La VERDAD sobre la IA: cómo ServiceNow usa datos, energía y workflows para escalar

Listen to the heartbeat

Pues ServiceNow es una plataforma para manejar toda la información de una empresa. Creo que el noventa y pico por ciento de las-- del S&P 500, eh, utilizan ServiceNow.

¿Cómo factura doce billion ServiceNow? O sea, con una facturación por cliente de millones, grandes clientes, mucha facturación por cliente.

Las redes neuronales existen desde los años sesenta, setenta, ochenta, desde el principio, y poco han cambiado hasta ahora. Los cambios que se han hecho en redes neuronales han sido muy pequeños y muy progresivos, pero sobre todo el cambio principal es más computación y más datos.

Y así es como se valora un researcher hoy. Cuántas veces, veces ha sido citado. Pero llegará un momento donde habremos entrenado los modelos con tal volumen de datos que podremos generar datos sintéticos de más calidad. Dice que no razonan los modelos.

No razonan, lo que hacen es copiar un razonamiento que se ha leído ya, ¿no?

Y es un tema filosófico siempre, pero ¿y los humanos no hacen lo mismo?

Ahora ya la computación ya no se mide en flops, se mide en gigavatios de, de energía.

¿Qué perfil tiene un-una persona que entra en research en uno de estos labs? La AGI, ¿qué es?

Esa es una pregunta complicada, sí.

Bienvenidos a un nuevo pódcast de Itnig. Yo soy Bernat Farrero y hoy estoy con David Vázquez. ¿Qué tal, David?

Hola, muy bien. Encantado de estar aquí en Barcelona.

David es el director de research de ServiceNow, que es una de las grandes compañías en el mundo que hacen IA, que hacen workflows. Ahora nos explicarás también qué es eso de los workflows y qué hace exactamente ServiceNow. Tú eres gallego, que estudió en Barcelona y acabaste en Montreal y vives actualmente en Montreal.

Por casualidad pasabas por aquí y nos ha cruzado Gia, ¿no? Eh, el, el fundador de Teker, que estuvo hace poco aquí en el, en el pódcast, em, que además fue tu alumno, ¿no? Tú eres profesor del máster de la universidad de, de aquí de Barcelona.

Sí.

¿De qué universidad?

Eh, doy clases en el máster de... Es un máster de visión por computador, una rama de la inteligencia artificial, y es un máster inter-interuniversitario entre la UB, la Pompeu Fabra, la UAB. Y yo estudié en la UAB, entonces estoy más en, en la parte de la UAB dando una, una clase doy solamente en el máster cada año.

Y ahí conozco estudiantes. Por ejemplo, Gia es uno de los estudiantes y trabajé con él durante su tesis de máster.

Vale, tú le llevaste la tesis.

Sí.

Que luego acabó evolucionando, ¿no? Y de ahí ha salido Teker.

Bueno, Teker ya existía. Teker-

Vale.

Hacía sol-- con un, un robot que soldaba chips. Y entonces cuando empezamos a hacer el-

Nada que ver con lo de hoy.

Nada que ver con lo de hoy. Y entonces, cuando empezamos a hacer la tesis de máster, pensando temas, estuvimos mucho tiempo pensando qué tema de máster hacer. Para mí era importante que hubiese una publicación, porque yo me dedico a hacer publicaciones, y para él era importante que fuese algo útil para su empresa. Y si estas dos cosas funcionan, el proyecto va a triunfar, porque él va a trabajar mucho más, porque es útil para su empresa y saldrá el artículo.

Entonces, pensando, decía yo: «¿Quién coloca los chips en las placas?» Y decía: «Estos se colocan a mano». Digo: «¿Y si hacemos algo que coloque los chips en la placa, un brazo robot que coloque los chips para que luego los sueldes con el otro robot?» Y entonces empezamos a hacer un brazo robot controlado, conectado con inteligencia artificial.

Tiene una cámara, el brazo, ve las cosas que hay encima de la mesa, le puedes escribir y le dices qué es lo que quiere hacer. Los robots normales están programados para hacer una tarea de forma repetitiva. Esto, la idea era un, un, un entorno no controlado en el que puede hacer cualquier tipo de cosas.

Y gracias a tener un large language model, un modelo de lenguaje de inteligencia artificial, conoce el mundo y por la visión interpreta lo que ve. Y entonces, pues le dices, por ejemplo, en, en el, aquel artículo que hicimos, pues poníamos unos bowls y unas bolas y decías: «Coge las bolas rojas y ponlas en el bowl azul».

Y el robot iba, las buscaba y las ponía. Y luego Teker utilizó eso para pivotar en su empresa y utilizar esta tecnología para muchas otras cosas.

¿Cómo era Gia como estudiante?

Pues Gia muy loco, ¿no? El, el proyecto, pues quería hacer todo. Estoy acostumbrado a estudiantes que llegan y te dicen que, que van a hacer cincuenta mil cosas y luego, pues que no da el tiempo. No, no da tiempo a hacer todo lo que quieren. Entonces, Gia decía: «Voy a hacer mi propio robot, le voy a hacer el control, voy a hacer un simulador del robot, luego voy a entrenar el robot y luego voy a resolver el problema».

Y digo yo: «No, o te dedicas a hacer el robot, o el control, o la visión o qué». Al final hizo el robot, hizo el control, hizo el simulador, lo entrenó. Luego el robot era muy grande, hizo otro robot más pequeño, luego cogió un robot comercial. Al final presentó tres robots diferentes en la tesis-

Ostra

...y que resolvía el problema.

O sea, no es tan habitual, ¿eh, esto?

No, para nada. Y de forma muy autónoma todo. El

¿Por qué, por qué es tan importante publicar un paper? ¿Para qué sirve publicar un paper?

Primero es para hacer ciencia abierta, ¿no? El open source y que se pueda construir encima de esto y que el resto de las personas, pues cojan tu base y lo mejoren. Y así avanza la ciencia mucho más rápido. Luego, ¿por qué publicarlo como un paper? Porque podrías dejar el código simplemente en GitHub y que la gente lo use.

Para mí el paper es una forma de darle rigor a lo que haces. Cuando tienes que explicar una cosa en ocho páginas, superdetallado, para que alguien lo entienda, para que unos revisores externos, expertos en el tema, lo puedan leer, dar sus opiniones y ayudarte a mejorarlo y filtrar qué cosas, eh, tienen sentido y qué cosas no, qué cosas son publicables y no, da, da una categoría, ¿no?

A la, a la publicación y al trabajo que has hecho.

Vale. O sea, no, no es un tema político para conseguir ciertos papers, para conseguir ciertas posiciones o, o ciertas subvenciones. Supongo que también, pero también tiene una componente, dices, de ciencia abierta, ¿eh?

Sí. O sea, al final la publicación es la ciencia y de to-toda la vida se ha publicado, ¿no? Einstein publicaba sus artículos. Y, y ahí es el reconocimiento de los otros investigadores que tu trabajo es bueno. Sellan que ese trabajo vale. Luego, sí, claro, se utiliza, pues para el currículum ahora, ¿no?

Ves cuántas publicaciones tienes y está Google Scholar, que mira en tus publicaciones cuánta gente los ha citado, cuánta gente lo ha visto, pues como los, los likes ahora, ¿no? De, de las redes sociales. En las publicaciones, pues pasa las citas. Cuando tú escribes un artículo y dices: como en este otro artículo, y entonces está citado y se cuenta cuántas veces se ha citado tu artículo.

Y esto es el valor de un investigador, cuántas veces citan el trabajo suyo.

Es un poco como el PageRank de Google.

Sí.

Pero aplicado a artículos de research.

Sí.

¿Así es como se valora un researcher hoy?

Sí.

Cuántas veces, veces ha sido citado.

Sí, si vas al Google Scholar, ves a la página del investigador y entonces tienes todas las publicaciones y dice cada publicación cuántas veces se ha citado.

Vale.

Y luego ves un gráfico en los años, cómo ha ido evolucionando el número de citas, cómo ha ido creciendo. Y luego está el H-index, que es el, el-- si solo quieres me-medir un investigador con un único número, se utiliza el H-index. H-index de uno es que tiene un artículo que se ha citado una vez.

H-index dos, al menos dos artículos que tienen dos citas. H-index diez, al menos tienes diez artículos que se han citado diez veces. Entonces, esto exponencialmente cada vez es más difícil tener tantos artículos así.

Vale, ¿y tú cuál tienes?

No me acuerdo ahora mismo .

¿Cómo, cómo te metes en el mundo del research?

Eh, pues por casualidad.

¿Por qué te metes? ¿En qué momento? ¿De dónde sales inicialmente?

Pues por casualidad. Yo de pequeño, mi padre tenía un ordenador. Hace, o sea, hace treinta y cinco años o así. Yo de niño, pues mi padre tenía un ordenador y tenía interés. Luego acabé, pues estudiando Informática. En Informática, eh, había una asi-una asignatura de redes neuronales en segundo de carrera que la suspendí y el profesor me cruzó.

Y ahí entonces, pues me empezó a interesar y me fui a estudiar a otras universidades por España con el programa Xico Seneca y empecé a coger asignaturas de Inteligencia Artificial, de redes neuronales y, y a, a raíz de, del problema con este profesor, pues seguí estudiando, estudiando más y cogerle el gusto.

Ostra, pero es que esto es muy fuerte. Normalmente, cuando te cruza un profesor y suspendes una asignatura, la gente normalmente dice: "Pues esto no es para mí", ¿no? Tú hiciste lo contrario, ¿eh?

Sí.

Dijiste: "No, no, no, ahora va-te vas a enterar" . ¿No?

Sí.

Ostra, pues una muy buena reacción, ¿eh?

Me costó mucho luego aprobarla, porque tenía que aprobarla con ese profesor que me tenía cruzado. Pero al final, pues la aprobé y estudié tres o cuatro asignaturas más en otros sitios.

Redes neuronales. Yo, yo también la-- o sea, a mí también me costó esta asignatura. Era, era, bueno, algoritmos de búsqueda, principalmente, ¿no? Eh...

No, de aquella veíamos el Adaline, luego el Perceptron, el Multilayer Perceptron, las redes de Kohonen. Eran cosas así muy antiguas, pero que al final es la base de las redes neuronales que utilizamos ahora en Inteligencia Artificial.

