KYC para todos: facilitar un acceso seguro y de autoservicio a la información sobre clientes

Buenos días. Bienvenidos a todos. Buenos días, buenas tardes o buenas noches, dependiendo de desde dónde os unáis a nosotros.

Bienvenidos al seminario en línea. Vamos a esperar unos minutos para que se unan más personas. Vemos que algunos se están conectando.

Pues bien, son las 8:00 de la mañana en mi zona horaria, las 11 en la costa este, independientemente de dónde os unáis a nosotros. Así que estamos justo al comienzo de la hora. Vamos a esperar unos minutos más antes de empezar de verdad.

Por eso agradecemos vuestra paciencia. Solo queremos asegurarnos de que todo el mundo tenga la oportunidad de conectarse.

Así que dadnos unos dos minutos más y ya empezaremos. Hola de nuevo. Bienvenidos.

Veo que se están uniendo algunas personas más al seminario en línea. Muchísimas gracias. Vamos a esperar un minuto más, quizá dos minutos más.

Veo que se están uniendo un par de personas. Queremos dar a todo el mundo la oportunidad de participar. No os preocupéis, tenemos tiempo de sobra para repasar todo el contenido.

Pero bienvenidos. Empezaremos dentro de un minuto más o menos. Gracias a todos.

Una vez más, buenos días, buenas tardes o buenas noches, dependiendo de dónde os hayáis conectado. Gracias a todos los que os habéis unido a la sesión. Vamos a esperar unos 30 segundos más.

Veo que se están uniendo un par de personas, y luego daremos comienzo a la sesión. No os preocupéis, tenemos tiempo de sobra para repasar todo el contenido, y creo que incluso podremos terminar antes de lo previsto. Así que, una vez más, os agradecemos que hayáis venido, y vamos a ponernos en marcha enseguida.

Muy bien, equipo. Bienvenidos. Ya estamos listos para empezar.

Veo que se acaba de unir la última persona o personas. Buenos días a todos. Bienvenidos al seminario en línea.

Me alegra mucho teneros aquí a todos desde... O buenas tardes, desde dondequiera que os hayáis conectado. Quiero comentar un par de cosas antes de ceder la palabra a nuestro ponente y al resto del panel. En cuanto al orden del día de hoy, voy a abordar un par de cuestiones organizativas, para que todos estéis familiarizados con seminario en línea : cómo responder a seminario en línea y cosas por el estilo.

Hablaré de eso en un momento. Después os presentaré a nuestro equipo. Ya podéis ver a algunos de ellos en el chat o en la ventana.

Vamos a hacer unas breves presentaciones para que sepáis quiénes estamos aquí. Y después pasaremos al tema principal que hemos venido a tratar, que es nuestro Actian AI Analyst. Haré una breve introducción y, a continuación, pasaremos a la demostración.

Terminaremos la llamada con una llamada a la acción. Tenemos un pequeño trabajo para casa. Es broma, no hay trabajo para casa, pero queremos asegurarnos de que podáis obtener toda la información que necesitáis sobre nuestro Actian AI Analyst, y después repasaremos el tema y responderemos a cualquier pregunta que tengáis durante este seminario en línea.

Pasemos ahora a los aspectos prácticos. Para aquellos de vosotros que seáis nuevos en los seminarios web de Actian, vamos a manteneros a todos con el micrófono silenciado, por desgracia. El audio está silenciado, así que no os preocupéis si no oís nada.

Esta es una sesión de Zoom. Podéis hacer preguntas en cualquier momento durante la sesión. Responderemos a vuestras preguntas.

Tengo un grupo de expertos a tu disposición para responder a tus preguntas. Disponemos de una ventana de preguntas y respuestas para quienes no estén familiarizados con Zoom. Puedes acceder a la ventana de preguntas y respuestas a través del menú situado en la parte inferior de la pantalla.

Deberías ver tres puntos y la opción «Más». Puedes hacer clic ahí y abrir la ventana de preguntas y respuestas. Puedes escribir tus preguntas en tiempo real durante toda la sesión, y estaremos aquí para responderlas.

Vamos a grabar la sesión y os enviaremos la grabación más tarde. La sesión durará unos 45 minutos, quizá un poco menos, así que habrá tiempo de sobra para responder a las preguntas, tratar todos los temas y dejaros un poco de tiempo libre durante el día. Y, de nuevo, todos los recursos que tratemos, la grabación y cualquier material adicional, los pondremos a disposición de los participantes, los asistentes, una vez finalizada la sesión.

Y, por último, una cosa más rápida. Si alguien tiene algún problema técnico o necesita ponerse en contacto conmigo para que le ayude a resolverlo, por favor, utilice la función de chat que hay en la parte inferior. Verá el chat.

