IA en hotel tech: mucho ruido y pocas nueces

En casi todos los webinars en los que participé desde el año pasado, e incluso en un par de ponencias del reciente TechnoHotel Forum de Barcelona, no faltó quien trajera a colación el argumento de la inteligencia artificial en contexto hotelero. Todos utilizaron además el ejemplo del sistema de recomendación de Netflix como claro ejemplo “aplicable” (sabrán ellos cómo) en tecnología hotelera. Estoy hasta el moño de vendehúmos que, desconociendo incluso las bases técnicas de lo que tan libres de cuerpo denominan “AI”, pretenden vender automatismos o sistemas de reglas lógicas como si fueran robots venidos del futuro para aumentar de manera inmediata la ocupación y el RevPar.

Con esa premisa, intentaré volcar algo de luz sobre lo que es y no es inteligencia artificial, así como sus posibles y reales casos de uso práctico en la industria.

Como entrante, una definición

Hace mas de tres años, en un artículo de tono y contenido similar a este, escribí el siguiente párrafo:

Aun siendo un amante de la ciencia ficción, mi formación como ingeniero (fallido) me niega el lujo de contemplar la IA (o cualquier otra tecnología) bajo una luz romántica. El enfoque práctico es todo lo que importa en los negocios, y estamos lejos (en el orden de parsecs) de ver que el cerebro de un ordenador nos engaña y nos hace creer que en realidad estamos hablando con otra persona (pasando la prueba de Turing, en resumen). No habrá Skynet ni máquina Voight-Kampff en el corto plazo, amigos. No obstante, estoy sorprendido al descubrir cuán atrasados estamos ​​en la aplicación de IA en toda la industria del turismo.
(original aquí>>)

Sigo estándolo, aunque algo hemos avanzado. Pasemos a descifrar que es esta bendita “IA”. Similar a la inteligencia humana, que ya no se asocia solo a las habilidades lógicas, en la vida real la IA no es un elemento único que impulsa las mentes de los robots, como en las películas. El término “IA” o “AI”, como queráis, abarca varios aspectos y técnicas tales como redes neuronales, aprendizaje automático, aprendizaje profundo, etc. Cada uno de ellos tiene usos específicos, y hasta ahora es (casi) imposible combinar dos o más en una sola aplicación al mismo tiempo. En efecto, los diferentes métodos de la IA actual pueden enfocarse en una única tarea por vez. De esos métodos, me gustaría señalar tres que están teniendo (o tendrán) un impacto profundo en los resultados económicos de la industria. Una es el aprendizaje automático (Machine Learning), que engloba algoritmos y métodos de programación que permiten a los ordenadores detectar patrones en los datos, o predecir un resultado… y aprender de eso, para ir “mejorando el tiro”. Otro aspecto es el aprendizaje profundo o Deep Learning (en realidad un subconjunto de ML), motor de los sistemas de recomendación como el famoso Netflix, por ejemplo. Simplificando en exceso, DL aborda el modelado de datos de una manera “diferente, mejor” que ML: inspirada en la estructura del cerebro humano, es capaz de tareas mucho más complejas que ML, como el gobernar automóviles sin conductor, o distinguir facciones humanas (reconocimiento facial).
Por último, el método que (de momento) mas se utiliza en la industria: NLP o procesado de lenguaje natural. Es la técnica a la base de los chatbots, que permite -hasta cierto punto, como se puede observar a día de hoy al usar uno de esos productos- comprender una pregunta escrita en “lenguaje natural”: es decir, similar a la manera humana de comunicar vocalmente, y eventualmente contestar con lenguaje de la misma guisa.

Ahora, para que cualquiera de esas técnicas dé resultados confiables, es imprescindible alimentar sus algoritmos con enormes, inmensas cantidades de datos. Es decir, están involucradas herramientas de big data, para gestionar databases masivos, con millones (o mejor, miles de millones) de registros. Este es un ingrediente clave: sin volúmenes gigantes de datos, no se puede hablar de inteligencia artificial. ¿Por qué? Porque a la raíz de todo este rollo sci-fi, no hay más que técnicas estadísticas.

Sin tetas no hay algoritmo

Veamos ahora porqué es absurdo o poco ético (o incorrecto, si no hay mala intención) mentar “AI” cuando en realidad lo que “AI” es otra cosa (más barata, aportando mucho menos valor). Para ello, usemos un par de trillados chascarrillos de profesor de instituto:

  • Si tengo 3 pollos, Fran tiene 7 pollos y Gustavo tiene 290 pollos… ¿Tenemos cada uno un promedio de 100 pollos?
  • Si un burócrata estatal es enviado a una calle de El Raval a recopilar datos sobre la religión profesada por los transeúntes ¿Podría el simplón concluir que la ciudad de Barcelona es eminentemente musulmana?

Por mas tontos que parezcan, esos ejemplos apuntan a un par de conceptos estadísticos basilares que pueden arruinar cualquier algoritmo: los outliers (valores extremos o atípicos), y las muestras significativas. Con esos elementos, podemos desmontar fácilmente la argumentación de los vendehúmos. Empecemos por el tan popular Netflix turístico.