¿Cómo evolucionaste a partir de ahí? ¿Cómo acabaste dedicándote de lleno a la research en Inteligencia Artificial?

Yo empecé con la se-- con la asigna-con la carrera técnica de Informática y luego hice la superior aquí en Barcelona. Y justo ya me gustaba.

¿En qué universidad?

En la Autónoma de Barcelona. Y me gustaba ya la visión por computador. Ya había hecho el proyecto de la técnica en reconocimiento de caras en el aeropuerto. Aquella época era la época de Bin Laden. Y entonces, habíamos hecho un sistema para el aeropuerto de Barajas que detectaba las caras de la gente y las reconocía, a ver si era, pues algún-

A ver si era Bin Laden.

A ver si era el Bin Laden

. Y cuando llego a la Autónoma de Barcelona, me encuentro justo en frente de la Facultad de Informática, el Centro por-- de Visión por Computador. Dije yo: "Pues esto me está buscando a mí". Y ya me fui para allí, digo yo: "Aquí tengo que entrar en el CVC".

Mhm.

Y entonces empecé a hacer prácticas allí, en una empresa que se llamaba Davantis, de, de videovigilancia. Y luego ya hice el proyecto final de carrera con Antonio López, allí en-- que hacía temas de conducción autónoma. E hicimos un, un sistema de detección de peatones. Y luego ya, pues de aquel momento no había trabajo de Inteligencia Artificial.

¿Qué año era?

2001, creo. Por ahí. O 2005, por ahí. Y-

Sí, no, no, no era un momento de auge, ¿no?

No. Y entonces yo quería seguir haciendo esto, pues me dijeron: "Pues hay el máster, hay el doctorado y así puedes seguir haciendo".

Seguiste estudiando.

Y ahí seguí estudiando. Yo cuando empecé, empecé por la dis-- la, la carrera técnica de tres años porque era demasiado. Al final acabé haciendo la superior de cinco, máster, doctorado, dos postdoc.

Dos postdoc, ostra.

Y, y así acabé en, en el Centro de Visión por Computador haciendo el doctorado. Y cuando terminé dijimos: "Vamos a hacer un coche autónomo". Entonces, pues nos fuimos al concesionario a comprar un coche, automatizarlo y-

¿Y dónde está este coche? No, no lo vi en su momento. De hecho, todavía no veo ninguno aquí en Europa, al menos.

No, era un coche experimental. Ese ya se, se desmanteló ese coche. Ahora están haciendo otro.

Pero ¿por qué? ¿No funcionaba?

No, fue un ciclo, ¿no? Yo llegué allí, montamos ese coche. Ese coche tuvo recorrido. Se vio por aquí mucho en Barcelona.

¿Sí?

Eh, hace años, ¿eh? Eran, pues...

Pero ¿se conducía solo?

Sí, en 2015 o así era cuando estábamos desarrollando ese coche. No era un coche que salía por las calles, ¿no?

Ah, ¿por dónde iba entonces?

En aquel momento, en la universidad, circuitos de prueba, cosas más controladas. Pero el coche andaba solo, frenaba si detectaba un peatón, otro coche, reconstruía en tres dimensiones el-- todo el entorno, movía el, el volante, controlaba los frenos, se localizaba con GPS.

Eh, y era un proyecto en el que habíamos involucrado gente de diferentes universidades y de diferentes departamentos de diferentes universidades. Por ejemplo, de aquella, de aquella no utilizábamos redes neuronales. Aún no, aún no era el boom de las-

No

...redes neuronales, que empezó en el 2016. Esto era más en el 2015.

¿Qué tecnología utilizabais?

Pues visión por computador tradicional. Eh, de aquella tenías que definir unos patrones y unos descriptores de la imagen y luego un clasificador. De aquella era support vector machine, eran métodos estadísticos, no neuronales.

Vale.

Y esto, claro, teníamos un ordenador en el maletero muy grande y empezamos a desarrollar esto en NVIDIA, en las tarjetas que ahora se utilizan para redes neuronales. Nosotros nos programamos esos algoritmos en CUDA, que es el lenguaje de las tarjetas gráficas, que era una locura ya en aquella época, porque, eh, las tarjetas gráficas eran para hacer videojuegos, para hacer-

Sí

...cosas en 3D. Y empezamos a hacer inteligencia artificial en las tarjetas, que no era común con ese lenguaje.

No era común en aquella época. Luego se convertiría en lo normal.

Ahora es un negocio, pero de aquella... Y, y desarrollamos los algoritmos en, en, en CUDA para que fuesen más rápido en las tarjetas de NVIDIA.

¿Por qué murió este proyecto? ¿Por qué no se convirtió en un self-- full self-driving car como el de Tesla?

La falta de financiación. El proyecto que teníamos de financiación del ministerio para hacer coche autónomo creo que eran cincuenta mil euros.

Con cincuenta mil euros es poco.

Sí.

Pero ¿no le interesaban a las, a las marcas de coches?

Pero no, no, no se ha muerto. Ahora, ahora siguen. Sí, hemos hecho muchos proyectos con Audi, con Volkswagen, con Seat.

Pero se quedaban ahí.

Eran proyectos de transferencia tecnológica y cosas que se han transferido.

Sí, sí, ¿pero dónde están los coches de Audi, de Seat?

Los tienen en el mercado, ¿no? Son sistemas de asistencia a la conducción.

Vale.

No es una conducción autónoma cien por cien, pero en cualquier coche ahora tú te montas y tienes una reconstrucción 3D del, del entorno cuando estás aparcando o cuando, cuando vas a-

Te ayuda a aparcar, ¿no? Te-- a frenar si tienes un obstáculo.

Si detecta un peatón, frena.

A cambiar de carril.

Exactamente. Detectar las líneas de carril, encender las luces largas y cortas. Son estos sistemas que se llaman ADAS, Advanced Driver Assistance Systems.

Vale. O sea, estos sistemas, ¿tú sta-- tienes alguna línea de código por ahí?

Sí. Bueno, sobre todo mi supervisor tiene líneas de código de, de, de estos sistemas en Volkswagen, Audi.

Vale. Entonces, luego de ahí, ¿dónde-- cómo, cómo llegas a Montreal?

Pues esto en el 2016 cambia el paradigma. En lugar de utilizar estos métodos como el support vector machine, más estadísticos, pasan a utilizar las redes neuronales, lo que se llama deep learning.

¿Y por qué cambia ese paradigma? ¿Nos puedes explicar un poco cuáles son los, los hitos más importantes de este momento?

Las redes neuronales existen desde los años 60, 70, 80, desde el principio, y poco han cambiado hasta ahora. Pero en el 2000... 2013 o así empiezan a funcionar. En el 2016 ya des-- se despega, que ya no se utiliza los métodos estadísticos. ¿Y por qué empiezan a funcionar?

Uno es porque hay más datos, otro por las tarjetas gráficas de NVIDIA, más computación. Entonces, eh, cogen un algoritmo de, de redes neuronales y lo, lo programan en una tarjeta gráfica y lo entrenan. Eran con dos tarjetas gráficas en aquel momento conectadas y lo entrenan con millones de imágenes y empieza a funcionar.

Normalmente, cuando haces un artículo mejoras un 1 %, un 2 % en, en un benchmark. Entonces, normalmente tenemos una base de datos en la que te comparas, te evalúas y un artículo, pues aceptas y mejora un uno, dos, 3 %. Aquel artículo yo no sé qué mejoró, un 5, 10, 15 %, 20.

Una barbaridad

¿Pero qué es lo que mejora? No, no lo estoy entendiendo.

Por ejemplo, imagínate, en aquel momento era clasificación de imágenes. Tenías imágenes de perros, de gatos, de casas.

Vale. Sí.

Y el sistema tiene que decir si esta imagen es una casa, un perro, un gato. Y entonces, pues le pasas miles de imágenes, se lo aprende. Luego le pasas otras miles que no ha visto nunca y le, le dices: "¿Son perros, casas o qué?" Y calculas el error.

Vale.

Entonces, imagínate, dice: "El 80 % de las imágenes las ha clasificado bien". Y de repente llega este nuevo algoritmo con, con redes neuronales y en lugar de clasificar el 80 % bien, clasifica el 95 % bien. Y dices: "¿Qué ha pasado aquí? ¿Qué han hecho esta gente?" Nunca se ha visto un salto así tan grande.

¿Y qué habían hecho?

Pues entrenar con muchos más datos, con redes neuronales.

Más datos, más computación.

Sí. Los cambios que se han hecho en redes neuronales han sido muy pequeños y muy progresivos, pero sobre todo el cambio principal es más computación y más datos. Y esa es toda la-

Pero así como en los modelos de texto-

La recompensa

...eh, pues hay las innovaciones de los "transformers", ¿no? Hay una, una serie de innovaciones que han sido clave, aparte de la computación, ¿no? Y el volumen de datos, ¿no? Em, para llegar al punto que estamos hoy. En el caso de visión.

En el caso de visión eran las, las redes convolucionales en aquel momento. Ahora también se hace con "transformers", pero una red convolucional, que es-- nosotros antes, ah, definíamos unos filtros a mano que íbamos pasando por la imagen y calculando la respuesta de ese filtro en diferentes sitios y luego clasificabas con esas respuestas de los filtros.

La red neuronal aprende los filtros automáticamente. Es una red convolucional. Entonces, convolucional es que se va moviendo así por la imagen a diferentes tamaños y va aprendiendo cuáles son los filtros más importantes para describir esa imagen. Entonces, antes que tenías dos componentes, una que lo hacías a mano y luego la parte estadística de clasificación, ahora esta red neuronal aprende los filtros y clasifica al mismo tiempo.

Y esto es un, un gran salto.

¿Qué es un filtro, por ejemplo?

Un filtro es una matriz. Es un tensor.

Se piensa en-

A ver cómo explico esto.

Cómo se explica a un niño de cinco años.

Es un descriptor de qué es lo que está viendo en ese cuadradito. Pones un cuadradito en una imagen-

Vale

...y en este cuadrado, qué es lo que se ve. Entonces, se ve una forma así curva. Entonces, hay un filtro que cuando lo pones encima de esa forma curva dice: "Uy, aquí hay una cosa curva". Hay otro filtro que es así alargado. Cuando lo pones en una cosa alargada, dice: "Ah, aquí hay algo alargado".