Si no puedes, ahí tienes mi dirección de correo electrónico para que te pongas en contacto conmigo; estaré encantado de resolver cualquier duda que tengas. Muy bien. Vamos a conocer a nuestro equipo.

El ponente de hoy... Me complace presentaros a Alex Sidler. Él será quien imparta la presentación y contará con el apoyo, a lo largo de todo este « seminario en línea », de dos ingenieros de ventas excepcionales. Contamos con Phil Wall y David Nidiffer para atender nuestra ventana de chat de preguntas y respuestas.

Así que, de nuevo, si tenéis alguna pregunta o surge cualquier duda, por favor, escribidla en el cuadro de preguntas y respuestas y nos aseguraremos de responderla. Y sin más preámbulos, le cedo la palabra a Alex.

Alex, adelante. Muchas gracias, John, por la presentación. Y buenos días a todos, o buenas tardes, según el huso horario.

Y muchas gracias por acompañarnos hoy. Así pues, a lo largo de los últimos años, hemos asistido a un auge del interés por la IA generativa y los asistentes de IA tanto en el ámbito empresarial como en la vida cotidiana. Hoy en día, casi todas las plataformas afirman que basta con charlar con tus datos, pero en un sector tan regulado como el bancario, el verdadero reto no es generar respuestas.

El verdadero reto es saber si realmente se puede confiar en esas respuestas. Esto es especialmente cierto en el caso de las investigaciones financieras contra el blanqueo de capitales y de «conozca a su cliente», donde la definición de los procesos de negocio es importante, la gobernanza es importante, el linaje de los datos es importante y también el contexto es importante. Por eso, hoy queremos mostraros cómo un miembro del equipo de cumplimiento normativo podría agilizar su investigación con el analista de Action AI, que cuenta con datos fiables, conocimiento del negocio, definición de métricas, detalles de gobernanza y también el contexto de nuestra empresa.

Imagina que soy el responsable de cumplimiento normativo en materia de delitos financieros y trabajo para un banco minorista. Mañana por la mañana tenemos una reunión del comité de cumplimiento antes de una próxima auditoría regulatoria. Uno de nuestros analistas ha detectado algo que podría ser motivo de preocupación.

Varios clientes clasificados como de bajo riesgo están generando una actividad transaccional cercana o superior a los umbrales de actividad sospechosa. Ahora bien, en teoría, esto no debería ocurrir. Si los clientes de bajo riesgo empiezan de repente a comportarse como clientes de alto riesgo, solo hay unas pocas posibilidades.

La clasificación está desactualizada, los datos de incorporación están incompletos, el proceso de enriquecimiento ha fallado o están surgiendo comportamientos sospechosos antes de lo esperado. El problema es que investigar esto suele llevar horas, a veces días. Por eso, los equipos tienen que navegar por múltiples paneles de control, consultar varios sistemas, conciliar definiciones contradictorias y reconstruir manualmente la investigación.

Veamos, pues, cómo puede ayudarnos nuestro agente analista de IA en este caso. Repasemos la demostración. Lo que podemos hacer ahora mismo es acceder a nuestra demostración.

Es bastante sencillo. Para empezar nuestra investigación, tenemos que entender mejor qué clientes se clasifican como de bajo riesgo, pero que superan el umbral de notificación de actividades sospechosas (SAR), por ejemplo. Así que preguntemos a nuestros agentes; por ejemplo, ¿tenemos...? Ah, aquí está, una nueva tarea.

Por ejemplo, allá vamos. Analista bancario, y ahora mismo estoy consultando a mi agente porque podemos tener varios analistas, y ya volveremos sobre eso más adelante para ver cómo podemos llevarlo a cabo. Pero, para empezar a investigar, necesitamos comprender mejor qué clientes se clasifican como de bajo riesgo.

Así pues, si recurrimos al analista de IA de Actian, podemos plantear esta pregunta: ¿Tenemos algún cliente clasificado como de bajo riesgo que haya superado el umbral de SAR en los últimos 30 días? Lo que voy a hacer es introducir esta consulta y, como podéis ver, mi analista de IA está trabajando para mí. Está elaborando un plan para su análisis y lo iremos revisando paso a paso para dar respuesta a mi pregunta.

Esto sirve para procesar nuestros datos, agregarlos, recopilar datos a nivel de cliente, crear gráficos y elaborar un informe de cumplimiento normativo. Así que esto es lo que necesitamos que haga la IA, no solo buscar en tablas sin procesar adivinando lo que queremos decir. Necesitamos una IA que sea capaz de comprender el contexto de nuestro negocio.

