Ernesto Mislej es profesor de la Maestría en Ciencia de Datos, donde dicta la materia “Tópicos de Big Data – Diseño de Data Products”. También es profesor de Pensamiento Computacional en UDESA y fue profesor visitante del Departamento de Computación, Exactas-UBA.

Actualmente se desempeña como Director Científico de 7Puentes, una consultora argentina que brinda soluciones de Web Data Extraction & Machine Learning para diversas industrias y clientes de Latinoamérica y Estados Unidos. Desde su rol, dirige el equipo de científicos e ingenieros de datos, cuya misión es potenciar negocios a través del desarrollo de soluciones de Inteligencia Artificial, Machine Learning y Ciencia de Datos.

En esta entrevista con Predictivos, Ernesto nos cuenta sobre los pormenores del dictado de su materia y cómo desarrollar productos basados en datos e inteligencia artificial, que respondan con una solución eficiente a necesidades actuales, tanto de las empresas como de la sociedad en su conjunto.

Teniendo en cuenta que fuiste docente en distintos períodos de la Maestría, ¿cómo ves la evolución que tuvo el posgrado y cómo influyó en la materia que estás dictando actualmente?

Si bien la materia habla de diseño de productos de datos, la llamaría diseño de iniciativas de inteligencia artificial. O sea que hoy los tópicos de datos serían tópicos de inteligencia artificial. Pero en definitiva es un curso que lo terminé de delinear en este cuatrimestre.

La última vez que lo dicté fue en 2017 pero mi participación en la Maestría comenzó en el año 2005 (es decir un año después de su creación). Recientemente me reincorporé como docente.

Empecé como asistente de la materia Aprendizaje Automático y después propuse dar una materia más avanzada, en vez de fundamentos de Machine Learning (ML) sería como Machine Learning Avanzado. En ese devenir encontré unos libros de texto súper interesantes y llevé la temática por ese lado. Esas referencias se habían armado con cada uno de los capítulos como un foco de qué tiene que decirle el Machine Learning a los buscadores de internet, qué tiene que decir el Machine Learning a las recomendaciones de productos o a los sistemas de recomendación, o los sistemas de detección de fraude, plagio en línea con modelos de detección de duplicados.

Ese fue el disparador con el que se me ocurrió nombrar a este curso como “Tópicos de Big Data” porque verdaderamente la revolución que estábamos experimentando era cómo almacenamos datos y cómo gestionamos modelos con múltiples orígenes. Ese recorrido fue desde esa forma de extraer los datos y procesarlos hasta los algoritmos de inteligencia artificial que vinieron después.

Entonces la motivación del programa justamente aborda esa problemática: ¿Qué tiene que decirle la IA o el ML a este nuevo tópico?

El cambio radica en que la ciencia de datos ya está presente en todos los organigramas de las empresas y en cualquier actividad productiva. Incluso existen áreas enteras lideradas por matemáticos y licenciados en ciencias de la computación que se encargan de la gestión de los datos generados por la compañía para poder extraer valor, en definitiva conocimiento valioso para tomar decisiones. Ese área se llama Chief Data Officer (CTO). Pero el área de datos no solamente hace los modelos, sino que gobierna los datos producidos por la empresa, tanto para las operaciones como para la analítica y para desarrollar productos basados en datos.

¿Qué intereses y formaciones encontraste en las diferentes camadas de alumnos que tuviste?

Me fui promediando el 2017 con una población de estudiantes más de Sistemas y ahora quizás está mucho más repartido, no sólo hay gente de Exactas o Ingeniería. Pero ahora tengo estudiantes más avanzados, de segundo año, porque antes eran siempre de primer año.

Observo que es el mismo perfil de gente curiosa, profesionales de distintas áreas y siempre con ánimo de explorar estos temas, no podría afirmar que hay una diferencia a lo que ya conocía. La verdad que estoy muy contento con el diseño y la modalidad que le encontré a este curso.

Diseñar un producto o un servicio nuevo implica un accionable para tomar mejores decisiones en cualquier organización. Teniendo en cuenta esta articulación, ¿llevás casos de empresa a las clases?

Desde ya busco poner mi red de contactos al servicio de la materia y convocar a especialistas de distintos tópicos.

Este semestre dividí la materia con un primer tercio de fundamentos de diseño aplicando problemáticas reales, “dolores” reales de gente que trabaja en algún lugar. En el caso más emprendedor podemos identificar una carencia o demanda latente de un mercado -un poco más push o un poco más pull– pero podemos visualizar esa oportunidad y buscamos proponer algo nuevo. Es el caso cuando viene a contratarte alguien y quiere hacer algo con los datos de su empresa pero no sabe bien qué. O la otra alternativa, si juntamos los datos que genera esta empresa con todos estos datos de valor podemos generar un producto nuevo que de antemano no conocemos.