Vale.

Hay un filtro de color. Cuando encuentra algo negro o azul o verde, se despierta, ¿no? Y, y se activa. Entonces, ¿cómo defines todas las cosas que necesitarías, todos estos filtros que necesitarías para describir una imagen? Pues antes lo íbamos haciendo a mano. Hacíamos filtros que se respo-respondían a, a líneas horizontales, verticales, diagonales, a diferentes contrastes de color.

Imagínate hacer eso a mano. Entonces, ahora la red neuronal lo aprende solo. ¿Pero por qué lo aprende? Porque tiene millones y millones de imágenes. Cuando antes se probaba esto con miles de imágenes, esto no funcionaba. No era capaz de aprender los filtros tan bien como si yo los definía a mano.

¿Y por qué ahora tiene millones y antes tenía miles? O sea, siempre han existido millones de imágenes.

Cada vez hay más imágenes.

Bueno, sí, seguramente sí.

Si le preguntas a mi supervisor de tesis, él hizo su tesis doctoral con dos o tres imágenes, que no había más.

¿No había más imágenes?

Pues no había cámaras de fotos digitales, no había móviles. Internet, pues descargar una foto, tardabas ahí un ratillo.

Ya.

Des-- pues mi supervisor hizo la tesis doctoral con unas pocas imágenes, así con, contadas con la mano. Mi tesis doctoral, yo le tenía-- era-- hacía detección de peatones, le tenía nombres a los peatones de la base de datos. Les tenía motes, así los reconocía a todos. Yo conozco a esa gente, ya.

Gente desconocida de una base de datos, pero eran mil personas que salían ahí y me los conocía a todos de ver esas imágenes miles de veces. Los estudiantes ahora utilizan millones y millones de imágenes que no-- ni las ven, ni las miran.

¿Y de dónde salen estas imágenes?

Eh, por ejemplo, cuando yo hacía la tesis doctoral era una base de datos que había hecho una universidad con una cámara de fotos, sacando fotos a personas y luego las recortó a mano y tenías ahí las personas. Ahora, pues se descargan de Internet. Depende para el tema, ¿no? Por ejemplo, si es para coche autónomo, sales con el coche y vas grabando horas y horas y horas.

Y luego hay compañías que anotan esas imágenes con lo que necesites. Por ejemplo, si quieres detectar peatones, le dices: "Cada vez que detectes un peatón, me lo dibujas una cajita", así. Eso se-

De hecho, es Merco, ¿no? Ese grupo de gente.

Sí.

¿No? Empresas de data labeling que-

Sí, que hay miles y miles

...que han ido de 0 a 500 millones de euros de R-- de RR en nada. Supongo que es porque hay mucha gente interesada en etiquetar cosas, ¿no?

Sí.

En esta e-época de auge de AI.

Sí, y ahora-

Y hacen esto. Etiquetan, ¿no? Dicen: "Esto es una persona".

Esto es una persona. A mano. Tienen gente sentada ahí. Ahora ya se utilizan métodos de active learning. Tienes un modelo que ya detecta personas, por ejemplo. Lo pasas, detecta las personas y luego un humano verifica: esta está bien, esta está mal y te has olvidado esta. Así van más rápido. Y lo mismo se hace con texto.

En todas estas imágenes y vídeos, al final, eh, son limitados. Aunque hay muchos más que en la época de tu profesor, siguen siendo limitados, ¿no? E-entiendo que todo el mundo se entrena con YouTube y ese tipo de cosas, ¿no? Todo lo que hay público, aunque luego es controvertido, ¿no? Eh La típica pregunta que le hicieron a Mira Murati si había utilizado YouTube y hace una cara así como

bueno. Eh, pero entonces, al final, em, cuando se acaban estos datos, ¿qué, qué, qué haces, no? Eso por un lado y, por otro lado, es todo el mundo tiene los mismos datos ahora, principalmente, ¿no? Todo el mundo tiene acceso a estas grandes bases de datos, ¿o no?

Bueno, eh, para empezar está el copyright, ¿no? Si quieres hacer algo en la universidad es más fácil que si lo quieres hacer en una empresa. Entonces, hace años no pensábamos en el copyright porque la inteligencia artificial no le importaba a nadie. Descargabas cuatro imágenes de Internet, hacías un artículo y ya estaba.

Entonces, ahora si miras las bases de datos antiguas que existen de, de visión por computador, de inteligencia artificial, mmm, no se puede utilizar nada de eso porque no se sabe ni de dónde han salido los datos del copyright.

Mmm.

Entonces, ahora, eh, lo que se hace cuando creas una base de datos ya es mirar cosas que tengan una licencia permisiva, un Creative Commons o alguna cosa así, y utilizar esos datos y crear una base de datos así. Y si no, los tienes que crear tú. Datos sintéticos, por ejemplo.

Eso te iba a preguntar.

Por ejemplo, para coche au-

¿Funcionan bien los datos sintéticos?

Para el coche autónomo, en su momento habíamos hecho un, un, un siste-- un simulador de coche autónomo que se llamaba Cynthia, luego otro que se llamaba Carla, que era con Unity. Eh, creamos un videojuego de conducción, un videojuego de coches. Entonces, en el videojuego, pues sabes exactamente dónde están los peatones, dónde están los coches, las carreteras, todo.

Y creamos todas las anotaciones con el mundo virtual. Cuando em-empezamos a entrenar, mi tesis doctoral iba de eso, entrenar en un videojuego y luego probarlo en un co-- en un coche real. Lo que veíamos es que no funciona tan bien. Funcionaba, detectaba los peatones, pero peor que si hubieses le, le hubieses enseñado imágenes reales.

¿Por qué?

Porque hay diferencias en, en las texturas, en la iluminación, diferentes configuraciones de cámaras, de sensores, de lentes. Es lo que se llama el domain shift, el cambo-- cambio de dominio. Y pasa siempre en inteligencia artificial. Si tú aprendes con datos que, eh, se han extraído con una distribución de datos y luego la distribución en la que lo vas a probar es diferente, pues es subóptimo.

Es como si te estudias una asignatura en la UB y luego vas a hacer el examen en el MIT. Aunque sea la misma asignatura, pues el libro es distinto, el temario es un poco diferente, no vas a sacar la misma nota.

¿Pero llegará un momento donde habremos entrenado los modelos con tal volumen de datos que podremos generar datos sintéticos de más calidad?

Sí, sí, sí, sí. De hecho, bueno, y entrenas con los datos sintáticos y luego se hace el domain adaptation, ¿no? Eso es lo que hacíamos. Entrenas con estos datos sintéticos, no funciona tan bien, pero luego continúas entrenando con datos reales y el modelo aprende, pero ya, ya es un modelo que ya sabía detectar las cosas y tú lo has adaptado un poco, con muy pocos datos.

Entonces, por ejemplo, en ServiceNow mismo, una cosa que hacemos es tú no puedes entrenar con los datos de los clientes. Entonces, generas datos virtuales, simulas ejemplos de, de casos como los que tendría, eh, los clientes y entonces con eso haces un primer entrenamiento.

Luego vas a una empresa de anotación y le dices que te genere casos sintéticos, pero ya hechos por un humano, y ya tienes un modelo que funciona mucho mejor. Y después ya lo puedes adaptar con los datos del, del cliente.

Vale. Entonces, em, sigamos la evolución, ¿eh? Tú est-- tú en aquel momento estás trabajando en el coche autónomo. Em, ¿en qué momento saltas a Montreal?

En el 2016, cuando me voy a hacer el postdoc al grupo de Yoshua Bengio, al, a Mila.

¿Quién es Yoshua Bengio?

Yoshua Bengio es uno de los profesores que ha creado las redes neuronales. Son tres profesores en el mundo que han estado trabajando. Cuando todo el mundo trabajaba en estos métodos estadísticos, ellos trabajaban en los métodos de redes neuronales.

¿Quiénes son estos tres?

Es Yoshua Bengio en Montreal, luego está, eh, Hinton en Toronto y Yann LeCun en Nueva York. Yann LeCun, eh, se va a Meta y Hinton a Google. Y Yoshua se queda en la universidad, en la Universidad de Montreal y crea este grupo, Mila, Montreal Institute of Learning Algorithms.

Y, y entonces yo me--

Qué raro, ¿no le ofrecen un... cien millones de euros, como ahora se habla, que pagan, pagan cien millones de euros para reclutar researchers? ¿No le ofrecen algo para irse a una de estas empresas privadas?

Seguro que le han ofrecido miles de cosas, pero se quedó en la universidad haciendo ciencia abierta.

Está bien, ¿no?

Sí, y ha creado un ecosistema en Montreal de inteligencia artificial grandísimo, ¿no? Montreal era conocido por los videojuegos y ahora es conocido por los videojuegos y la inteligencia artificial.

Y tú te vas ahí.

Y yo me voy allí, a su grupo. No con él directamente, me voy con otro profesor, Aaron Courville, de su grupo, y, mmm, y para aprender. Entonces, me voy allí, eh, aprendo inteligencia artificial, empiezo a estudiar las librerías de, de redes neuronales que tienen, el libro que acaban de sacar de redes neuronales, me lo estudio todo.

¿Siempre visión por computador? O sea, ¿hay mucha diferencia entre visión por computador y modelo de texto?

Ahora cada vez menos y menos, porque ahora es un transformer todo. De aquella, eh, para los modelos de texto eran, eh, las redes secuenciales, como los Recurrent Neural Network, el LSTMs, y para la visión eran las redes convolucionales, Convolutional Neural Networks. Cuando salen los transformers, primero son para texto y ya se utilizan transformers para texto, para audio, para imagen.

Vale.

Tienen sus peculiaridades, pero no sé. Por ejemplo, yo cuando hacía detección de peatones, si me decían que tenía que detectar coches, mi código tenía que cambiar un montón de cosas. Era muy difícil, ¿no? Parece lo mismo detectar peatones o coches, le cambio las imágenes, pero no, era un supercambio. Cuando envían las redes convolucionales me da lo mismo detectar, que segmentar, que detectar cualquier cosa, cualquier cosa de visión.