Para que me recomiende una peli o serie de mi agrado, el algoritmo de Netflix solo necesita unas pocas elecciones por mi parte para darse una idea de lo que me gusta y apuntar, al cabo de un lapso limitado, a un abanico de opciones probablemente acertadas. Pero todo usuario del servicio de entretenimiento televisivo (así como Spotify, con un sistema de recomendación similar), notará dos problemas a medida que avanza el tiempo.  Por un lado, se repetirán recomendaciones, cada vez mas a menudo. Naturalmente, ya que por mas grande que sea, ¡el catálogo de títulos de tal o cual género cinematográfico es finito! Es decir, la población es reducida, y la muestra no puede serlo menos. El algoritmo ya no tiene nuevas muestras para aprender y mejorar su resultado. Al contrario, se va degradando.

Por otro lado, tarde o temprano, alguien (o yo mismo, si me da la gana) seleccionará en mi cuenta una película que, sea por el motivo que sea, no tiene ni la mas remota relación con lo que venía escogiendo hasta ahora… ¡Hola outlier! Además de poner patas arriba la muestra existente, lo que hasta hoy era un compilado de androides, naves espaciales y alienígenas, estará contaminado con alguna rom-com o peli lagrimosa. ¡Adiós, algoritmo cool!

A este punto, presumo que el lector habrá notado por donde vienen los tiros: no hay nada que recomendar automáticamente si el menú de elección es muy limitado, como los paquetes de un tour operador o -mas aún- los destinos y tipos de habitación de una cadena hotelera. Existen estudios académicos que teorizan la posibilidad de sistemas de recomendación para itinerarios/destinos: aquí hay uno >> , este es otro >>  . Y aquí otro mas >> (muy interesante). Pero ¿cuál es la conclusión de esos sesudos trabajos científicos? Que el robot no funciona. En mi opinión, algo así será muy útil cuando podamos acceder a cientos de miles o millones de destinos, situados en cientos de planetas, distribuidos en varias docenas de galaxias. Pero de momento, cualquiera que ostente personalización automatizada de venta de producto turístico, es un tremendo vendehúmos.  Personalización de contenidos sí, por supuesto, cualquier cadena puede resaltar en su web el tipo de habitación o destino que me interesa, pero para eso no hace falta IA: basta con un nuevo invento llamado cookie.

El otro campo donde veo demasiado vendehúmos es en el de las herramientas de RM. Ojo con los que anuncian orgullosos que automatizan recomendación de precios o predicen la demanda al minuto… Si hasta 2019 tal vez podían hacerlo, dudo mucho que ahora mismo estén en condiciones de repetir la hazaña, si lo que utilizaban como combustible de sus forecasts era simplemente el histórico. Tampoco son muy de fiar los que dicen juntar demasiadas fuentes de datos en sus predicciones: a mayor complejidad, menor exactitud en los resultados del algoritmo.

No voy a perder tiempo en los que agrupan los términos “IA” y “marketing” en el mismo sales pitch. Si fuera un decision-maker hotelero, los descartaría de la agenda.  

La verdadera IA en producción

Entre tanto marketinero chapucero, me parecen loables ciertas iniciativas que -al menos por lo que sé- realmente ponen a trabajar auténticos algoritmos de AI. 

Entre los chatbots, puedo señalar HiJiffy >> , que derrotó con saña a mi solución BIFLIX en la final del pasado concurso de startups de Palladium / OnlyYOU >>. Lo bueno de esta solución es que tiene mas posibilidades de mejorar a largo plazo que muchos de sus competidores, porque a diferencia de esos, utiliza un sistema “colaborativo” (aprende también de datasets comunitarios, no solo el del cliente). Otro producto que me parece interesante es el que propone mi profesor Brendan May, HERA by Hotel ResBot. Con esta herramienta se automatizan las respuestas via e-mail de manera rápida y efectiva, algo que el front desk y la cuenta de resultados agradecerán de corazón.

El pricing automatizado no es para principiantes, ni para quien pretenda dejar todo en manos del robot, pero en este campo vale la pena mencionar dos players de relieve en la industria: Lybra >> , que hace lo que yo intenté sin éxito en 2016 (combinar mas de dos datasets en algoritmos predictivos de ML), y Atomize >>, que no sé cómo lo hace, pero lo hace bien.

Donde no veo grandes inversiones marketineras es en ámbito de predicción de demanda. ¿Es todavía tan complicado obtener resultados fiables? Por supuesto, con la pandemia y sus consecuencias, ahora seguramente lo es… pero técnicamente está al alcance de los científicos de datos actuales, así que o me perdí algo, o hay una gran oportunidad de desarrollo en el mercado.

Tampoco veo herramientas específicas de análisis de sentimiento >>, pero en este caso es un problema costo: de hecho, solo está al alcance de los entes gubernativos, las aerolíneas y las grandes cadenas.  

Conclusión

Si bien hemos avanzado en la implementación de técnicas de inteligencia artificial, en la industria aún estamos lejos de poder argumentar que nos beneficiamos con ella, salvo los que realmente entienden y usan con provecho estas primeras versiones de ChatGPT, para tareas mas bien sencillas.. Si aún seguimos blandiendo el Excel como arma imprescindible de gestión, y dedicamos 10 minutos para registrar la entrada de una habitación con tres pax, mas que apuntar a la “artificial”, tendríamos que plantearnos qué tipo de inteligencia estamos empleando en el día a día. Si con algo ha de quedarse el lector hotelero, que sea esto: primero implementemos análisis (business intelligence), luego pasemos al análisis avanzado (que incluye revenue management), y a partir de ahí tal vez podamos recurrir a la IA con beneficio monetario real.
Gracias por leer!

Marcello Bresin