El desafío del monitoreo tecnológico hoy en día radica más en clasificar y organizar los datos y la información disponibles que en buscar información.
Las patentes, las publicaciones científicas, los proyectos de investigación, los informes institucionales, las fuentes web y las noticias de la industria se acumulan y se difunden a un ritmo que supera con creces las capacidades analíticas humanas.
Ilustración en cosmética
En la industria cosmética, se publican cerca de 2000 nuevas patentes al mes en todo el mundo, lo que demuestra una innovación constante y una intensa búsqueda de novedades.
Aún más drástica, la inteligencia artificial está experimentando una explosión de información: el tema centra más de 50 000 artículos científicos al mes.
Esta sobrecarga de información, o «infobesidad», dificulta la selección, el análisis y la priorización de contenido relevante. Los equipos de I+D e innovación se enfrentan a un flujo de información prácticamente ininterrumpido.
En este contexto, el desafío ya no es solo el acceso a la información, sino también la capacidad de ordenarla, estructurarla y analizarla. ¿Cómo aprovechar estos flujos masivos de datos heterogéneos sin dedicarle días a ordenarlos manualmente? ¿Cómo evitar el ruido informativo y los puntos ciegos?
Contrariamente a lo que podría sugerir la publicidad, la IA generativa no ha reemplazado a los enfoques de inteligencia tradicionales y no está a punto de hacerlo por al menos tres razones:
- Los métodos tradicionales producen excelentes resultados en contextos bien definidos y con datos estructurados. Para lograr un rendimiento similar, la IA generativa requeriría modelos muy grandes o un reentrenamiento muy costoso.
- Los resultados de la IA generativa son muy difíciles de interpretar, a diferencia de los modelos clásicos que permiten una verdadera explicabilidad.
- Los modelos clásicos están menos sujetos a variaciones y sus resultados son más fiables, a diferencia de la IA generativa, cuya robustez puede ser problemática (por ejemplo, debido a las alucinaciones).
La IA Generativa proporciona, por tanto, numerosas herramientas metodológicas útiles e interesantes. Sin embargo, por razones de eficiencia, por un lado, y debido también a su elevado coste ambiental (un tema en el que TKM está plenamente comprometido), esta contribución complementa los enfoques tradicionales y no los sustituye.
La solución desarrollada por TKM se basa en un enfoque riguroso, estructurado en torno a una mezcla equilibrada que combina, por un lado, el uso de la IA cuando es realmente útil y, por otro lado, la minería de datos aplicada a la literatura tecnológica.
Es el resultado de más de 20 años de experiencia reconocida combinada con una capacidad real de innovación e integración de tecnologías emergentes, no por su novedad, sino por su utilidad.
Apoyándose en estrategias de búsqueda estructuradas, sistemas expertos y complementados, cuando es necesario, con bloques de inteligencia artificial, el software de monitorización y análisis de TKM transforma grandes volúmenes de datos brutos en información utilizable por los equipos de I+D, Propiedad Industrial e Innovación.
Entendiendo los fundamentos: minería de datos, la base del monitoreo tecnológico
La minería de datos, la columna vertebral de la recopilación de inteligencia a gran escala
Durante 25 años, la minería de datos se ha consolidado como la base de la recopilación de inteligencia a gran escala, y esto no es casualidad.
La minería de datos abarca todas las técnicas utilizadas para explorar, depurar y estructurar grandes volúmenes de datos con el fin de extraer información útil. En el contexto de la inteligencia competitiva, esto incluye la identificación de tendencias, agrupaciones temáticas, problemas emergentes o señales débiles.
En nuestra práctica diaria de monitoreo tecnológico durante más de 20 años, una observación surge constantemente: solo una fracción de la información recopilada tiene un valor estratégico real. La experiencia demuestra que solo entre el 10 % y el 15 % de los documentos recopilados son realmente relevantes para el análisis y la toma de decisiones.