Qué se entiende por «cliente de bajo riesgo»: un factor de riesgo inferior a 12. Cómo se calcula nuestra exposición a SAR, qué umbrales se aplican y qué conjunto de datos fiables se debe utilizar. Ahora bien, este análisis puede tardar uno o dos minutos, por lo que lo hemos generado previamente aquí.

Veamos los resultados. Y, como podéis ver, disponemos de varias opciones para obtener el embudo. Pero, solo para que lo veáis, si consultáis el resumen ejecutivo, con Actian AI Analyst no nos quedamos atascados buscando datos ni validando cuáles son los datos correctos según las normas y la normativa.

No nos dedicamos a unir tablas ni a escribir código SQL. Dedicamos nuestro valioso tiempo a analizar los resultados y a definir el siguiente paso. Y eso es muy interesante porque, como puedes ver, dispones de un resumen ejecutivo, todas las métricas clave que responden a mi pregunta anterior, la distribución de los factores de riesgo, observaciones analíticas destacadas y las medidas de cumplimiento recomendadas para ayudarte a dar el siguiente paso.

Y puedes disponer de información específica, como un informe específico, etcétera. Y todo se ha creado en dos minutos porque, si vuelves aquí, si vuelvo aquí, por ejemplo, para volver al resultado de la primera expectativa de bajo riesgo, como puedes ver, está empezando a crear mi informe, y voy a ver el mismo resultado que antes, porque todo gira en torno al contexto, etcétera. Y, como puedes ver, se está generando y está haciendo el trabajo por sí solo.

Por eso es aquí donde los datos gestionados en su contexto cobran una importancia fundamental. El contexto es la comprensión del negocio, nuestras definiciones y nuestros indicadores clave de rendimiento (KPI). Sin una gestión adecuada y sin la inteligencia artificial, nuestro modelo de lenguaje grande (LLM) podría fácilmente utilizar definiciones incoherentes, consultar un conjunto de datos erróneo, generar interpretaciones contradictorias o, directamente, inventarse de la nada todo un análisis basado en algo que haya leído en Reddit.

Y, como podéis ver, es exactamente el mismo resultado que el que había generado previamente, y todo va bastante bien. No estoy haciendo trampa. Es una demostración en directo.

Bueno, volvamos sobre este tema. O sigamos así, porque voy a seguir dando pistas. Por eso las organizaciones están utilizando Actian AI Analyst.

Nos ganamos la confianza de nuestros usuarios porque el análisis y el razonamiento de nuestras respuestas se basan íntegramente en la definición de confianza de su empresa, sus datos de gobernanza, la definición de sus métricas KPI y, lo más importante, su contexto. Así que ahora que empezamos a detectar cierta preocupación entre nuestra base de clientes, profundicemos un poco más, pasando de la detección de problemas a la priorización de nuestra investigación. Recurramos al Actian AI Analyst y planteémosle este tipo de pregunta.

Muéstrame los cinco principales clientes, por ID, con mayor discrepancia entre la clasificación KYC y el comportamiento en las transacciones. Y como tiene memoria, seguiremos trabajando para obtener el análisis definitivo de la causa raíz, etc., con el fin de tomar la decisión adecuada para ti. Como puedes ver, el agente de análisis de IA se pone manos a la obra de inmediato para analizar nuestros datos.

Para responder a la pregunta, ejecutó dos consultas simultáneamente utilizando SemQL, una capa de abstracción sobre SQL. En primer lugar, como se puede ver aquí, extrajo todos los detalles a nivel de cliente, incluyendo una puntuación de discrepancia calculada, la etiqueta KYC TL y en qué medida cada cliente supera el umbral de 10 000 SAR. En segundo lugar, preparó un conjunto de datos ordenado por relevancia y con un formato específico para la visualización en un gráfico.

A continuación, presenta el resultado tanto en forma de gráfico como de tabla detallada. Os voy a mostrar lo siguiente, ya que lo he generado previamente aquí, y, básicamente, vais a ver esos dos gráficos. Ahora que se ha actualizado, podemos ver que se ha aplicado una metodología clara para clasificar a los clientes.

Muy bien, allá vamos. Si me centro en la metodología de la puntuación de desajuste, esto es lo que nos indican los datos. Así pues, la puntuación de desajuste es igual al importe del SAR multiplicado por 12, dentro del factor de riesgo.

En este análisis se compara la clasificación KYC de cada cliente con su exposición a SAR en los últimos 30 días. Los cinco comparten el factor de riesgo uno, que corresponde al nivel de autorización más bajo, es decir, únicamente la diligencia debida estándar. No se aplica ninguna diligencia debida reforzada y, aun así, todos ellos han superado el umbral de 10 000 SAR, con puntuaciones que oscilan entre 121 797 y 121 997.