Y ahora con los transformers-

Y ya cuando llegan los transformers, pues me da lo mismo hacer audio, que vídeo, que, que texto.

Pero, pero, pero sigue habiendo modelos Más enfocadas a texto y modelos más enfocadas a-

Sí

...a imagen o vídeo, ¿no?

Sí. Sí, sí. Se utiliza un, un poco diferente el transformer y el-- lo que-

Pero la tecnología es parecida.

Es parecida. Ahora lo que se utilizan son los modelos multimodales, ¿no? El mismo modelo puede-- le puedes meter audio, le puedes meter texto, le puedes meter vídeo, imagen, lo procesa y la salida puede ser cualquiera de las, de las mismas modalidades.

Vale.

Yo he trabajado en modelos que mezclan texto y au-- y imagen.

Vale. Entonces, eh, sigues en Mila, ¿no? Y de ahí pasas a una compañía.

Sí, entonces-

Por primera vez pasas al mundo de, de la, de la empresa, porque hasta aquel momento había sido puro research.

Estaba haciendo un postdoc entre Montreal y Barcelona. Entonces, mi programa iba y venía unos, unos meses en Montreal, unos meses aquí. Entonces, voy allí seis meses, aprendo, vengo aquí y empiezo a, a cambiar el máster de visión. Hablo con la directora y le digo: "Este máster hay que cambiar y adaptar a estos contenidos".

Entonces, empezamos a traer profesores de allí para que preparen los materiales, que den las clases y se empieza a transformar-

Canadienses

...el máster de aquí. Sí. Canadienses o españoles que están por allí o algunos compañeros.

Mhm.

Y entonces se empieza a cambiar el máster aquí. Luego vuelvo para allí y ya me ofrecen trabajar en Element AI, que es una startup creada, entre otras personas, por Yoshua Bengio. Entonces, pues ya-

¿Y qué hace Element AI?

Pues no lo tenían muy claro. Iban a hacer AI.

Hay unas cuantas de esas.

Era el 2016, ¿no?

Vale.

2017, que empieza y, pues vamos a hacer AI. Tenemos aquí mucho AI y las empresas necesitan AI.

Y como casos de uso no faltan, ¿no?

Sí. El problema de Element AI es que empezó a hacer demasiadas cosas, ¿no? Al final ha-hacía consultoría, luego quería cambiar a producto, pero empezó a converger cada vez menos, menos, menos productos. Y, por ejemplo-

¿Y más consultoría?

No. Empezó haciendo consultoría, luego haciendo muchos productos.

Ah, y luego menos productos.

Luego ir convergiendo algunos de los productos.

¿Y cuáles?

Por ejemplo, había un chatbot de aquella que teníamos, que funcionaba bastante bien para la época. Claro, no había transformers de aquella. Y tenía un, un sistema de reconocimiento de documentos muy bueno, que es-- es, está ahora en, en ServiceNow, en la plataforma, es el que se utiliza.

Vale. En cierto momento, ServiceNow compra la compañía.

Sí, durante el COVID compra Element AI.

Durante el COVID, ¿eh? Element AI levanta muchos millones de euros, como, como 200.

Element AI, sí. Eh, como 200 millones y luego como 300 más.

Por no tener nada concreto que hacer, no está mal, ¿no?

No sé, tenía un equipo de investigación muy potente. No sé, comparo el equipo de investigación que teníamos allí en Element AI con, con Google o Meta o lo que sea. Es un equipo mucho más pequeño, pero la productividad por persona es mucho mayor. Claro, cuando-- yo creo que cuando escalas las cosas es más difícil mantener la misma productividad.

Sí.

Pero hemos tenido un núcleo allí, un grupo-

¿Pero productividad medida con?

Pues número de papers. Número de papers y número-

Con número de papers.

Sí, número de artículos científicos aceptados y de citaciones de esos artículos, la repercusión que tienen esos artículos, los modelos que haces públicos.

Claro, pero si s-si levantas dinero privado, entiendo yo que el dinero privado no quiere ver el retorno en papers, sino en, en beneficio o en plusvalías, ¿no?

Sí, pero bueno, ServiceNow vio el valor también en el equipo de investigación, ¿no?

Y lo compró por eso. ¿Fue una especie de acqui-hiring?

Con acqui-hiring, sí.

¿Pero lo compró por más de 200 millones de euros?

Es, es público el número, ¿no? Yo creo. Algo así.

No lo sé. No, no, no lo he visto.

Por ahí. Al final, los inversores recuperaron el dinero.

Vale.

Y los, y los founders llevaron algo, pero no mucho. Creo que, que eran 40 millones entre todos los founders.

Vale.

Y los inversores recuperaron el dinero o poco más.

Vale. Y, mmm, hagamos doble clic en ServiceNow. ¿Qué, qué es ServiceNow? ¿Qué hace?

Pues ServiceNow es una plataforma para manejar toda la información de una empresa. Entonces, los clientes son empresas muy grandes, son ministerios, son empresas, eh, como bancos, compañías de seguros, no sé, Google, Microsoft, tipo de esta, de este tamaño de empresas.

Fortune 500.

Sí. Creo que el 90 y pico % de las 500-- del, del S&P 500-

Mhm

...eh, utilizan ServiceNow.

Vale.

ServiceNow empieza con el IT service management. Entonces, en una empresa, pues tienes que controlar tu stock de ordenadores, de routers, qué ordenadores están actualizados, con qué versiones, los, los tickets de cuando hay que reparar alguna cosa. Y entonces empieza con ese producto y luego-

Eso a principios de los, los 2000 es, ¿no?

Sí.

A principio de los 2000 o así.

Sí, cuando empieza ServiceNow

Mhm

Y luego crece a una plataforma, ¿no? Porque empieza a hacer más productos para manejar diferentes partes de la compañía, ¿no? Pues no sé, logística, operaciones, recursos humanos y-

Vale. Son-- buscas workflows, ¿no? Procesos dentro de las compañías que pueden potencialmente automatizarse

Sí. Y entonces crea-

Digitalizarse y automatizarse

Sí. Y entonces es una base de datos con estos workflows encima. Y entonces-

Ese es el, el mundo de la RPA, ¿no?

Sí

Robotic Process Automation, que básicamente es configurar un proceso que siempre es el mismo para que lo haga un robot en vez de un humano

Hay pasos-

Por ejemplo, subir un documento, escanear no sé qué, tam-- enviarle a no sé quién una copia de no sé qué, ¿no? Eso es un ejemplo de workflow

Dentro del workflow algunos pasos son automáticos. El workflow se ejecuta de forma automática, es determinista. Dice: "Si pasa esto, haz esto". Y ese "haz esto" puede ser mandarle un email a esta persona diciendo que tiene que, que hacer esta tarea y cuando la termina lo pone en el sistema que la ha terminado y sigue ejecutándose el workflow

¿Un workflow por definición es determinista?

Sí. Es un árbol de decisión

Pues es una, es una gran discusión que tenemos ahora con los, con los LLMs, ¿no? Em-

Cuando lo haces con el LLM ya no

Con los agentes. ¿Eh?

Si lo haces con un agente tal cual, ya no es determinista

Claro, pero, pero todos los agentes te dan un, una herramienta de generación de workflows o de workflows, ¿no? Pero entonces ahí la discusión es: ¿cómo puedes hacer un workflow determinista usando agentes en LLMs?

Mhm.

Es un poco una contradicción, pero existen formas

Los LLMs no son deterministas, el workflow es determinista. Entonces, ahora, ¿qué? ¿Usas workflows o usas agentes? Para mí la visión es que si tú ya tienes los workflows como ServiceNow, utilízalos. Utiliza los workflows y automatiza los pasos utilizando llámalo agente o llámalo lo que quieras.

Si hay un paso que lo tiene que hacer un humano y ese paso lo puedes hacer con un agente, que el agente no sea determinista, igual que el humano no es determinista, pero, pero puede hacer ese paso automatizado. Pero el proceso general del workflow sigue-

Está definido y es determinista

Sí, porque esos workflows, eh, siguen normativas y cosas, ¿no? Tú no puedes contratar a una persona de cualquier forma. Hay que seguir un procedimiento, no que cada día siga un procedimiento de contratación diferente

Mhm. Sí, pero por ejemplo, para contratar a una persona, si tienes que uno de los pasos es hacer un background check, ¿no? Y esto lo hace un humano buscando en bases de datos y luego lo hace un agente y en vez de buscar en las bases de datos que toca o la información que toca, pues se equivoca o hace cualquier otra cosa, entonces estás intre-introduciendo un mome-- o sea, una incertidumbre dentro de este workflow, ¿no?

Sí

Pero también un hu-- un humano, efectivamente también la puede introducir. La diferencia es que un humano es un ente jurídico responsable, ¿no? Que puedes echar o meter en la cárcel y un workf-- un work-- o sea, un agente de AI no, ¿no?

Sí. Entonces, al final, pues esto sería un subworkflow. Puedes definir también como un workflow cómo se hace ese backgro-background check y, y decirle al agente en el prompt cómo tiene que hacer el procedimiento para seguirlo. Luego tienes que hacer una base de datos de ejemplos para poderlo evaluar y decir: "Mira, voy a poner humanos a, a hacer estos background checks, voy a poner agentes a hacer estos background checks y a ver quién lo hace mejor".

Y comprobar qué, qué fiabilidad tienen

A ver qué fiabilidad tiene. Con AI nunca va a ser el 100 %

Y con humanos tampoco

Y con humanos tampoco. Mientras tenga el performance parecido al del humano, ¿no? Pues lo aceptas. Y ir me-midiendo, ¿no? Que vaya evaluando, que vaya mejorando y siempre tener el human in the loop, porque no, ¿no? Tienes un-

Bueno, o no, ¿eh? Eventualmente no, imagino

Eventualmente no, pero progresivamente-

Tendrás un agente in, on the loop supervisando agentes

También

Agentes controlando agentes

Sí, pero de momento, pues si puedes automatizar algo, tú si quieres escribir un texto ahora mismo, ¿no? ¿Cómo haces? Pues escribes así de cualquier forma, se lo das a un LLM que te genere el texto, pero no dices: "Ya está escrito". No. Te lo lees, lo miras, lo revisas y vas más rápido

Hoy

Hoy. Mañana igual ya no te lo tienes que mirar, pero hoy necesitas el human in the loop

Hay mucha gente que no lo revisa, ¿eh?

