NATURGY

Resum

A Naturgy estem desenvolupant un sistema d’agents basat en intel·ligència artificial per donar suport a la presa de decisions en el trading de gas natural liquat (GNL).

La solució se centra a analitzar carregaments de gas previstos a futur que encara no estan compromesos amb un client concret i ajudar a determinar quin pot ser el moment i el mercat més adequats per a la seva venda. El sistema avalua si convé comprometre un carregament al preu disponible en aquell moment o mantenir-lo obert davant la possibilitat de vendre’l posteriorment en condicions més favorables.

Per fer-ho, els agents combinen informació de mercat, dades, documentació especialitzada i coneixement expert dels traders per generar recomanacions acompanyades d’evidències i raonaments. L’objectiu és aportar una capa addicional d’anàlisi que ajudi el trader a valorar diferents alternatives, mantenint sempre la decisió final en mans de l’equip expert.

Repte

Un dels principals reptes del projecte era aconseguir que aquest coneixement expert acumulat pels traders es pogués incorporar progressivament al sistema. No n’hi havia prou amb analitzar dades o informació externa: perquè les recomanacions fossin realment útils, calia aprendre també de com els traders valoren, corregeixen o descarten les prediccions generades pels agents.

Per fer-ho, vam plantejar un model d’aprenentatge basat en el feedback expert:

- Un sistema perquè els traders puguin valorar i aportar feedback sobre les recomanacions generades.
- Pantalles de calibratge que permeten revisar i analitzar manualment aquest feedback.
- Un agent especialitzat a processar l’històric recent de valoracions i detectar possibles aprenentatges.
- Una base de coneixement mantinguda pel sistema, sobre la qual l’agent proposa canvis a partir del feedback rebut.

El repte consisteix, per tant, a combinar informació de mercat amb coneixement expert i convertir el feedback dels traders en un mecanisme de millora contínua, mantenint alhora la traçabilitat i el control sobre com evoluciona el comportament del sistema.

Solució

Vam abordar el projecte mitjançant un enfocament exploratori i iteratiu, construint una plataforma preparada per provar, validar i evolucionar diferents estratègies d’anàlisi amb IA.

La solució combina:
- Agents especialitzats capaços d’analitzar dades, senyals de mercat i diferents alternatives per donar suport a la decisió sobre quan i en quin mercat comprometre carregaments futurs.
- Ingesta i processament d’informació procedent d’APIs, documents i fonts estructurades i no estructurades.
- Coneixement de domini per ajudar els agents a interpretar quins esdeveniments i variables poden resultar rellevants.
- Generació de recomanacions acompanyades del seu raonament, evidències i fonts d’informació.
- Una capa de supervisió capaç de relacionar la informació i els senyals generats per diferents agents.
- Una aplicació per visualitzar informes, recomanacions i evidències.
- Un model human-in-the-loop que permet als traders valorar les recomanacions, revisar el feedback mitjançant pantalles de calibratge i alimentar un agent especialitzat que proposa millores sobre la base de coneixement del sistema.

Treballem en cicles curts juntament amb l’equip de Naturgy, prioritzant l’experimentació, la validació amb experts i l’aprenentatge abans que construir des de l’inici una solució tancada.

Resultats

El projecte ha permès convertir una hipòtesi inicial sobre l’ús de la IA en trading en un sistema funcional sobre el qual ja és possible experimentar amb agents, dades i coneixement de negoci. Hem aconseguit:

- Definir i acotar un cas d’ús inicialment molt obert.
- Orientar el sistema a generar recomanacions sobre el moment i el mercat més adequats per comprometre carregaments futurs.
- Construir la base funcional de l’aplicació i del sistema d’agents.
- Integrar diferents fonts d’informació i mecanismes de càrrega documental.
- Incorporar traçabilitat per entendre les evidències utilitzades i el raonament de cada recomanació.
- Establir un sistema estructurat de feedback i calibratge amb els traders.
- Crear un mecanisme per convertir aquest feedback en propostes d’evolució de la base de coneixement.
- Preparar una arquitectura capaç d’evolucionar cap a nous agents, fonts i estratègies d’anàlisi.

El resultat és una base tecnològica que permet a Naturgy avaluar amb evidències el potencial real de la intel·ligència artificial aplicada al trading de GNL, avançant progressivament cap a un sistema de suport a la decisió cada vegada més robust i alineat amb el coneixement expert dels seus traders.