Esto es precisamente lo que necesitamos que haga la IA: comprender el contexto de nuestro negocio, no limitarse a los datos brutos de la tabla. El factor de riesgo del cliente es bajo, inferior a 12, como se puede ver aquí. No se requiere EDD.

Exposición al SAR: total móvil de tres días extraído de nuestro modelo de agregación predefinido. Se aplica un umbral de alerta de 10 000 en todos los niveles de riesgo. Además, se utiliza un conjunto de datos fiable: la agregación de transacciones de la capa «gold», no los registros de transacciones sin procesar.

Es increíble, porque en lugar de revisar manualmente cientos de alertas potenciales, puedo centrarme inmediatamente en los cinco clientes que presentan la mayor discrepancia entre su clasificación oficial de KYC y su comportamiento transaccional observado. Ahora podemos ver que este cliente requiere una diligencia debida reforzada. Si sigues así...

Es bastante interesante debido a lo que parecía ser un patrón estructural a nivel de cliente, que debería registrarse en nuestra unidad de inteligencia financiera. Se trata de información útil que he podido recopilar con Actian AI Analyst en cuestión de minutos. Insisto, no se trata de que la IA recopile datos.

Se trata de una IA que interpreta el significado empresarial, determina la metodología de análisis y pone de manifiesto las discrepancias basándose en nuestras reglas y procesos empresariales. Así que sigamos adelante. Me pregunto si hay algún canal específico que utilicen los clientes en relación con esta actividad.

Así que vamos a hacerle una pregunta para seguir avanzando con la información. Como podéis ver, ahora mismo sigue funcionando y mostrando el resultado, y me mostrará el resultado. Mientras espero a que lo haga, puedo preguntarle qué canales de transacción están generando la exposición.

Como podéis ver, a veces puede llevar algo de tiempo, ya que cuantos más datos tengáis, más tiempo necesitaréis para obtener resultados. Más adelante volveremos sobre cómo podemos mejorar este tipo de proceso y cómo hemos llegado a este resultado. Pero vamos a ello.

Dejémoslo así, solo para la demostración. Hagámoslo primero. ¿Qué transacciones están provocando esta exposición?

Así pues, el analista de IA de Actian correlaciona automáticamente a este cliente con esta transacción basándose en los distintos canales de que disponemos en la banca, como los ingresos y retiradas de efectivo en cajeros automáticos, las transferencias bancarias al extranjero y desde el extranjero, la tarjeta de débito Zelle, etcétera. Y, como podéis ver aquí, dispongo de toda esa información. Se trata de información correcta sobre su actividad bancaria habitual: no hay compras minoristas, ni pagos de facturas, ni transacciones habituales con tarjeta de débito.

Así pues, los paneles de control transicionales estándar son excelentes para mostrar métricas clave, KPI e información relevante, pero solo responden a la pregunta para la que fueron diseñados. Cuando un usuario empresarial o un analista tiene preguntas más profundas o quiere ver los datos desde una perspectiva diferente, se ve obligado a solicitar que se elabore otro informe, descargar los datos y realizar el análisis por su cuenta. El análisis rara vez es lineal.

Esto es lo que hace que la IA conversacional sea tan potente, ya que permite al usuario plantear las preguntas que aún no han sido respondidas. Y esto es lo último que quería mostrar para llegar al análisis de la causa raíz, porque, bueno, hacemos algunas búsquedas y obtenemos información más rápido de lo esperado; ya que, tal y como os estoy mostrando hoy, podría llevar semanas conseguir ese tipo de información fiable. Ahora, en menos de 10 o 15 minutos, lo he hecho todo.

Ahora profundicemos en el análisis y nos preguntemos: vale, pero ¿por qué? ¿Por qué ocurrió esto? Así que podemos preguntarnos: ¿por qué se clasificó inicialmente a este cliente como de bajo riesgo?

Aquí es donde suelen fallar la mayoría de los sistemas de IA. Esta pregunta combina la naturaleza predictiva de la IA con el razonamiento determinista. El analista de IA de Actian es capaz de responder a mi pregunta porque tiene que tener en cuenta el contexto de mi negocio, como nuestras políticas de incorporación, nuestro proceso de «KYC» y la definición de «AML», nuestro proceso de enriquecimiento de datos, nuestro entorno de datos corporativos, nuestras métricas y la definición de los KPI, nuestro glosario empresarial, así como nuestros conocimientos y contexto empresarial.

Por eso aquí se puede obtener este tipo de resultado directamente. Al analizar ahora el resultado, veo que uno de los factores es que todos los clientes residen en EE. UU., como se puede comprobar. Utilizan cuentas minoristas y estos clientes se incorporaron el 25 de febrero de 2021.

¿Qué significa esto para la investigación? Es posible que se haya abusado del modelo KYC. Las altas de 2022 y 2024 se concentran en torno a los 23 000 dólares en ese aspecto.

