:

• iBPMS.

• Tecnología Analítica: Big Data e Inteligencia de Negocios (“Business Intelligence, o “BI”). Las plataformas actuales de BI se caracterizan por ser herramientas fáciles de usar que admiten el flujo de trabajo analítico completo, desde la extracción, transformación y carga de datos hasta la exploración visual y la generación de información. El Big Data se desarrolla a través de cuatro V: volumen de datos, velocidad en la que se obtienen y transfieren los datos, veracidad de las fuentes, y variedad de las fuentes. A esto el Smart Data aporta una V más: el valor de los datos que producen a la hora de usarlos para tomar decisiones y efectuar una acción en consecuencia. Así pues, debemos pasar de los datos a los datos inteligentes (“Smart Data”). Smart Data sería así el resultado de obtener valor para la organización a partir del Big Data, generalmente mediante procesos analíticos de negocio como el análisis predictivo y la automatización del aprendizaje, poner los datos en contexto, con el uso de la semántica del negocio. Para ello, la organización ha de construir y explotar un Grafo de Conocimiento [11] [12] que permita integrar y representar sus contenidos digitales de tal forma que las máquinas puedan “comprender” su significado. Es decir, que la representación del conocimiento y el razonamiento automático faciliten la inferencia (realizar un razonamiento formal, sacar conclusiones) tanto a las personas como a las máquinas, para generar nuevo conocimiento. La Inteligencia Artificial basada en Grafos de Conocimiento, es un modo de almacenar datos que permite dotarlos de estructura y contexto a la par que capacita a las máquinas para aprender y razonar explotando sus datos e interrelaciones. Los Grafos de Conocimiento son el motor de la representación del conocimiento y del razonamiento automático [12].

• Procesamiento de Lenguaje Natural (PLN, o NLP del inglés “Natural Language Processing”). Campo de la IA y de la lingüística que estudia las interacciones entre las computadoras y el lenguaje humano. Aplicaciones relacionadas con lenguajes naturales como la voz, la comprensión de textos, la traducción automática, el resumen automático o la generación de textos. Actualmente, las consultas analíticas ya se generan a través de búsqueda, procesamiento de lenguaje natural o voz, o automáticamente.

• Tecnología y algoritmos de IA. Expuestos como servicios, destacando Machine Learning (algoritmos de aprendizaje para optimizar los flujos de procesos de forma automática dependiendo del objetivo a conseguir) y Deep Learning (algoritmos para extraer conocimiento de toda la información disponible para el aprendizaje automático mediante ejemplos a través de redes neuronales).

• Integrar Servicios Cognitivos capaces de interactuar con las personas y de entender el lenguaje natural. Muchas tareas se podrán robotizar liberando a las personas de tareas rutinarias.

• Procesamiento Complejo de Eventos, o CEP. Tecnología aplicada en la arquitectura SOA utilizando como nexo de unión la infraestructura ESB (“Enterprise Service Bus”), capaz de correlacionar eventos y datos, crear conocimiento a través de su comportamiento actual e histórico, detectar patrones provenientes de sistemas de mensajes distribuidos, bases de datos y aplicaciones, permitiendo realizar análisis en tiempo real y a petición para enviar alarmas prácticamente en tiempo real para una toma de decisiones inteligente.

• Cuadro de Mando Integral (“Balanced ScoreCard”). Los procesos de negocio de la organización deben estar alineados a los objetivos estratégicos, de tal forma que los Indicadores Clave de Rendimiento o KPI (“Key Performance Indicator”) sirvan para poder medir y mejorar los procesos funcionales y operativos. La toma de decisiones en base a patrones debe apoyarse en la IA para mejorar los procesos y optimizar los KPI, ver limitaciones y encontrar soluciones de forma automática.

• Blockchain. En esta globalización donde interactuarán distintos agentes de forma automática, es de vital importancia garantizar la confianza mediante tecnología Blockchain. Los actuales algoritmos de toma de decisión son muy difíciles de interpretar, existe un gran reto en crear transparencia y confianza. La implantación de la tecnología Blockchain garantizará esta confianza.

• Internet de las Cosas (IoT). Los objetos inteligentes son fuente de eventos y de información procedente de los sensores. Esta información podrá ser tratada mediante Big Data y analizada mediante Stream Analytics para poder enviar acciones a los objetos inteligentes que recogerán a través de sus actuadores.

4.      Conclusión

Actualmente, la IA está basada en el enfoque de buscar patrones de comportamiento en una gran cantidad de datos, Big Data, patrones complejos que el ser humano no es capaz de percibir, sin embargo esta es una parte pequeña de lo que podemos definir como inteligencia. Existe otro campo, el desarrollo basado en las tecnologías de la Web Semántica en que las máquinas son capaces de entender el lenguaje natural e inferir nuevo conocimiento. Este reto es muy importante para llevar la IA al próximo nivel, la capacidad de razonamiento y la capacidad de hacer analogías, existiendo un potencial inmenso por abordar. La IA no puede basarse únicamente en encontrar patrones, la innovación en la IA debe acelerarse. 

