NATURGY

Resumen

En Naturgy estamos desarrollando un sistema de agentes basado en inteligencia artificial para apoyar la toma de decisiones en el trading de gas natural licuado (GNL).

La solución se centra en analizar cargamentos de gas previstos a futuro que todavía no están comprometidos con un cliente concreto y ayudar a determinar cuál puede ser el momento y el mercado más adecuados para su venta. El sistema evalúa si conviene comprometer un cargamento al precio disponible en ese momento o mantenerlo abierto ante la posibilidad de venderlo posteriormente en condiciones más favorables.

Para ello, los agentes combinan información de mercado, datos, documentación especializada y conocimiento experto de los traders para generar recomendaciones acompañadas de evidencias y razonamientos. El objetivo es aportar una capa adicional de análisis que ayude al trader a valorar distintas alternativas, manteniendo siempre la decisión final en manos del equipo experto.

Reto

Uno de los principales retos del proyecto era conseguir que ese conocimiento experto acumulado por los traders pudiera incorporarse progresivamente al sistema. No bastaba con analizar datos o información externa: para que las recomendaciones fueran realmente útiles, era necesario aprender también de cómo los traders valoran, corrigen o descartan las predicciones generadas por los agentes.

Para ello, planteamos un modelo de aprendizaje basado en el feedback experto:

- Un sistema para que los traders puedan valorar y aportar feedback sobre las recomendaciones generadas.
- Pantallas de calibración que permiten revisar y analizar manualmente ese feedback.
- Un agente especializado en procesar el histórico reciente de valoraciones y detectar posibles aprendizajes.
- Una base de conocimiento mantenida por el sistema, sobre la que el agente propone cambios a partir del feedback recibido.

El reto consiste, por tanto, en combinar información de mercado con conocimiento experto y convertir el feedback de los traders en un mecanismo de mejora continua, manteniendo al mismo tiempo la trazabilidad y el control sobre cómo evoluciona el comportamiento del sistema.

Solución

Abordamos el proyecto mediante un enfoque exploratorio e iterativo, construyendo una plataforma preparada para probar, validar y evolucionar diferentes estrategias de análisis con IA.

La solución combina:
- Agentes especializados capaces de analizar datos, señales de mercado y distintas alternativas para apoyar la decisión sobre cuándo y en qué mercado comprometer cargamentos futuros.
- Ingesta y procesamiento de información procedente de APIs, documentos y fuentes estructuradas y no estructuradas.
- Conocimiento de dominio para ayudar a los agentes a interpretar qué acontecimientos y variables pueden resultar relevantes.
- Generación de recomendaciones acompañadas de su razonamiento, evidencias y fuentes de información.
- Una capa de supervisión capaz de relacionar la información y las señales generadas por distintos agentes.
- Una aplicación para visualizar informes, recomendaciones y evidencias.
- Un modelo human-in-the-loop que permite a los traders valorar las recomendaciones, revisar el feedback mediante pantallas de calibración y alimentar a un agente especializado que propone mejoras sobre la base de conocimiento del sistema.

Trabajamos en ciclos cortos junto al equipo de Naturgy, priorizando la experimentación, la validación con expertos y el aprendizaje antes que construir desde el inicio una solución cerrada.

Resultados

El proyecto ha permitido convertir una hipótesis inicial sobre el uso de IA en trading en un sistema funcional sobre el que ya es posible experimentar con agentes, datos y conocimiento de negocio. Hemos conseguido:

- Definir y acotar un caso de uso inicialmente muy abierto.
- Orientar el sistema a generar recomendaciones sobre el momento y mercado más adecuados para comprometer cargamentos futuros.
- Construir la base funcional de la aplicación y del sistema de agentes.
- Integrar diferentes fuentes de información y mecanismos de carga documental.
- Incorporar trazabilidad para entender las evidencias utilizadas y el razonamiento de cada recomendación.
- Establecer un sistema estructurado de feedback y calibración con los traders.
- Crear un mecanismo para convertir ese feedback en propuestas de evolución de la base de conocimiento.
- Preparar una arquitectura capaz de evolucionar hacia nuevos agentes, fuentes y estrategias de análisis.

El resultado es una base tecnológica que permite a Naturgy evaluar con evidencia el potencial real de la inteligencia artificial aplicada al trading de GNL, avanzando progresivamente hacia un sistema de apoyo a la decisión cada vez más robusto y alineado con el conocimiento experto de sus traders.