Bueno, esto es bastante interesante. 20 dólares al año sugiere una operación de matriculación continuada durante varios años, en lugar de un evento puntual. Lo siento, no se trata de dólares, sino de personas.

Y es posible que falte un campo racional de clasificación KYC en nuestro modelo de incorporación. Así pues, con el analista de acciones de IA o el analista de Actian AI —nuestro analista de IA—, no nos indica que este cliente parezca sospechoso. De hecho, nos explica por qué se encuentra dentro de nuestro entorno empresarial, nuestro contexto empresarial y de acuerdo con nuestras reglas de negocio.

Es precisamente este contexto enriquecido, gracias a los datos y conocimientos gestionados, lo que distingue a Actian AI Analyst de un sistema de IA generativa o de una solución desarrollada internamente. Por eso las empresas recurren a Actian AI Analyst como su sistema de análisis de datos de confianza para todo el ámbito empresarial en el ámbito del análisis conversacional. Así que, si quieres verlo, sigo trabajando en ello... sigue funcionando, así que puedes ver que obtengo exactamente el mismo resultado para esta primera pregunta, y puedo hacerle la tercera pregunta.

No tendremos tiempo de repasar la última pregunta, lo siento mucho. Pero, en fin, ya habéis visto el resultado, y solo quería mostraros que es exactamente el mismo tipo de resultado. Porque no es ninguna alucinación, tal y como os acabo de explicar.

Como puedes ver aquí, los canales de transferencia bancaria son los que impulsan la exposición, y aquí es exactamente... Déjame enseñártelo. Vale.

Muéstrame los cinco principales clientes. Era este. Lo siento.

Allá vamos. Así que tenemos la misma información. Ahí lo tienes.

Así que no se trata de inventar ningún tipo de información. Entonces, ¿cómo consigue el analista de Actian AI convertirse en un experto de confianza y bien informado sobre nuestro negocio? ¿Cómo llega a comprender nuestro negocio, nuestra normativa, nuestras reglas y nuestros datos?

Ahí es donde tenemos una interfaz específica llamada «Studio», y «Studio» pasa a primer plano, y establecemos el contexto de nuestro sistema a través de nuestro modelo semántico. Así que entremos en «Studio». Y ahora, «Robi Agent».

Y, como puedes ver, estoy en la página de administración. En la página de administración es donde puedo crear varios agentes, porque ahora mismo está configurada para KYC y AML, pero puedo crear varios agentes para cualquier tipo de negocio o cualquier otra cosa que necesite. Es bastante interesante.

Centrémonos, pues, en el análisis bancario. Y aquí, Actian AI Analyst Studio ha sentado las bases de nuestro sistema de análisis conversacional a través de varias perspectivas diferentes, como la instrucción. Allá vamos.

De este modo, puedes darle varias instrucciones, y esas instrucciones proporcionan a tu analista el contexto y la orientación necesarios para realizar un mejor análisis. Esto te ayudará a obtener los resultados correctos. Cuantas más instrucciones le des, mejor será el resultado.

También disponemos de los modelos. Aquí es donde nos conectamos a tus datos, sus dimensiones y sus medidas. Así que puedes seleccionar todos los datos a los que estás conectado, y contamos con un conector específico para ello.

Como podéis ver, ahora mismo estoy conectado a mi Snowflake en esas tablas. Es bastante interesante. Tenemos, perdón, las métricas.

Esas métricas sirven para comprender tu negocio, tus reglas de cálculo, tus reglas de negocio y tu definición de cada concepto, con el fin de entender la métrica, y este analista puede utilizar toda esa información. Lo último, que resulta bastante interesante, es el glosario, ya que este sirve para enriquecer el contexto con los términos de tu glosario a los que el analista debe recurrir. De este modo, habla el mismo idioma que tú, y puedes configurar todo lo que desees.

Y, por último, puedes gestionar tus permisos de acceso porque, como puedes ver, en lo que respecta a AML/KYC, a veces se requiere una certificación para acceder a ese tipo de datos, por lo que puedes crear agentes con acceso para personas concretas. Todo ello combinado permite a nuestro Actian AI Analyst comprender nuestro negocio y nuestro modelo semántico de datos. Es esta información la que permite a nuestro sistema convencional de análisis con IA comprender nuestro negocio, nuestros conceptos y nuestras relaciones o, dicho de forma más sencilla, nuestro contexto.

Esto es lo que permite a nuestra IA razonar con sentido empresarial, en lugar de limitarse a generar consultas SQL. Ahora bien, lo que hemos mostrado hasta ahora es el resultado de una base semántica y analítica bien gestionada. Pero, llegados a este punto, la mayoría de las organizaciones suelen plantearse la misma pregunta.