El segundo tercio de la materia son expositores que vienen a contar su mirada: sus dolores, desafíos y problemas en cada organización o sector. Para este contenido tenemos cinco tópicos bien definidos: 1) Pymes industriales; 2) Cuidado y bienestar; 3) Música y entretenimiento; 4) Clima y sostenibilidad ambiental y 5) Tecnología asociada a IA generativa y agentes de IA.

Cada uno de los sectores o áreas de trabajo fue representada por varios invitados especialistas, expertos o referentes en cada tema en diferentes espacios de decisión: desde el sector público (diseñadores de políticas de desarrollo), al sector privado (empresarios, representantes de cámaras e inversores).

La próxima semana, que cerraría esta tanda de expositores, será Cuidado y bienestar. Es un tópico que me gusta mucho que tiene que ver con el cuidado de adultos mayores, pero también seguimiento de tratamientos médicos, las aplicaciones que calculan lo que caminás o corrés, te proponen actividades más saludables o sugerencias de nutrición, y monitorean tu salud o tu actividad diaria. Es súper interesante porque engloba también aspectos éticos, del estilo: ¿Por qué le dejarías el cuidado de tu mamá o de tu hijo a un robot? Por otro lado, hay cierta idea de gestión de la soledad y terapias virtuales: ¿Cuál es el problema que estás resolviendo en últimas instancias? ¿Relegás hacer la tarea con tu hijo para ocupar tu tiempo dónde? La pregunta es por qué le delegamos la salud mental o física a un algoritmo. 

Y en el último tercio está la propuesta de los estudiantes, que consiste en diseñar un servicio, un producto, que tenga que dialogar con los problemas, los dolores y desafíos de los principales referentes de las empresas y organizaciones.

La propuesta se parece mucho a la realidad de cuando uno busca la aprobación o el financiamiento de un proyecto de emprendimiento con datos y necesita socios e inversionistas del proyecto…

Me gusta mucho proponer problemas y soluciones y después los y las estudiantes arman como una especie de pitch para cada nuevo producto. Acá estamos simulando un escenario real porque es como prepararle una propuesta a los Venture Capital o a las aceleradoras de emprendimientos e incluso se generan prospectos de productos que pueden salir al mercado.

Pero también surgen proyectos de tesis de maestría. Y el cierre de la materia es una feria de pósters, porque cada grupo escuchó, diseñó y propuso una iniciativa basada en modelos de datos.

Y esos proyectos son enriquecedores porque puede haber aplicaciones de casi cualquier cosa.

Así es, durante este curso, un grupo está proponiendo modelos de recomendación de música para artistas emergentes y otro está con un proyecto de modelos que conversan con legislación aduanera o legislación fiscal de regulaciones, una especie de chatbot asistente sobre legislación. Me parece fascinante.

¿Esto claramente es un prototipo, no un desarrollo?

No, en un cuatrimestre no se puede hacer completo el desarrollo pero sí se pueden acotar algunas etapas del producto. Esa parte del ciclo de tiempo me interesa poco, porque me interesa más escuchar a quien venga con un problema y pensar cómo resolverlo.

La innovación a veces viene a resolver un problema conocido y a veces viene a dar respuesta a algo novedoso. Es la apuesta híbrida de jugar un poco a lo conocido y a lo desconocido.

Durante esta última parte de la entrevista me interesaría hablar de tu trabajo en 7Puentes y los proyectos que desarrollan especialmente en temas de ciencia datos, aprendizaje automático y agentes de IA.

La inteligencia artificial generativa es un escenario disparador donde nos podemos imaginar reformulando procesos de negocio, procesos de toma de decisiones y procesos de flujos de información interna.

Desde 7Puentes (una empresa argentina con más de 15 años de experiencia enfocada exclusivamente en desarrollar soluciones basadas en Inteligencia Artificial y Machine Learning) potenciamos la innovación en IA e intentamos entender qué nos está proponiendo la inteligencia artificial generativa para optimizar procesos.

Y en cuanto a los datos hay dos momentos súper interesantes. Un poco lo relaté antes, que es la parte de la ingesta de datos. La ingesta es justamente esta parte de cierta documentación, o datos de sensores, o datos que ya están en un formato electrónico, y se pueden trasladar a una base de datos analítica o a un espacio centralizado y estructurado que después puede ser consultable. 

Después está la otra parte de la punta de la cadena, es la de interrogar a esos datos, poder preguntarle diferentes cosas. El Business Intelligence (BI), de hace ya 30 años más o menos, nos dio respuesta a esto de preguntar a la base de datos con lenguajes de consulta como el SQL.