La función de la minería de datos es precisamente gestionar esta brecha entre abundancia y utilidad. Nos permite:
- reducir el ruido informativo sin sacrificar la exhaustividad,
- eliminar duplicados,
- detectar señales débiles,
- estructurar y organizar los datos según criterios pertinentes,
- preparar un corpus utilizable para el análisis (asistido por humanos y por computadora)
Sin este trabajo preliminar, la monitorización se vuelve rápidamente inmanejable, independientemente de la potencia de las herramientas utilizadas. Los robots y otros rastreadores lo saturan rápidamente con una gran cantidad de información difícil de gestionar y distraerán a sus equipos de I+D de una tarea que, sin embargo, es vital para su profesión: mantenerse constantemente informados sobre el estado de la técnica, la competencia y la libertad de acción
→ Lea también – Construyendo un repositorio documental: recopilando datos útiles para la inteligencia tecnológica o competitiva
Sistemas expertos: inteligencia orientada al negocio
Las necesidades de información, la naturaleza de los datos procesados y el propósito de un equipo de I+D, un departamento de PI o incluso un equipo orientado a la innovación y la innovación abierta no son los mismos.
Los tratamientos útiles para cada una de estas necesidades no siempre son los mismos y los flujos de trabajo a veces son muy diferentes.
La estructuración de datos para una empresa aeronáutica probablemente no tenga ninguna relación con la que resulta útil para una gran farmacéutica o una pyme de mecánica de precisión.
A diferencia de las herramientas mágicas y el "efecto caja negra" que todo analista que se precie detesta, los sistemas expertos constituyen el primer paso en la implementación operativa de la inteligencia dentro de la plataforma TKM . Se basan en principios de minería de datos, es decir, en reglas explícitas configurables por cada tipo de usuario: consultas booleanas, operadores de proximidad, filtros de negocio, tesauros y criterios de clasificación, limpieza y normalización, etc.
Este enfoque es especialmente eficaz cuando los criterios de pertinencia son clara y fácilmente identificables: tecnologías a las que se dirige, tipos de documentos, actores a supervisar, zonas geográficas, dominios de aplicación.
Los sistemas expertos permiten entonces un menor coste1 :
- transformar una necesidad empresarial en una estrategia de búsqueda formalizada,
- para mantener un control completo sobre las áreas de monitoreo,
- para automatizar la clasificación, ordenamiento y difusión de información.
Ofrecen un excelente compromiso entre rendimiento, transparencia y control de costes, a la vez que son fácilmente adaptables a medida que cambian las necesidades.
Cuando la minería de datos alcanza sus límites: la contribución específica de la IA de precisión
No todas las operaciones de procesamiento de datos pueden gestionarse fácilmente únicamente con reglas explícitas. Cuando determinar estas reglas se vuelve complejo, la minería de datos alcanza sus límites.
¡Tomemos un ejemplo!
Su negocio, su sector industrial o su propia estrategia se basa en respetar criterios medioambientales en el diseño y fabricación de sus productos.
Por tanto, es legítimo que su seguimiento destaque de forma prioritaria y llame la atención de sus equipos de I+D sobre cualquier innovación, producto o patente de un tercero (un competidor o una startup) que entre dentro de estos criterios "respetuosos con el medio ambiente".
Pero ¿cómo definir, de forma exhaustiva, todos estos criterios y traducirlos en un sistema de reglas dentro de la herramienta de monitorización? Probablemente sea complicado, o incluso totalmente imposible.
Hay mil y una maneras de describir esta noción de eco-responsabilidad: biodegradable, libre de químicos, menos intensivo en energía, libre de tierras raras, mejor balance de CO2, etc.
Aquí es donde la IA precisa y personalizada de TKM puede desempeñar un papel crucial, con niveles de precisión inigualables por la minería de datos o la IA genérica. Los modelos se entrenarán con datos históricos anotados según el caso de uso específico requerido.
En TKM, creemos firmemente que, en estos casos complejos, la IA ofrece una auténtica alternativa complementaria a los sistemas expertos derivados de la minería de datos. No los sustituye, sino que los mejora.
Pero estamos igualmente convencidos de que la IA genérica por sí sola (ChatGPT es el principal ejemplo) y la promesa mágica de un modelo que dé resultados satisfactorios en tres clics y cuatro me gusta, ¡no funcionan!