¿Hasta qué punto resulta difícil poner todo esto en práctica? Porque, tradicionalmente, la creación de un modelo semántico, un glosario, relaciones, un mapa de gobernanza, un contexto analítico y una capa empresarial preparada para la IA requiere mucho tiempo, conocimientos especializados y configuración manual. Y, sinceramente, esa complejidad ha sido históricamente uno de los mayores obstáculos para la adopción de la IA en las empresas.

Precisamente por eso presentamos nuestro agente Steward y, como podéis ver aquí, se trata de otro agente más. Es el agente dentro del agente. En lugar de configurar manualmente cada capa desde cero, las organizaciones ahora pueden describir el problema empresarial que desean resolver, y el agente Steward ayuda a acelerar la configuración de la gobernanza semántica que requiere una base analítica entre bastidores.

Así que, en lugar de mostraros otra pantalla de configuración estática, me gustaría compartir un breve vídeo, de un minuto y 30 segundos, para mostraros el potencial de este agente de Steward, cómo podéis resolver el problema y cómo podemos desarrollar esto más rápido y de forma eficiente. Vamos allá. En este ejemplo, partimos de un entorno que no está vacío.

El usuario solo tiene que describir el caso de uso analítico que desea habilitar, y el agente Steward le ayuda a conectar la fuente de datos pertinente, identificar el concepto de negocio, proponer relaciones semánticas, generar una correspondencia de gobernanza y preparar el contexto analítico listo para la IA necesario para la investigación, como el que hemos mostrado hoy. El objetivo no es sustituir al equipo de gobernanza, sino simplificar y acelerar drásticamente la implementación.

Así que os voy a mostrar el resultado de cómo podemos crear, en cinco minutos, o quizá en diez, todo un modelo semántico y empezar a generar valor en vuestro contexto y en vuestra empresa. Y ahora podéis conectaros al modelo. Este creará la semántica.

Ya hemos creado el modelo semántico y, como puedes ver, ¿cuál es el crecimiento de mis ventas? Realizo una consulta, obtengo toda la información y simplemente la publico para mi usuario final. Es muy fácil.

Lo que hemos presentado hoy… Dejadme que os lo explique. Allá vamos. Lo que hemos presentado hoy no se ha limitado a un análisis convencional basado en la inteligencia artificial.

Se trataba de un análisis y un razonamiento de IA fiables, basados en un contexto empresarial regulado. En cuestión de horas, Action AI Analyst puede convertirse en la base de tu estrategia de IA para los datos y el análisis empresarial. Se trata de una IA fiable que no es simplemente generativa, sino determinista, y que combina la comprensión semántica, la gobernanza, el linaje, los datos fiables y la gestión asistida por IA.

Este es Action AI Analyst, el futuro de la IA empresarial para datos y análisis. Muchas gracias a todos. Le cedo la palabra a John para que os presente el resto y, a continuación, pasaremos a la ronda de preguntas y respuestas, si os parece bien. ¡Buen trabajo, Alex!

Es algo muy interesante. Sé que nos están llegando un par de preguntas. Tenemos al equipo preparado para responderlas.

Una vez más, si tenéis alguna pregunta más, no dudéis en escribirla en la ventana de preguntas y respuestas, y le plantearemos a Alex en directo algunas de las preguntas que nos estén llegando. Así que, ¿próximos pasos o llamadas a la acción, verdad? Antes bromeé un poco sobre unos deberes.

Pero, en realidad, si necesitáis más información o datos adicionales, todo el equipo está aquí para ayudaros. Por eso quería daros mi dirección de correo electrónico, la de John Lysenslee. Si tenéis alguna pregunta o queréis información adicional, no dudéis en poneros en contacto conmigo o con Alex, nuestro ponente, a través de su dirección de correo electrónico.

También contamos con Phil. Una vez más, gracias, Phil, por… Creo que te he visto responder a una de las preguntas que nos han llegado. Así que tenemos a Phil a nuestra disposición.

Además, también contamos con la presencia de David Neideffer para responder a vuestras preguntas. Así que, si surge cualquier duda o necesitáis información adicional, no dudéis en poneros en contacto con nosotros. Siguiente diapositiva.

¿Qué más se puede hacer? Se trata de una serie de tres partes. Cada parte está pensada para poder leerse de forma independiente.

Hoy ha tenido lugar la primera sesión dedicada a nuestro Actian AI Analyst. Tenemos previstas un par de sesiones más. Quizá te hayas inscrito en ellas, quizá no, pero a finales de este mes, en junio, nos centraremos en conocer mejor a tus clientes.

Pero, ¿cómo se crea un contexto en torno a eso? Vamos a pedirle a Betty que nos guíe por nuestra plataforma Actium Data Intelligence. Y más adelante, en julio, Scarlet se centrará en la observabilidad de los datos.

