Desde nuestra creación en 2021, en AyGLOO apostamos por un camino diferente: Prescriptive Decision AI y la democratización del uso del Machine Learning. Quienes trabajan con modelos avanzados saben bien lo que eso significa: algoritmos potentes que, sin explicabilidad, se convierten en auténticas cajas negras.
Para marcar diferencias frente a lo existente, hemos invertido de forma decidida en I+D+i. En solo cuatro años contamos con cinco proyectos en los que la explicabilidad es el pilar fundamental, todos con una fuerte componente innovadora y una inversión económica significativa, cuatro de ellos financiados por el CDTI.
Hoy queremos hablar de uno de los más recientes, iniciado a principios de 2025 y en el que trabajaremos hasta septiembre de 2026. Un proyecto que supone un auténtico reto tecnológico: la explicabilidad en modelos de grafos.
El potencial (y el desafío) de las GNNs
Las Graph Neural Networks (GNNs) son una de las tecnologías más potentes y prometedoras de la inteligencia artificial moderna. ¿Por qué? Porque permiten modelar y analizar relaciones complejas entre entidades, algo que los algoritmos tradicionales no hacen bien.
Son especialmente útiles en ámbitos donde las relaciones entre elementos son clave:
- Fraude financiero: ayudan a detectar redes ocultas de estafadores que actúan de manera coordinada, mucho más allá de los patrones lineales de una simple transacción sospechosa.
- Ciberseguridad: permiten identificar ataques sofisticados que se propagan entre dispositivos, usuarios o accesos en red, y que de otro modo pasarían desapercibidos.
- Recomendación y personalización: impulsan sistemas de recomendación más inteligentes en e-commerce, contenidos o publicidad digital, al entender mejor las relaciones entre usuarios, productos y contextos de uso.
Gracias a las GNNs, las plataformas pueden descubrir afinidades y comportamientos similares incluso entre usuarios que nunca interactuaron con los mismos productos, lo que mejora la precisión, la diversidad y la capacidad de descubrimiento de los sistemas de recomendación.
En sectores donde cada decisión afecta directamente a la reputación, la seguridad y millones de euros en juego, la opacidad de los modelos resulta inaceptable.
El gran reto es que la explicabilidad en GNNs prácticamente no existe. Apenas hay investigación científica sólida, y lo poco que existe sigue siendo muy básico.
Una herramienta diferencial: intuitiva y para todos los perfiles
En AyGLOO estamos afrontando ese vacío con el desarrollo de una herramienta pionera de Prescriptive Decision AI aplicada a GNNs. No se trata solo de abrir la caja negra, sino de hacerlo de forma intuitiva, clara y accesible para cualquier usuario, sin necesidad de conocimientos técnicos.
Imagina un directivo de fraude en un banco que no sabe programar ni domina la IA avanzada. Con nuestra herramienta podrá entender fácilmente:
- Por qué el modelo ha detectado un posible caso de fraude.
- Qué conexiones o patrones en la red de relaciones han sido clave para esa conclusión.
- Cómo actuar de manera más informada y con mayor confianza frente a un posible ataque.
La explicabilidad se convierte así no solo en un componente técnico, sino en un puente entre la IA más avanzada y las personas que toman decisiones estratégicas.
Conclusión
Las GNNs representan un salto cualitativo en la capacidad de la inteligencia artificial para abordar desafíos críticos como el fraude, la ciberseguridad o la personalización inteligente. Pero su verdadero valor solo emerge cuando sus resultados son explicables y comprensibles.
Desde 2021, mantenemos el mismo compromiso: que la inteligencia artificial deje de ser una caja negra y se convierta en una herramienta que aporte claridad, transparencia y accionabilidad, al alcance de todos (desde ingenieros hasta directivos).