Cada vez más. Oye, ¿cómo, cómo factura doce billion ServiceNow? O sea, en 2015 llegó al billion por primera vez, ¿no? Y en 2024 cerró en 12 billions

Mhm

Eh, con una facturación por cliente de millones, ¿no? Eh, o sea, grandes clientes, eh, mucha facturación por cliente. ¿Có-cómo--? ¿Dónde está esta, e-e-esta, esta necesidad o esta oportunidad tan grande como para facturar 12 billion haciendo workflows?

La, la, la visión de la empresa es client first. Client first. Lo que piensa como cliente, lo que necesita el cliente, lo que quiera el cliente, ¿no? Y el cliente, pues está encantado. Entonces, empiezan comprando el ITSM, el, el, el módulo que es más conocido de ServiceNow, de IT. Quedan contentos, les da la plataforma también y se conectan los otros sistemas que tengan a esa plataforma.

A partir de ahí ya ven todo a partir de ServiceNow. Es todo transparente para ellos, como si todo estuviese manejado por ServiceNow

¿Y cómo, cómo se comunica con los otros systems of record de las compañías, del ERP, el software de recursos humanos?

Pues hay como plugins y se conectan a la plataforma y luego se ve todo como si fuese una única base de datos. Y entonces, como ya lo ven todo como una única base de datos, ya no tienen silos y-

No tie-- elimináis los silos

Se eliminan los silos

¿Es una promesa o es una realidad?

Es una realidad

¿Sí?

El data lake, mmm Data lake

O data leak, que es un poco-

No, data, data lake

Pero, vale, generáis un data lake, ¿no? Sobre la plataforma de ServiceNow.

Ahora ya todos los otros sistemas están conectados en la plataforma de ServiceNow. Tienes acceso a todas las bases de datos desde el mismo sitio. Y entonces luego el cliente queda contento y empiezan a migrar sistema a sistema. Dice: "Mira, estos recursos humanos que estás pagando este software, ¿por qué no coges el nuestro? Y te lo cambio de forma transparente".

Y progresivamente van haciendo la transformación.

Del crecimiento, ¿no? Hay mucho crecimiento por cliente-

Sí

...concretamente. Cada año el propio cliente crece porque contrata más productos.

Sí

En media.

Y, y tiene una retención altísima, ¿no? Porque una vez que tienes este sistema, que tienes toda la empresa controlada con el mismo software, te funciona, cambiar a otro...

En, en algunos casos, estos workflows, y supongo que como empezó, era un robot que actuaba como un humano, abría el software legacy, que era un software instalado en una máquina y hacía los clics siguiente, siguiente, siguiente, como lo haría un humano, ¿no?

Bueno, esto es el Robotic Process Automation, que sí que es un módulo que también vendemos y que, que lo hacen así.

Vale, pero no es el caso.

Eso lo graban así-

Sí

...y todo, y, y hay toda una gestión de si se actualizan los ordenadores, tienen ahí-

Brío

...todo controlado y entonces tienen que revisar que los clics sigan funcionando.

Pero hay mucho legacy en el Fortune 500.

Sí.

Hay bancos que dicen: "No, esto ha funcionado toda la vida, está escrito en COBOL, no lo toques". ¿No?

Hay un módulo enorme de Robotic Process Automation en ServiceNow con toda la gestión de cambios, de todo, todo, todo.

Esto sigue funcionando.

Esto sigue funcionando.

Y luego de ahí, pues saca datos, los mete en la plataforma, ¿no?

Sí.

¿Hasta qué punto-

Pero hay otros, otros sistemas que son más modernos y, y hay un-

Y funcionan por API

...hay un API y se conecta.

Que no debe ser fácil conectar todos estos sistemas con todas estas APIs, con todos los sistemas de autenticación, de permisos. O sea, imagino una pesadilla ahí.

Yo n-- yo no sé utilizar ServiceNow.

Vale.

Ahí, ahí-

Tú estás en el research.

Pero no es porque sea research, es que es complicadísimo.

Es complicadísimo.

Es un sistema enorme, enorme, enorme, millones de productos. Hay-- incluso si, si yo pido una instancia de ServiceNow, yo no la puedo controlar. Tengo un-- hay un administrador que se dedica a administrar instancias de ServiceNow.

O sea, la empresa que contrata ServiceNow necesita un, un maquinista.

Sí.

Hostia. Yo que hago software para SMB y, ¿no? Y superfácil de utilizar, ¿no? Que funciona out of the box, me explota un poco la cabeza, pero claro, entiendo que a estas grandes empresas les preocupa mucho más el control y la seguridad, ¿no? Que-

Sí

...que la usabilidad.

Y tienes que tener algo que escale a millones de usuarios, ¿no?

Mmm.

Que tienes que-- millones de usuarios, la seguridad. Si ese es un ministerio de, no sé, el Ministerio de Defensa de Estados Unidos, pues no puede tener un sistema ahí que tiene problemas, que le van a atacar, que...

Vale, entonces, los workflows de ServiceNow típicamente eran deterministas, eran procesos de automatizaciones. O sea, no era rocket science, era, ¿no? Ifs.

Sí

Ifs then else.

Pero había un, un propietario de cada workflow en la empresa. Yo hago el workflow de contratación en Alemania, ¿no? Y estoy atento a la legislación. Y cuando hay un cambio en la, en la legislación alemana, pues actualizo el workflow.

Exacto. Vale, y ahora-

Y esto sigue pasando.

Esto sigue pasando.

Todos estos guardo-- workflows se mantienen y-

Vale

...y el cliente puede hacer sus propios workflows también, puede modificar los workflows que existen. Tú compras un workflow, compras un conjunto de workflows y luego los adaptas a la realidad. Y después tenemos workflows adaptados a las diferentes verticales, a, a la banca, a los seguros, a, no sé, los diferentes tipos de empresas, porque hay que adaptar a, a, a las legislaciones.

Y un workflow, por ejemplo, ¿qué, qué podría ser? O sea, un, un proceso de KYC, por ejemplo.

¿Qué es el KYC?

KYC es know your customer, identificar quién es este cliente o, o no, o, o, o KYB es entender quién es este negocio.

Mhm.

¿No? Que están-- por regulación, los bancos están obligados a entender quién es el cliente y hacer una se-una serie de checks, ¿no?

Sí.

Y esto es algo que todos los bancos tienen que cumplir porque viene de regulación y eso se lo puede contratar a ServiceNow.

Sí. Entonces, si tienes el sistema, te compras los módulos, los workflows que necesites.

Vale una pasta, pero menos que tener un ejército de humanos.

Menos que tener un ejército de humanos y que no sabes por dónde empezar, ¿no? Y o tener los workflows en papel y que le explicas a alguien-

En papel

...cómo se hace, ¿no?

Vale. ¿Y, y, y cómo, y cómo ahí entran los LLMs? O sea, ¿en qué momento ServiceNow empieza a sustituir estos workflows de toda la vida? Bueno, de toda la vida, de los 2000 a LLMs.

Los workflows aún no se han sustituido.

Bueno, vale.

Se utilizan, pues LLMs, por ejemplo, chatbots. ServiceNow ya tenía un chatbot, pero era un chatbot de estos antiguos que no querías hablar con él. Ahora, pues el chatbot es supernatural-

Entendido

...pues como quien habla con el ChatGPT y puedes hacer un montón de cosas. Ya no, yo ya no utilizo el buscador de ServiceNow, uso el chatbot de ServiceNow. Antes tenía-

¿Funciona bien? ¿Funciona como ChatGPT?

Sí. Entonces, antes tenía que decía: "Pues ¿hoy son vacaciones aquí o no?" Porque según la provincia no tengo claro si es vacaciones, pues tendría que entrar en el buscador, buscar las vacaciones por país.

Bueno, esto lo buscas en Google y tardas medio segundo.

No, pero quiero decir, dentro de nuestra empresa. Nos han dado este li-- a libro, no. Tienes que buscar dentro de la inter-- intranet, a ver dónde está el knowledge base article, donde los vacaciones de ese año, el calendario. Ahora le preguntas en el chatbot y te dice: "No, hoy está el día festivo y lo hemos cogido y aquí tienes el link a de dónde has sacado esta información, vas-

Y esto es-

...lo puedes revisar"

...RAG.

¿Esto es?

RAG o es-

Sí, es RAG.

Es RAG.

Es RAG y, y, y te contesta las preguntas usando RAG.

¿Se agregáis toda la información deestructurada?

Todos los knowledge bases y puede entrar en los re-- y puede entrar en los records de, de, de la base de datos

Ahí ya se complica, ¿eh?

Sí.

Porque ahí tienes que ver los, los permisos, quién es esa persona, ¿no? Las relaciones entre las cosas.

Sí, en ServiceNow hay permisos por cada celda de la tabla. Entonces, yo puedo hacer un select de una fila y a lo mejor esa fila de la tabla no tengo acceso. Y entonces, si tengo acceso a esa fila, habrá columnas que yo tengo acceso y columnas que no, y entonces me da solo los campos a los que yo tengo acceso.

¿Y de dónde salen los permisos? Ya esto es curiosidad genuina .

Esto los administradores estos que configuran todo eso.

¿Quién configura esos permisos, hostia? Porque no, no quiero ni imaginarlo.

Yo creo que por rol, ¿no? Cada persona, cada usuario tiene un rol y entonces hay celdas que están asignadas los permisos a diferentes roles.

O sea, yo creo que quedan como muchas olas de, de automatización todavía, ¿no? Por decir, si estamos hablando que hay tanta gente gestionando los permisos de los procesos de inteligencia artificial, digamos, ¿no?

Sí.

Hay un momento en que estos procesos también se van a automatizar, ¿no?

Sí.

Todavía queda mucha gente haciendo cosas manuales.

Treinta mil personas, pues creo que tiene ServiceNow, ¿no?

¿Cuánta gente?

Como treinta mil personas o veinticinco mil personas trabajando.

¿Hay-- están automatizados los workflows de ServiceNow? ¿ServiceNow utiliza ServiceNow?

Sí, ServiceNow utiliza ServiceNow. We drink our own champagne, dicen.