Así que, si aún no has asistido o si no te has inscrito, no dudes en inscribirte en esos eventos. Y, por último, antes de pasar a algunas preguntas más —siguiente diapositiva, Alex—, quiero destacar que, como habrás podido comprobar, nuestro Actian AI Analyst es muy fácil de usar. En nuestra página web encontrarás muchísima información y, además, te ofrecemos una prueba gratuita de 14 días.

Así que es muy fácil entrar en la página web y registrarse para la prueba. Dispones de 14 días para sacar partido a la tecnología. Y creo que enseguida verás lo fácil que es empezar a trabajar con tu modelo semántico y empezar a utilizar tu analista para plantear preguntas del mundo real y obtener información del mundo real.

Para que todo el mundo pueda acceder a esa versión de prueba. Ese es nuestro llamamiento a la acción. Por último, la siguiente diapositiva será la de preguntas y respuestas.

Bueno, Alex, creo que tenemos un par de preguntas, si no te importa responderlas. Y, de nuevo, para aquellos participantes que estén siguiendo el seminario en línea, si tenéis alguna pregunta, no dudéis en plantearla. Alex, aquí tienes una que nos ha llegado.

Parece que se trata de bases de datos y almacenes de datos. Dice: «¿Qué bases de datos y qué almacenes de datos es compatibles con Actian AI Analyst?». Tenemos una cobertura bastante amplia, como Snowflake, BigQuery, Databricks, Redshift, Azure, Synapse, Microsoft Fabric, es decir, toda la pila de datos moderna, y bases de datos relacionales como PostgreSQL, MySQL, MariaDB, SQL Server, ClickHouse, MotherDuck e incluso archivos CSV.

Y también nuestra propia plataforma Actian. Así que sí, una cobertura bastante amplia. Genial.

Y seguimos desarrollando nuevos conectores. Eso es estupendo. Gracias.

Una vez más, a los asistentes: si tenéis alguna otra pregunta, no dudéis en escribirla. Parece que la seguridad siempre es una prioridad, Alex, creo. Esta pregunta gira en torno a si nuestros datos están a salvo.

¿Se quedan los datos dentro o salen, básicamente, de nuestras cuatro paredes, ¿no? ¿Salen de nuestro sistema? Sí.

Bueno, primera pregunta: ¿están a salvo nuestros datos? Sí, por supuesto. ¿Y salen de nuestro sistema?

No, por supuesto. Así que tus datos nunca se copian en el sistema de Actian. El proveedor de IA solo ve las filas específicas que devuelve una consulta, no toda tu base de datos, y no se utiliza nada para entrenar modelos de IA.

Así pues, las conexiones son de solo lectura y están cifradas mediante TLS, y la plataforma cuenta con la certificación ISO 27001:2022. Genial. Creo que ya lo mencioné muy por encima cuando hablaba de la prueba gratuita de 14 días, pero se trata de una cuestión de valor, ¿no?

¿En cuánto tiempo empiezo a obtener beneficios? La pregunta es: ¿cuánto tiempo se tarda en ponerlo en marcha y cuándo empiezo a obtener beneficios? Muy buena pregunta.

Así pues, la única configuración que hay que realizar es conectarse a la fuente de datos y, a continuación, crear la capa semántica. Y, como podéis ver, lo hemos hecho en cinco minutos —sin la aceleración del vídeo— a través del agente Steward AI, ya que este ayuda a automatizarlo todo. Por lo tanto, en un caso de uso específico con una fuente de datos limpia, los equipos han conseguido poner en marcha a su primer analista de IA en uno o dos días, como máximo.

Un entorno más complejo, con muchas fuentes de datos, lleva más tiempo, pero el agente Steward acelera considerablemente la creación de la capa semántica. Así que es bastante fácil generar valor en menos de uno o dos días. Genial.

Gracias. Gracias. De nuevo, ¿alguna pregunta más?

Todavía nos quedan unos minutos. Hay algunas muy buenas. Dame un momento para echarle un vistazo a esto.

La verdad es que voy a leer primero este, y luego ya nos pondremos con eso. Tengo una duda: ¿a quién va dirigido realmente esto, Alex? ¿Para quién es?

¿Está pensado para equipos de datos? ¿Para usuarios empresariales, o en realidad para ambos? ¿A quién le resultaría útil utilizar una herramienta como Actian AI Analyst?

Puedo afirmar con claridad que sirve para ambos, y que cuentan con interfaces diferentes. El equipo de datos utiliza Studio para crear y mantener la capa semántica y configurar AI Analyst, o varios AI Analyst. Por su parte, los usuarios de negocio utilizan Explorer para formular preguntas en lenguaje natural y obtener gráficos, informes y información general.