Por ello, la IA de precisión diseñada y ofrecida por TKM se basa en un procesamiento basado tanto en modelos genéricos de inteligencia artificial (clasificación, agrupamiento, detección de entidades) como en modelos lingüísticos a gran escala (LLM), pero que también, y sobre todo, incorpora una etapa preliminar de personalización. Es entonces cuando podemos hablar de IA de precisión (o IA personalizada) aplicada a la inteligencia competitiva.
Nuestra IA se entrena en casos de uso específicos proporcionados por los usuarios, con el fin de complementar los sistemas expertos cuando alcanzan sus límites.
Software TKM: una plataforma diseñada para la minería de datos de inteligencia competitiva
Un “Lago de Datos” diseñado para una exploración de 360°
En el corazón de la Plataforma TKM se encuentra un DataLake alimentado por una diversidad de fuentes incomparable:
- patentes en todo el mundo,
- publicaciones científicas
- proyectos de investigación y proyectos colaborativos,
- ensayos clínicos,
- fuentes web y noticias de la industria,
- base de datos global de empresas emergentes y pymes innovadoras,
- Base de datos global de actores académicos y grupos principales.
Los usuarios pueden optimizar su seguimiento por tema, fuente, autor, organización o período. Los rastreadores especializados también permiten rastrear instituciones o fuentes específicas, como agencias de financiación, universidades o centros de investigación.
Esta riqueza de datos es esencial para implementar estrategias de inteligencia eficaces y detectar señales débiles en una etapa temprana. Esto se logra mediante una hábil combinación de sistemas expertos y el uso juicioso de la IA.
Apoyo humano para estructurar el enfoque
La eficacia de la inteligencia competitiva depende del rendimiento de las herramientas, pero aún más de la metodología. Por ello, TKM apoya a las organizaciones desde las etapas iniciales: aclarando los problemas, formalizando un plan de inteligencia competitiva y definiendo estrategias de búsqueda.
El objetivo es traducir un problema estratégico en un sistema operativo.
Dependiendo de las necesidades, los equipos de monitoreo pueden ser autónomos o recibir apoyo (de forma ad hoc o a lo largo del tiempo) para ajustar y enriquecer las reglas, alcances y procesos.
→ Lea también – TKM: doble experiencia para poner la IA al servicio de la Propiedad Industrial
Repensando la monitorización tecnológica en la era de la IA
De la consulta sin procesar a la información estructurada: minería de datos en acción en la Plataforma TKM
Paso 1: Formular una estrategia de búsqueda precisa y completa
Todo comienza con expresar la necesidad.
En la Plataforma TKM, se guía a los usuarios a través del proceso de transición de la formulación en lenguaje natural a una estrategia de búsqueda estructurada: priorización de palabras clave, operadores lógicos y criterios de filtrado. Este paso es crucial para evitar dos errores comunes: búsquedas demasiado amplias que generan ruido excesivo, o búsquedas demasiado restrictivas que generan zonas de silencio.
Paso 2: Limpiar, enriquecer y estructurar los datos recopilados
Una vez recopilados los datos, entran en juego la minería de datos y la inteligencia artificial.
Los algoritmos de filtrado, clasificación y etiquetado reducen el volumen de documentos irrelevantes y estructuran el contenido según los criterios definidos con el cliente. De ser necesario, los modelos entrenados complementarán este paso, donde la minería de datos alcanza sus límites.
Paso 3: Organizar la información para su análisis y capitalización
La información relevante se organiza en carpetas temáticas, que se rellenan de forma automática o manual. Los criterios de clasificación son totalmente personalizables: tema, fuente, fecha, tipo de actor, etc.
Esta estructura facilita el análisis, la difusión dirigida y la capitalización del conocimiento a largo plazo. En el caso de la inteligencia competitiva, uno de los criterios para organizar los datos podría ser una lista de competidores, categorizada por tipo de actor o por área geográfica.