Vale. Vale, muy bien. Y, y en, en el, en el área de research habéis creado un LLM vuestro.

Sí, ahora hemos-- bueno, hemos hecho muchos, ¿no?

Muchos.

Pero el último que hemos hecho se llama April, que es un foundation model, eh, generalista, pero adaptado para multimodal, para utilizar texto e imágenes y para agentes.

¿Y es mejor que GPT-5?

No.

No.

No. Eh, no sé ahora exactamente dónde está en el ranking, pero es de los mejores open source.

Me-mejor que los chinos.

Eh...

Hay muy buenos chinos, ¿no?

Hay muy buenos chinos, pero no se pueden usar.

No se pueden usar. ¿En Montreal tampoco?

Tienen licencias malas, ¿no? Y, y después, pues Estados Unidos, pues no le gustan los modelos chinos. Es un problema. No, no sabes ni cómo lo han entrenado, ni qué han entrenado, ni qué hay dentro. No, no se fía la gente.

¿Y Llama?

Llama estuvo-

Ay, Llama, Llama.

Llama estuvo muy bien, ¿no? Pero Llama 4, pues fue hacia abajo, ¿no? No, no fue muy bien. El, el Llama 3.2 sí que se utilizaba mucho y con el cuatro ya se acabó la, la serie de Llamas.

Ya fue.

Sí. Mistral son buenos.

¿Sí?

Mmm. Son europeos.

Sí, sí.

Pues eso, nosotros tenemos April.

Y vosotros habéis creado uno open source.

Uno open source. Y después tenemos nuestra propia versión, que entrenamos con más datos de ServiceNow, ¿no? Y entonces está más adaptado para lo que nosotros necesitamos. Y es un modelo mucho más pequeño, entonces es más económica, más viable económicamente.

Vale.

Porque se hacen muchas peticiones a los LLMs de ServiceNow por todos los clientes.

Claro.

Si lo externalizas a modelos externos, el cliente puede escoger qué modelo quiere. Entonces-

Hay una, un trade-off ahí entre fiabilidad, imagino.

Y coste.

Y coste, ¿no?

Entonces, para cada-

Y velocidad.

Y velocidad. Para cada caso de uso pueden escoger qué modelo quieren. No sé cuáles hay exactamente. Ahora creo que había Google, eh, OpenAI, Claude.

¿Eso lo elige el cliente de ServiceNow?

Sí.

¿El cliente tiene criterio para elegir el modelo?

Sí.

O sea, lo que quiere es la mejor combinación de todo esto, ¿no?

Sí, y para cada caso de uso tiene cuatro o cinco, ¿no? Y, y diferentes precios. Hay clientes que dicen: "No, es que yo quiero utilizar Google". ¿Por qué? "Pues que tengo un contrato con Google de que tengo que gastar no sé cuántos millones, porque ya he reservado la computación". Otro dice: "Yo es que lo he reservado con Microsoft".

Otro dice: "Es que yo no puedo mandar los datos a Claude porque no tiene las certificaciones que yo necesito". Otro dice: "Yo es que quiero el más barato, quiero el modelo vuestro, este pequeñito, que, que es más rápido y más barato". Entonces, pues les damos la flexibilidad que pueden escoger sabiendo, ¿no?

Cuánto-- qué es lo que cuesta cada uno, cuáles son las restricciones de cada modelo.

Chevy is called the heartbeat of America for a reason. With SUVs made to move with your rhythm. The versatile Equinox tackles your entire day. The spacious Traverse fits your crew and your whole weekend. And Trax brings style with value you can count on. All infused with tech that has your back.

So your drive always hits the right chord. Chevrolet. Together let's drive.

¿Tú hasta qué punto estás metido en, en ver al cliente, hablar con el cliente, entender el-- o estás más en la, en el laboratorio?

Yo en el laboratorio. Yo con el cliente no hablo.

¿Tú no lo ves al cliente?

No.

Nadie en research ve al cliente.

Pff, poco. Hay, hay veces que presentamos cosas que estamos haciendo al research a clientes. Entonces, hay clientes que están muy interesados en todo lo último y, y entonces a estos clientes se les lleva a unas reuniones en las que les explicamos cosas que estamos haciendo para que den su opinión.

Qué es lo que les gusta de esto, qué no, si lo utilizarían, que nos expliquen problemas que tienen. En focus groups, así.

Mmm.

Pero normalmente el cliente habla con el product manager, con los PMs, y entonces dicen qué es lo que necesitan, el PM-

Y tú no hablas con PMs.

Y yo hablo con PMs.

Tú hablas con PMs.

Sí. Entonces, cuando, eh, hablo, tenemos muchas reuniones con PMs que nos explican problemas que los-- que quieren resolver, cosas que quieren incorporar a la plataforma. Y entonces el PM habla con ingeniería, le dice las cosas que quiere, ingeniería le dice: "Esto puedo, esto no". Y entonces, con las cosas que ingeniería dice que no, que de momento no puede hacer o que no se puede hacer-

Esto va a research.

Esto va a research. Entonces, todas las cosas que nos van llegando a research, que, que no saben cómo resolver, pues algunas de ellas decimos: "Ah, pues mira, esto es interesante para, para el cliente".

¿Y por qué? ¿Por qué algo es interesante?

Y es interesante para nosotros.

¿Qué es interesante para vosotros?

Algo que se pueda publicar, algo que sea novedoso. Es un equipo que, que le gusta hacer cosas nuevas.

Sigue siendo el foco la publicación. A mí esto me sorprende. No sé por qué, pero me sorprende.

Bueno, tiene que haber, eh, este equilibrio, ¿no? Algo que sea útil para la empresa y útil para la ciencia.

Que sea, que sea interesante para la ciencia, ¿no? Y, y novedoso.

Sí. Porque si no es muy novedoso, pues para qué luego te vas a poner al equipo de, de innovación, de, de, de investigación a trabajar en ello. Si es algo que lo puede hacer el equipo de ingeniería en unos meses trabajando, pero ahora no tienen tiempo, no es interesante.

Y OpenAI, OpenAI, por ejemplo, ¿también está tan enfocado a la publicación o está más enfocado al shi-shippear la última idea como sea?

No, OpenAI no publica, no. Se llama open, pero no es open.

No tiene nada de open.

No. Hacen un artículo de vez en cuando con el nuevo modelo y ya está.

Pero están muy enfocados a producto, ¿no? A pr-

Sí

...a sacarlo al mercado cuanto antes, ¿no?

Sí.

Y, y Tesla, por ejemplo, también, ¿no? Tesla o, o xAI también tienen este enfoque a producto y a mercado muy agresivo.

Ahora la investigación, pues ya s-- ya se hace menos investigación que antes en empresa, porque todas las empresas están locas por, por tener un impacto en el cliente, por-

Por conseguir una ventaja en esta-

Llevar los cosas al producto, ¿no?

En esta carrera loca.

Sí.

Pero no, ServiceNow no.

ServiceNow también.

¿También?

Pero el grupo de investigación, pues intentamos compaginar las dos cosas. Pero también cada vez la investigación es más complicada, ¿no? Porque que haces un modelo nuevo, necesitas millones de dólares en servidores-

Claro

...para, para hacer el nuevo modelo.

Claro.

Y novedad, novedad hay menos últimamente, ¿no? Es cojo más datos para resolver un problema específico, pero es el mismo transformer que usa todo el mundo. Es difícil encontrar algo nuevo, novedoso. Es más una aplicación nueva.

Porque hay mucha competencia, ¿no? O sea, ¿e-está todo, está todo inventado? No.

No está todo inventado, pero investigación va a saltos, ¿no? Pues, eh, ahora ha salido el transformer y ahora todo el mundo utilizando el transformer. Pues ahora que-

Bueno, ahora, ahora en dos mil cuánto, 16 o...

Bueno, pff.

O sea, ya hace diez años.

Pues 10 años usando el transformer fue un salto, ¿no?

¿Y no hay otro ahora?

No. De momento no, ¿no? Hay esto, los mambas y estas cosas, pero...

¿Qué son los mambas?

No sé muy bien.

Vale. Pero es otra, otro paradigma que...

Sí. Pero de momento no hay un salto tecnológico nuevo. Seguimos con los transformers. Pero cuando, pues, cuando la CNN empezó a funcionar, el transformer salió, pero cuando empezó a funcionar con el GPT-2 fue cuando la-- dijimos: "Uy, aquí hay algo, algo gordo", ¿no?

Funciona mucho mejor. Ha habido un salto tecnológico importante. Entonces, ahora, pues la gente sigue haciendo todo lo que hacía en investigación, ahora lo pasa a transformer, ¿no? Ya te echas dos, dos años reproduciendo el artículo anterior con transformers.

Mmm.

Luego, pues venga, qué cosas nuevas se pueden hacer con transformers. Lo llevas a producto y van mejorando las cosas y es un, un incremento progresivo hasta que alguien dé un salto con otra cosa.

Yo, yo no sé si es un salto o no, pero yo viendo las últimas iteraciones de Google, concretamente con los-- NanoBanana, por ejemplo, ¿no?, aplicado a imagen, eh, es bastante espectacular.

Sí.

Espectacular al nivel de que yo ahora le-- veo vídeos en Twitter, que no sé por qué me meten vídeos en Twitter, que no es lo que quiero ver, pero bueno, veo vídeos en Twitter y ya no sé qué coño es verdad y qué no, ¿sabes? ¿No?

Yo cuando empecé en Montreal a hacer el postdoc con Aaron Courville, me decía: "Vas a hacer generación de imagen". Yo decía: "¿Pero qué me está diciendo este señor? ¿Cómo generar la imagen? La imagen la cojo de la base de datos, ¿no? Y le hago algo a la imagen". "No, no, que vas a generar tú la imagen". Y no entendía lo que me estaba diciendo.

Entonces, di tiempo y dije: "Bueno, voy a mirar". Empecé a leer los artículos y que generaban imágenes de verdad, de aquella era una imagen de, no sé, sesenta y cuatro píxeles por sesenta y cuatro píxeles en que se veía una cara. Y con suerte. Lo mirabas así, dices: "Sí, sí parece una cara". Y ahora, pues NanoBanana, ¿no?

Te genera vídeos enteros.