Tecnologías de la Web Semántica como ontologías, vocabularios, grafos de conocimiento, procesamiento y comprensión del lenguaje natural permiten a las máquinas comprender e interpretar el gran volumen de datos y recursos digitales generados por las personas, además de enlazar información, razonar, inferir o descubrir conocimiento sobre ese universo de datos.

Los datos, la información y el conocimiento son el combustible de la inteligencia artificial. El objetivo de las ontologías de la Web Semántica es dotar a los ordenadores de la capacidad de estructurar y manejar la información en base a una valoración semántica de sus contenidos, con la finalidad de que la inteligencia artificial pueda entender su significado.

Asimismo, la implementación del procesamiento, compresión, interpretación y análisis del lenguaje natural permitirá que las relaciones hombre-máquina resulten más significativas, conversacionales, contextuales, útiles e inteligentes, mejorando la eficacia y eficiencia de las capacidades operativas de las organizaciones.   

Para ello, es necesario trabajar en seleccionar un vocabulario común para el desarrollo de ontologías en el ámbito de la organización, para facilitar de esta forma la interoperabilidad, reutilización e intercambio de información basándose en las tecnologías de la Web Semántica que converjan y potencien el uso de la IA para reforzar los pilares en que se basa la Transformación Digital de la organización y que se representa en el modelo METRO, tan referenciado en este blog: la organización y las personas; los procesos de negocio, los productos de información, la seguridad de la información y los servicios CIS/TIC.

(1) Son aquellos que cualquiera es libre de utilizar, reutilizar y redistribuir, con el único límite, en su caso, del requisito de atribución de su fuente o reconocimiento de su autoría. [5]

Bibliografía:

[1] “Inteligencia artificial RAE - ASALE.” https://dle.rae.es/inteligencia#2DxmhCT (accessed Jan. 07, 2021).

[2]  J. L. Iglesia, “Descubriendo la Inteligencia Artificial,” 2016. https://www.youtube.com/channel/UCrEM9nM7pxy0TtgDyTXljFQ (accessed Nov. 28, 2021).

[3] Davis, R., Shrobe, H., & Szolovits, P. (1993). ¿Qué es una representación del conocimiento?. AI Magazine, 14(1), 17. https://doi.org/10.1609/aimag.v14i1.1029

[4] R. Castro Fernández, “Representación del Conocimiento. Web Semántica,” Accessed: Nov. 28, 2021. [Online]. Available: http://www.w3.org/1999/02/22-rdf-syntax-ns#

[5]  “BOE.es - BOE-A-2007-19814 Ley 37/2007, de 16 de noviembre, sobre reutilización de la información del sector público.” https://www.boe.es/buscar/act.php?id=BOE-A-2007-19814#an (accessed Nov. 28, 2021).

[6] Tim Berners Lee, “Datos vinculados: problemas de diseño,” 2009. https://www.w3.org/DesignIssues/LinkedData.html (accessed Nov. 28, 2021).

[7] W3C, “SweoIG/TaskForces/CommunityProjects/LinkingOpenData - W3C Wiki,” www.w3.org, 2014. https://www.w3.org/wiki/SweoIG/TaskForces/CommunityProjects/LinkingOpenData (accessed Nov. 28, 2021).

[8] Ministerio de Hacienda y Administraciones Públicas, “Resolución de 19 de febrero de 2013, de la Secretaría de Estado de Administraciones Públicas, por la que se aprueba la Norma Técnica de Interoperabilidad de Reutilización de recursos de la información.,” p. 27, 2013, Accessed: Nov. 28, 2021. [Online]. Available: https://www.boe.es/diario_boe/txt.php?id=BOE-A-2013-2380.

[9] J. Javier et al., “Aplicación de la Web Semántica en Tráfico,” 2017, Accessed: Nov. 28, 2021. [Online]. Available: https://www.ptcarretera.es/wp-content/uploads/2018/07/02_2017_lisitt_def.pdf.

[10] “Servicios web semánticos - Wikipedia, la enciclopedia libre.” https://es.wikipedia.org/wiki/Servicios_web_semánticos (accessed Nov. 28, 2021).

[11] Grafo de conocimiento - Wikipedia, la enciclopedia libre (accessed Nov. 28, 2021)

[12] Gnoss, “Grafos de Conocimiento.” 2018, Accessed: Nov. 28, 2021. [Online]. Available: https://www.gnoss.com/grafo-de-conocimiento.

[13] “Libro Blanco sobre BPM - Gestión por Procesos: Disponible VIDEO: La Irrupción de la Inteligencia Artificial en BPM | UNIR OPENCLASS.” http://pedrorobledobpm.blogspot.com/2018/02/disponible-video-la-irrupcion-de-la.html (accessed Nov. 28, 2021).