Mejorando la experiencia del usuario con Inteligencia Artificial (Caso práctico, nivel medio)

Kymatio, como plataforma líder global en la gestión del ciberriesgo de empleados tiene que dar respuesta a múltiples requisitos. Entre muchas líneas de trabajo, y en particular la que nos interesa para el presente artículo, determina las necesidades de fortalecimiento y ciberconcienciación de las personas que trabajan en las empresas de nuestros clientes, potenciando la postura de ciberseguridad y sumando a la ecuación la última variable: el factor humano.

Inteligencia artificial aplicada al factor humano

Al igual que otras plataformas de gran potencia que incorporan Inteligencia Artificial (IA), debemos procesar completos data lakes para aprender de las correlaciones que contienen. En nuestro caso, el reto es determinar la probabilidad de que un usuario pertenezca a una determinada “familia de necesidades” o grupo de riesgo interno (GRI). Cada GRI se enfrenta a problemas potenciales de seguridad de la información y, por tanto, lleva asociadas medidas de apoyo, formación y concienciación específicas y personalizadas.

Para ello, es fundamental contar con datos del empleado: algunas costumbres, características personales y detalles sobre su puesto. Cuanta más información tenga la plataforma, más preciso será el perfilado y mayor el nivel de personalización de las acciones recomendadas.

Machine Learning para personalizar y reducir incógnitas

En este caso, la clave es el aprendizaje automático o Machine Learning (ML), que permite enseñar a las computadoras a reconocer patrones y tomar decisiones más rápido y con mayor precisión que los humanos. Al perfilar las necesidades de fortalecimiento de una persona, obtener información es una tarea poliédrica: se requiere un gran volumen de elementos que puede ser complejo recopilar.

Kymatio aplica técnicas de ML para reducir ese conjunto de incógnitas. Por ejemplo, cuando un chatbot interactúa con un usuario en una entrevista virtual, la base ML puede guiar la conversación hacia las siguientes preguntas relevantes mediante una función de autocompletado, reduciendo así la duración de la entrevista y evitando formular preguntas redundantes gracias a las correlaciones ya detectadas.

Association Rule Mining

Entre las herramientas posibles de ML, existen técnicas diversas para encontrar correlaciones entre ítems, como Matriz de Correlación, WOE/IV, Feature Importance, PCA, entre otras. En Python, por ejemplo, un Decision Tree puede capturar las características más relevantes y su peso en el modelo.

Para este problema, resulta especialmente útil el Association Rule Mining. Modelos como APRIORI o FP-growth permiten detectar regularidades en “cestas de la compra” de transacciones, aplicables en ámbitos como la recomendación de productos, películas, tarifas o medidas de ciberseguridad.

Ejemplo práctico: IF Cebollas Y patatas → ENTONCES Burger

Una regla típica podría ser:
"{onions, potatoes} → {burger}"
Es decir, si un cliente compra cebollas y patatas, probablemente comprará carne picada. En ciberseguridad, este principio puede aplicarse para recomendar la respuesta más probable antes de que el usuario lea la pregunta, optimizando así cuestionarios y evaluaciones.

Con un dataset de respuestas, se crean ítems concatenando la clave de la pregunta con el valor contestado. Luego, con librerías como Efficient APRIORI en Python, se procesan los datos para obtener las reglas de asociación.

Resultados y aplicaciones

Por ejemplo:
"{s09_A} → {s56_A} (conf: 0.949)"
Esto indica que si un usuario responde “A” a la pregunta s09, es muy probable que también responda “A” a la s56. Con esta información, se pueden diseñar motores de autocompletado, predictores de probabilidad o evaluadores adaptativos.

Cuatro tareas clave para implementar la solución

1. Persistir las reglas de asociación en un sistema de caché (como Redis) en un formato comprensible para el backend.
2. Devolver al frontend el valor recomendado.
3. Guardar en base de datos el valor recomendado y el utilizado por el usuario.
4. Automatizar el proceso periódico de generación de reglas.