Hoy nos habilitamos a soñar poder conversar con los datos, que podamos decirle o preguntarle a la base de datos, por ejemplo cuál fue el producto más vendido en todas las sucursales. Y que la base nos conteste.

Pero no solamente el producto más vendido, sino que le puedas pedir que haga una comparativa del producto comparado con el promedio de los últimos tres meses o que te diga lo interesante o lo relevante del negocio. La verdad que la palabra “interesante” o “relevante” no están claramente definidas.

¿Cómo se puede definir y precisar algo que parecería tan ambiguo para una IA?

Probablemente la relevancia o la importancia difiera si yo soy un gerente de logística o si  soy un gerente de mantenimiento o un gerente de compras. Lo relevante puede variar según el rol y también puede variar según el momento del día. No es lo mismo que un gerente de logística te pregunte qué es interesante un lunes a la mañana respecto a un viernes a la tarde, previo al fin de semana.

La idea de lo relevante es completar esas indefiniciones, esto es algo que la inteligencia artificial generativa lo puede hacer muy bien teniendo en cuenta criterios de toma de decisiones, productividad, rentabilidad, eficiencia, etc. Puede darte propuestas de qué es lo mejor, qué es lo más relevante y a qué le tenemos que prestar atención.

Claro que en principio consideramos el período de esa aceleración, de darle importancia a esto, porque es lo más importante. Pero por otro lado también esconde el efecto adverso de la recomendación de importancia, que es que le empieces a hacer caso a una máquina.

Entonces, pasás de la posición de analista preguntándole cosas a aceptar que a lo más importante que le tenés que prestar atención es a esta respuesta. Ganás productividad porque la verdad que el hecho de que una máquina nos diga un miércoles a la tarde, “te estás por quedar sin nafta, repone”. Y si seguimos con esta tendencia el lunes nos quedamos sin nafta. Que nos lo diga un miércoles y al lado que aparezca un cartel que indique “orden de mantenimiento preparada y lista para ser emitida, aprobarla”, antes que esperar viendo el indicador y el lunes a la tarde te quedaste sin nafta, la fábrica se paró y hay que mandar a la cuadrilla de urgencia.

Se aceleró el proceso de toma de decisión pero también te volviste más “vago” o poco “crítico” de cómo funciona. Aparece esta tensión entre aceptar lo importante que me diga la máquina y ganar productividad versus esta sensación que algunos autores llaman “pereza cognitiva” o “sedentarismo cognitivo”. Como que si le hago mucho más caso a la computadora no pienso, simplemente acepto lo que dice.

Es una discusión que también se daba con el auge del Big Data, que en particular el Big Data nos hacía medio ignorantes o perezosos por llamarlo de alguna manera, porque confiábamos ciegamente en esos modelos y no nos planteábamos cómo generar un entendimiento más profundo sobre sus resultados.

Creo que en definitiva tiene que ver con la posición del humano allí, si es una posición activa o pasiva.

La misma IA generativa te dice: “los datos están acá, hacé vos la pregunta y te respondo”. Es una posición más reactiva, algo pasa y reaccionás ante ese estímulo. La posición más proactiva es hacerle la pregunta adecuada, refinarla y tratar de entender mejor por qué dio la respuesta que dio, si es correcta o no, más teniendo en cuenta que puede haber errores (alucinaciones).

En ese contexto, nuestro proyecto de IA generativa “Chat with Your Data”, desarrollado por 7Puentes, busca redefinir la posición del analista, pero no solamente se trata de preguntarle a los datos en lenguaje natural, o vía Whatsapp hacerle una consulta, sino que además podés modelar agentes de BI o agentes personalizados del negocio, por ejemplo, un agente de mantenimiento de ascensores. A partir del monitoreo del funcionamiento del ascensor o de los patrones de uso, el agente inteligente puede detectar anomalías o dar recomendaciones de mantenimiento predictivo.

Hay dos posibles estados, una posición de recomendación donde el agente sugiere tomar un curso de acción, y otra de interfaz donde como analista, humano, le podés preguntar el estado del ascensor cuando quieras e interactuar en función de esos resultados. Para mí es bienvenida esta posibilidad de preguntarle al ascensor su estado actual pero la otra idea es un agente de IA que está observando el “estado de salud” del ascensor en el tiempo como para poder contestar y sugerirte acciones. La idea es que estos modelos sean confiables y le podamos delegar ese conocimiento experto del área de mantenimiento o de cualquier otra área de la empresa.

El desafío es cómo conversar e interactuar eficientemente en este escenario, donde el conocimiento humano y experto de alguna forma está compartido con la tecnología.