El uso combinado de minería de datos e inteligencia artificial supone un verdadero cambio de paradigma
Llegar al corazón del asunto sin perder de vista el panorama general
La minería de datos permite la extracción rápida de contenido valioso datos . Las técnicas avanzadas de procesamiento también permiten la producción de síntesis, resúmenes y respuestas a preguntas planteadas en lenguaje natural, todo dentro de un corpus estructurado.
Detectar conceptos implícitos y señales débiles
Cuando las reglas explícitas ya no son suficientes, la IA mejora la minería de datos al detectar conceptos no formulados explícitamente. Esta capacidad es especialmente útil para identificar señales débiles o tendencias emergentes en la intersección de múltiples dominios.
Monitoreo estructurado a lo largo del tiempo
Los proyectos de inteligencia se actualizan con la frecuencia definida por los equipos de inteligencia. Quienes reciben la inteligencia tienen acceso continuo a información estructurada y actualizada, lista para su uso inmediato. Este uso es sostenible porque la capitalización del conocimiento y las interacciones entre los equipos en los conjuntos de datos constituyen un verdadero activo intangible para la empresa.
Ejemplo concreto: el uso de la minería de datos para el monitoreo colaborativo
Un actor industrial del sector agroalimentario desea seguir, a nivel internacional y mensualmente, la literatura científica y tecnológica (principalmente patentes, artículos científicos y noticias de start-ups) en torno a los temas de la fermentación.
El flujo es de aproximadamente 800 nuevos documentos a clasificar por mes .
A pesar de una estrategia de búsqueda cuidadosamente refinada con los equipos de TKM, el volumen de documentos sin interés sigue siendo alto (nuestra famosa regla del 10%) y requiere una clasificación previa antes de implementar una clasificación automática (por tipo de levadura y áreas de aplicación, en particular).
A 2 minutos por documento, esto teóricamente representa 3 días de trabajo , ¡y eso es solo para depurar los datos entrantes! Y esto debe hacerse mensualmente…
Esto supone casi un mes y medio de trabajo al año, para un trabajo arduo que no genera valor añadido estratégico.
¡Y centrarse en un solo tema de monitoreo cuando esta empresa necesita monitorear al menos media docena más...! Es imposible.
En este caso concreto, afortunadamente, los criterios mediante los cuales se puede distinguir la información interesante (reglas de negocio) son bastante simples, al igual que las reglas para clasificar las noticias en el sistema interno de conocimiento y colaboración.
Con sólo unos pocos días de trabajo preparatorio, se pudo implementar un sistema basado en estas reglas
La solución, implementada de esta manera y basada exclusivamente en la minería de datos , proporciona un servicio totalmente operativo con costos de implementación mínimos. Los tiempos de procesamiento para ordenar, limpiar, enriquecer y clasificar datos son de apenas unos segundos para cada nueva información. Un sistema de alertas permite a los equipos de I+D recibir notificaciones, según sea necesario, de las noticias de mayor interés.
Sin embargo, puede suceder que un sistema basado exclusivamente en reglas de negocio no permita una precisión satisfactoria .
Es típicamente en este tipo de situaciones que se debe considerar el uso de Machine Learning y el entrenamiento de una IA de precisión para, en última instancia, brindar el mismo servicio (procesamiento automático e instantáneo) y abastecer de manera útil a los equipos de I+D o IP de la empresa.
Conclusión
Una monitorización tecnológica eficaz se basa, ante todo, en el uso juicioso y estructurado de las herramientas de minería de datos adecuadas, impulsadas por el negocio y alimentadas por la experiencia humana en materia de monitorización.
Sin esta columna vertebral, ni la IA ni la experiencia humana pueden producir análisis fiables y prácticos.
Al combinar la minería de datos, los sistemas expertos y las contribuciones específicas de la inteligencia artificial, TKM ofrece un enfoque pragmático y sostenible para el monitoreo de la tecnología, alineado con los desafíos reales de las organizaciones innovadoras.
¿Sus equipos necesitan inteligencia más legible, mejor estructurada y realmente práctica? Contacte con el equipo de TKM para descubrir cómo poner la minería de datos y la IA personalizada al servicio de sus decisiones de innovación.
2. Tanto económica como ambientalmente.