Por eso, que por, por no haber habido, eh, innovaciones tecnológicas, la evolución ha sido espectacular.

Ha habido innovaciones tecnológicas, pero son pequeñas cosas. La base, el 80 % del modelo actual ya es de los años 70, ¿no? Llevamos, no sé.

¿Y, y no crees que con más computación vamos a llegar a sitios inesperados?

Sí, sí. Ahora ya la computación ya no se mide en, en, en flops o en, en número de tarjetas gráficas o número de servidores o número de data centers. Se mide en gigavatios de, de energía.

En cuántas centrales nucleares, ¿no?

Sí, en cuántas centrales nucleares tienes.

Vas a poner a generar este vídeo de, de Nano Banana. Es un poco loco, ¿eh, este mundo?

Sí.

¿Quién lo, quién lo tenía que decir cuando te metiste aquí a investigar en este espacio que se convertiría en el, en el centro del mundo?

Mmm.

La AGI, ¿qué es?

Esa es una pregunta complicada, sí. No sé, pues, cada vez son los sistemas más inteligentes y más inteligentes, no sé. Estos sistemas ya pasan el test de Turing, ¿no? Antes-

Por eso, sí

...AGI era pasar el test de Turing. Ahora ya, pues nos lo hemos pasado.

Habría pasado el test de Turing.

Y...

Ya no hay diferencia entre qué es un humano o-

Sí

...o qué es un algoritmo.

Sí. Es difícil saber si un texto lo ha escrito un humano o un algoritmo. No sé. Puede, puede razonar. Los sis-- estos sistemas pueden razonar, pueden resolver problemas.

Aquí es donde Yann LeCun, que es otro de estos maestros que decías, dice que no razonan los modelos.

No razonan, lo que hacen es copiar un razonamiento que se ha leído ya, ¿no? O...

Es que es un tema filosófico siempre, pero ¿y los humanos no hacen lo mismo?

Sí, es difícil. No sé, no, no tengo yo una respuesta a esto. El caso es que siguen mejorando las cosas y Google ya, el buscador de Google ya era un superhumano, ¿no? Lo hemos integrado como que eso no era inteligencia artificial, pero antes mi padre era el superhumano que sabía todos los afluentes del, de los ríos, ¿no?, de España.

Luego ya llegó Google y ya, pues mi padre ya no era un superhumano, ya lo podía buscar en el Google y sabía mejor que él. Y cualquier información estaba ahí, lo tienes en el teléfono. Ahora más fácil, ¿no? Con, con el LLM, ¿no?, con el ChatGPT, es lo mismo que el buscador, pero te, te busca las, los artículos y te hace el resumen.

Mhm.

Y te conecta cosas y sabe de cualquier cosa. Pues igual que el Google, puedes buscar información de cualquier tema. Pues el LLM busca los artículos del tema que te interesa y te lo resumen. Es una nueva forma de buscar información. Antes íbamos a la biblioteca y teníamos las fichas, y buscabas en las fichas y vas a buscar el libro.

Luego ya tenías un ordenador y buscabas ahí a ver si encontrabas el título del ordenad-- del libro. Luego ya dejaste de ir a la biblioteca, buscabas en Google y ahora lo buscas en el ChatGPT.

Mmm. Cuando, cuando buscáis talento, porque entiendo que tú tienes uno de estos labs que estáis buscando constantemente estos perfiles que ahora hay, hay patadas para contratar, ¿no?

Mmm.

Ehm, ¿qué, qué, qué es lo que buscas? O sea, ¿qué, qué perfil tiene un, una persona que entra en research en uno de estos labs, no?

Pues tiene que ser un loco de la investigación, ¿no? Que le gusta mucho. Miras que ha publicado bien, que, eh, le haces las típicas pruebas de programación, de conocimientos, le hacemos preg-preguntas de teoría de, de redes neuronales, de, de diferentes temas, de inteligencia artificial, de matemáticas, de ingeniería.

Y tienes que ver la pasión en los ojos, ¿no?

Pasión en los ojos.

Sí, tú lo ves cuando un estudiante dice: "Y he hecho esto y esto y me ha salido y no sé qué, y ahora quiero hacer esto y ahora quiero hacer lo otro. Y he visto este artículo".

Pero la pasión puede ser hacia muchos lados, ¿no? Yo, por ejemplo, yo, mi pasión, mi partic-- en mi caso particularmente, es resolver problemas.

Mmm.

Es el para qué. O sea, a mí el, el, el qué o el cómo me interesan, ¿eh? Porque soy muy curioso también, pero sobre todo me interesa el para qué, ¿no? O sea, vale, todo esto y q-qué voy a hacer con esto. Y hay gente que tiene pasión en el para qué y hay gente que tiene pasión en el cómo.

Sí.

¿No?

Pues esto de investigación es en el cómo.

Es en el cómo.

Sí. Es decir, hay un problema ahí, mmm, que se, se puede resolver y yo lo voy a resolver, ¿no? ¿Y, y por qué vas a resolver ese problema?

Da igual que ese problema-

Da igual.

Da igual que este problema no, no le importe a nadie.

Yo quiero-- yo voy a resolverlo.

Yo voy a resolverlo.

Vale.

Lo que pasa es que ahora les importa, ¿no?, a la gente. Los problemas con nosotros, pues nos parecía ahí divertido trabajar en ellos.

Y hay mucha granularidad de, de interés en el, en el espacio de la AI ahora mismo, en general. O sea que si todos los problemas le interesa a alguien-

Sí

...se convierten en billions rápido.

Sí, nosotros, pues resolvíamos un problema que nos parecía interesantísimo. ¿Cómo puede ser que un ordenador pueda aprender estas cosas y así? ¿Y cómo hago para que aprenda mejor? Y pues estábamos ahí enfocados en hacer esas cosas que no le importaba a nadie, que era ciencia ficción y de repente, pues le importa a todo el mundo.

Tú ahora mismo tienes un presupuesto in-infinito, ¿no?

No.

¿No? ¿No es infinito?

Joder, con las rondas que está habiendo, yo tengo la sensación de que ahí, si, si tú necesitas un, un billion, te lo, te lo, te lo rascan.

No, no, no. Ahí...

¿No?

ServiceNow es, es muy eficiente, ¿no?

¿Sí?

Sí. No hace las cosas a la ligera. Entonces-

Bueno, de hecho, gana, gana mucha pasta.

Sí.

¿No? O sea, billions, en plural.

Sí, porque es eficiente, no tira el dinero y todo enfocado al cliente, ¿no? Siempre están ahí con el cliente, el cliente, el cliente. Entonces, pues si yo quiero-

Lo cual me contrasta con el, con el-

Si yo quiero-

...research, que decís que está muy enfocado a papers.

Sí, pero por eso no tenemos tanta financiación, ¿no?

No.

Entonces, si le decimos: "Vamos a crear un nuevo modelo, un foundation model, dame ahí una central nuclear", ¿no?

No os la dan.

No nos dan la central nuclear. Los tienes que convencer, ¿no? Y decir: "¿Por qué? ¿Por qué necesitamos que tú hagas este modelo?" El nuevo. ¿Por qué no vamos a utilizar este otro? Si luego al final el cliente dice: "Pero es que yo voy a utilizar el de Google, porque ya tengo un acuerdo con ellos, que tengo reservada la computación con ellos".

Mmm.

Entonces, hay que convencerlos, ¿no? De si esto es viable, si esto es lo que necesita el cliente, pues habrá toda la financiación que quieras.

Y ahora te han hecho estudiar un MBA, me has dicho antes, antes de empezar a grabar, ¿no? O sea, te están metiendo a, a entender-

Bueno, no, no es-

...el negocio y el cliente.

Sí. Bueno, no es que la empresa me esté metiendo a eso, ¿no? Pero yo siempre he querido hacer un MBA.

Ah, ¿sí?

Sí. Justo antes-

Contrasta mucho con tu carrera, porque has hecho mucho research.

Pero antes de hacer el segundo postdoc, antes de irme a Montreal a hacer el postdoc, ya estaba mirando para hacer un MBA aquí.

¿Y por qué quieres hacer un MBA?

No sé, siempre me ha llamado para entender más las cosas de empresa.

El para qué. El para qué o...

El cómo.

El cómo no, el cómo es lo que tú sabes.

El cómo, el cómo hace la gente para crear una empresa.

El cómo se crean los negocios.

Cómo se crea un negocio, cómo se gestiona un negocio, poder entender a las diferentes partes de, del negocio. Por ejemplo, yo cuando me reúno con un PM, pues al principio no entendía lo que me decían y hablan-- hablamos lenguajes muy diferentes. Luego te juntas con uno de marketing, con uno de recursos humanos.

Tienes que aprender su universo, qué, qué es lo que necesitan, qué es lo que quieren, qué es lo que quieren decir cuando están hablando. Y yo digo: "Pero yo te voy a dar un modelo", y el otro: "Yo tengo un problema, este problema con un cliente". Digo yo: "Pues yo ahora-- yo tengo un modelo y tú tienes este problema, ¿cómo hacemos que este modelo resuelva ese problema?", ¿no?

Y hablamos de formas muy diferentes, ¿no?

Ya.

Nosotros hablamos del cómo y ellos del qué.

Ya.

Entonces, no sé, este MBA estuve mirando para hacerlo aquí, pero, eh, justo empezó este boom de la inteligencia artificial y dije: "Bueno, me voy a hacer el postdoc allá y ya haré el MBA más adelante". Y ahora, como la investigación que hablamos, ¿no?

Está un poco más-

Sigue, sigue habiendo boom, ¿eh?

Sigue habiendo boom, pero la investigación ya está un poco más plano, ¿no? Ya es...

Vale.

Ya funciona. No es que sea perfecto, pero ese reto que había antes de no funciona para nada y hay que luchar aquí pa' que esto aprenda, está más o menos está.

A mí me sorprende, porque tengo la sensación de que en Google y en OpenAI y en Meta hay gente corriendo con las manos en la, en la cabeza todo el día, de un lado a otro. En research, ¿no? Para, para, para innovar un poco más sobre la última versión de Google, de, de GPT, de, de Meta, ¿no?

Mmm.

O sea, en ServiceNow no es tan así.

Sí, sí que es así también.

Vale.