No hace falta saber SQL. También puedes integrar el analista en tu Slack o Teams. Así que, si no quieres utilizar una nueva aplicación, disponemos de una integración específica con Slack y Teams.

Solo tienes que preguntarle y enviar un mensaje a tu IA, y ella te responderá. Eso es genial. Es genial.

Creo que Phil está respondiendo a la última pregunta, o a una de las últimas, de la ronda de preguntas y respuestas. De nuevo, si hay alguna otra pregunta, estaremos aquí durante unos dos minutos más. De lo contrario, tal y como prometí al principio de la sesión, podremos devolveros mucho tiempo.

Esperemos un minuto más o así. Y, de nuevo, para aquellos que hayáis planteado una pregunta y yo pueda habérmela pasado por alto, he estado intentando atender el chat. Sé que Phil y David se están encargando de ello.

Pero si por casualidad se nos ha pasado por alto alguna de vuestras preguntas, nos aseguraremos de dar seguimiento y abordarlas en los materiales que proporcionemos. Como he dicho, facilitaremos a los asistentes una serie de recursos, incluido el enlace a la grabación, y responderemos a cualquier otra pregunta adicional que se nos haya podido pasar por alto. Veo que Phil todavía está respondiendo a la pregunta de Yeswant, así que ten paciencia, Yeswant.

La respuesta está al caer. Es una buena respuesta. Aunque primero tengo que escribirla.

Bueno, también puedes hablar de ello en directo si quieres. Así que... Sí... tenemos un poco de tiempo.

Adelante, claro. Muy bien. Se trata de una pregunta con varias partes que nos han enviado nuestros asistentes.

Ha sido una sesión muy interesante. Una de las preguntas fue: «¿Cómo detecta y clasifica automáticamente Actian AI Analyst los datos confidenciales en fuentes estructuradas y no estructuradas?». Se trata de una pregunta con varias partes, y esta es solo la primera de varias que la componen.

Para empezar, Actian AI Analyst analiza realmente tus datos estructurados, ¿verdad? Así que no estamos necesariamente buscando en tus sistemas información personal sensible (PII) o datos sujetos al RGPD. Cuando Alex nos mostró la estructura, nuestro glosario y las definiciones de nuestras métricas, estos elementos pueden ayudar a informar al agente sobre esas políticas, definiciones y cálculos, en caso de que acabes utilizándolos.

Pero, en ese sentido, se contrapone a los datos estructurados más tradicionales, no a los no estructurados. No estamos leyendo archivos PDF para intentar averiguar si se trata o no de datos clasificados. Así que esa es la primera parte.

Además, ¿ofrece la plataforma Actian AI Analyst agentes de calidad de datos autónomos o basados en IA que puedan detectar, evaluar, supervisar y solucionar problemas relacionados con los datos? De hecho, John ya había mencionado algunos de nuestros próximos seminarios web. Próximamente celebraremos un webcast sobre la observabilidad de los datos de Actian en el que se abordará cómo abordamos los problemas relacionados con los datos.

Actian AI Analyst funciona en combinación con otros productos de la plataforma que ofrece Actian. También puede utilizarse de forma independiente como solución puntual si lo necesitas. Sin embargo, nos basamos en ese contexto empresarial que nos ayuda a generar confianza mediante el uso de datos gestionados, y contamos, dentro de nuestra gama de productos, con herramientas que te ayudan a establecer tu entorno de gobernanza de datos, el marco de trabajo y a documentar el contexto adicional.

Esas cosas se reutilizan en todas nuestras plataformas. Así que... Sí... Me ha costado más escribirlo.

Lo siento, no puedo escribir tan rápido. Está bien.

Oye, esa ha sido una buena pregunta para responder en directo, Phil. Como has dicho, era bastante detallada. Vale.

¿Algo más? ¿Alguna otra pregunta de los asistentes? Alex, enhorabuena por la presentación.

Phil, David, os agradezco que hayáis estado a cargo de la sesión de preguntas y respuestas. Para los asistentes, espero que os haya resultado útil y que estéis entusiasmados con Actian AI Analyst. Os animo a todos a que aprovechéis esa prueba gratuita de 14 días.

Inscríbete en nuestros próximos seminarios web. No dudes en ponerte en contacto con nosotros si tienes alguna pregunta. Esperaremos un minuto más a ver si llega alguna otra consulta.

De lo contrario, una vez más, os agradecemos vuestra participación y os permitiremos recuperar algo de tiempo de vuestra jornada. Muchas gracias, chicos. Genial.

Gracias a todos. Os lo agradecemos mucho. Gracias a todos.

Que paséis un buen resto del día. Adiós a todos.