Pero antes no funcionaba nada en AI. Era muy difícil hacer nada que funcione. Ahora, pues funciona bastante bien. No-- ya no es el mismo reto de antes.

Entonces, ahora es la oportunidad para estudiar un MBA.

Eh, sí, porque hay más...

¿Y dónde lo vas a estudiar, el MBA?

En McGill.

¿Qué?

McGill. Es la-- una universidad de Montreal.

Vale.

Y tiene un programa con la escuela de negocios, el HEC, el HEC, y es HEC McGill, y lo voy a hacer allí. Antes lo estaba mirando para hacer aquí en, en IESE o ESADE. Y, y entonces, ahora he dicho: es el momento, ¿no? De todo, todo business ahí con AI, pues vamos a hacer business también.

¿Y tú vas a volver algún día a España o a Barcelona o...?

Mmm, no está en mis planes.

¿No? Te vas a quedar en Canadá.

Estoy contento allí.

¿No hace mucho frío?

Hace mucho frío, pero no sé, todo el mundo, los inmigrantes, que llegan: "Qué frío, me quiero ir de aquí". A mí me gusta el invierno allí.

¿Sí?

Llega el invierno, los días se hacen más cortos, te recoges, es momento de trabajar, ¿no? Está el invierno, te encierras, no hay que salir, no hay que tener mucha vida social y trabajas.

Y eso es bueno.

Bueno, pues, pues es una temporada. Es una temporada que trabajas un montón y además es el momento de hacer los artículos. Luego ya se envía.

Los hacen aparecer artículos.

Y llega el verano y te empiezas a ir a las conferencias y ya te abres socialmente, sales.

Y Montreal es una ciudad como muy cosmopolita, ¿no?

Sí, a mí me recuerda mucho a Barcelona.

Te recuerda a Barcelona.

Sí, Canadá es una-- un compromiso entre Europa y Estados Unidos, ¿no? Estados Unidos más de derechas, Europa más de izquierdas y Canadá, pues más de centro.

De centro. Toma generalización.

Sí. Y dentro de, dentro de Canadá, Montreal, pues es como la Cataluña.

Más europeo.

Es como la Cataluña de Canadá, que querían ser independientes, tienen su propia lengua. En vez de todos hablan inglés, en Quebec se habla francés.

Mmm.

Está muy conectado a Cataluña. Hay oficinas de Barcelona Activa y todo esto allí en, en, en Montreal. Y-

Ahí también hay Shopify, ¿no?

Hay Shopify.

Es el otro gran monstruo.

Sí. Mmm. Y, y no sé, la comida no tiene nada que ver con la comida española, pero comparas la comida de Quebec con la de Canadá, Estados Unidos, pues es mucho mejor, ¿no? Porque tiene más influencia de la cocina francesa.

¿Tú hablas francés?

Aprendiendo francés, llevo años.

Aprendiendo.

Llevo años aprendiendo francés.

Joder, pues por aprender tanto de los LLMs. Eh, y David, ¿cuál es la, la, el research o el tema ahora mismo, eh, en, en IA que más te interesa? O sea, qué, qué, qué es lo que dices: "Joder, esto es brutal".

De todas estas cosas que están saliendo, ¿qué es lo que más te flipa a ti?

Mira, lo que me flipa a mí, fuera de ServiceNow. Ahora me he puesto de profesor adjunto en la universidad y estoy empezando un proyecto de traducción de lenguas autóctonas. Son cosas que no puedes hacer en una empresa, ¿no? Porque te digo al ServiceNow que vamos a hacer un LLM que habla inuktitut Pues me va a decir que quiero yo un LLM que hable inuktitut.

¿Qué es inuktitut?

Pues la lengua de los inuitas, de las primeras naciones inuitas en el norte de, de Canadá.

Vale.

Entonces, un amigo que tiene un proyecto, hizo un proyecto de salud pública, es médico de salud pública, hizo un proyecto con las, los inuqi-- inuitas en el norte de cómo adaptar las políticas de salud. Porque no se fían de, del hombre occidental, de estas primeras naciones, porque los han explotado mucho, los han, han hecho experimentos con ellos y entonces, están un poco apartados de la sociedad.

Entonces, adaptaron los sistemas que puedan tener su propio sistema de almacenar su información médica, porque no se fían de que, de que el hombre occidental guarde esta información. Y entonces, ahora han hecho, ese, este chico, este profesor de allí, ha hecho un proyecto, ha empezado un proyecto con Perú, con las tribus de Perú, del Amazonas, los machiguengas.

Machiguengas.

Machiguengas, que hablan machiguenga.

Vale.

Y entonces, hablando con él, me dice: "Pues ahora tengo que juntar a los inuitas, que le explican a los machiguengas para que hagan el transfe-- la transferencia del conocimiento y que entre los dos desarrollen las políticas de salud de las tribus del Perú".

¿Y cómo hago yo ahora? Necesito un traductor que hable inuktitut a inglés, uno de inglés a español y español a machiguenga. Ponerlos todos en una sala-

Pero hoy en día no es tan difícil esto, ¿no?

No, pero-

Si, si hemos entrenado los LLM para que aprendan la mayor parte de las lenguas mayoritarias, no creo que sea muy complicado. O sea, habrá menos data con las-

Sí

...minoritarias, pero...

Pero alguien lo tiene que hacer.

Alguien lo tiene que hacer. Mhm.

Y entonces, es un proyecto que estamos empezando ahora allí, con la universidad, para-

Esto es lo que más te flipa.

Esto es lo que más me flipa.

No, no, está muy bien. Está muy bien. A ver, es interesante. No sé si luego aplicando-

Son cosas más sociales.

Cuando apliques el MBA no sé si ahí, eh, por ejemplo, hay un case de negocio, ¿no? Pero, pero en cambio es interesante para el conocimiento humano.

Sí. Sí, algo que tiene efecto en-- social, ¿no? En comunidades que están más marginadas.

Y cuando tú ahora ves, eh, los, los coches auto con-- autoconducidos tipo Waymo, el caso de Waymo o, o el caso de, de Tesla, em, ¿esto no te flipa? Porque tú empezaste ahí, ¿no?

Me flipa un montón.

Cuando ves que están ahí actuando y reaccionando en casuísticas absolutamente dispares y de forma totalmente autónoma. Esto es brutal, ¿no?

Es, es brutal, es una locura, sí. Y yo tengo mi coche, que no es autónomo, pero tiene un montón de ADAS y lo pongo ahí. Voy viendo a ver si detecta los coches o no.

Tu, tu coche no es autónomo.

No es autónomo, pero tiene conducción autónoma en autopista con las manos en el volante, ¿no?

Tienes que meter las manos en el, en el volante.

Sí, sí. Al cabo de unos segundos, si las quitas, pues pita. Pon las manos en el volante.

¿Y no lo has hackeado esto?

No.

¿No tienes tu, tu proyecto de research funcionando en tu coche?

No.

Oye, pues, eh, no, muy, muy diferente al, al mundo que normalmente hablamos aquí en Itnig. Hablamos de confounders, que lo que quieren es captar una oportunidad de mercado y su, su obsesión es, es, eh, resolver problemas a clientes y capturar el valor de este, de esta solución, ¿no?

El mundo de research es un mundo muy diferente. Es un mundo que busca el conocimiento per se. Y yo, yo, mis experiencias con research a veces han sido bastante, mmm, frustrantes, te tengo que decir, porque, pues he, he visto equipos enteros que han estado años, mmm, trabajando en algo que no creo que sea de interés para la humanidad, desde un punto de vista que, que sí, que igual genera papers, eh, que igual, eh, pues no sé, igual hay a-- hay alguien que le interese, pero, pero no, no, no tiene una preocupación final de acabar resolviendo un problema, eh, del mundo.

Entonces, a mí a veces me preocupa que, que hay muchos fondos de-- públicos, ¿no? Que van a proyectos de research, que se convierten en modos de vida de mucha gente y que no tienen esta presión de, de retorno a la sociedad, ¿no? Y al final están utilizando recursos de la sociedad y igual no acaban devolviendo este, este retorno.

No es el caso, evidentemente, de todos los equipos de research y grandes cosas del mundo han salido de labs de research. O sea, nada que decir con eso. Pero a veces, marginalmente, cuando ves un, un equipo que lleva viviendo del, del cuento, digo yo, a veces, eh, durante mucho tiempo y, y, y no se convierte en, en nada, ni, ni ves que tampoco tenga la intención, ni las ganas, ni la vocación de acabar haciendo algo útil, pues a mí me frustra por mi forma de ser.

No sé, por ejemplo, yo miro el ejemplo del grupo que teníamos ahí de coche autónomo y me decías antes: "¿Dónde está el coche? No, no tenéis un coche", ¿no? Pues podrías decir: "Esto es un fracaso".

No, porque me has dicho que esto lo aplicaron luego muchas-- mucha, mucha gente.

Lo han aplicado muchas empresas, pero al final en la universidad lo que generamos es talento, generamos personas. Personas que ahora tienen su propia startup, por ejemplo, de coche autónomo. El otro día yo iba a la universidad y me he encontrado a un, un antiguo alumno que estuvo trabajando en el proyecto del coche autónomo y tiene su startup de conducción autónoma.

Preséntamelos estos, preséntamelos.

Te los presentaré.

Me interesa invertir en ellos. Sí, claro, cuando hay unos pocos como, como Gi y Carla, ¿no? De, de Techer, que dicen: "Ostra, pues esto yo lo voy a aplicar a este problema", ¿no? Y, y, y tiene que haber gente para todo, ¿eh? Tiene que haber gente también que empuje el conocimiento, o sea, sin ninguna duda.

Tengo otro estudiante ahora que está abriendo una startup, en cuanto lo haga público en enero también te lo presento.

Claro, hombre.

Y es el proyecto de tesis.

Y es el proyecto de tesis, ¿no? No, no, interesantísimo. Oye, David, pues te, te iremos siguiendo. Eh-

Encantado.

Aquí hacemos muchos eventos y hablamos mucho de IA, con lo cual, pues te tendremos como referencia experto, eh, en la materia. Muchísimas gracias por tu generosidad y compartir un poco tu, tu experiencia con Itnig. Y nada.

Pues muchas gracias.

Nos seguimos.

Encantado.

Muy bien. Hasta la semana que viene.