TensorFlow, la librería de código abierto de Google para acelerar la adopción de la IA

TensorFlow es una librería de ‘software’ gratuita y de código abierto utilizada en el entrenamiento de modelos de aprendizaje profundo (‘deep learning’), una disciplina más específica dentro del campo del machine learning (ML). Esta herramienta permite diseñar, entrenar y evaluar el rendimiento de redes neuronales, modelos computacionales capaces de identificar patrones y extraer conclusiones a partir de grandes volúmenes de datos.

Fue desarrollada por Google Brain, el equipo de investigación en IA y aprendizaje profundo de la división Google AI, inicialmente como un sistema propietario para uso interno de la compañía en el desarrollo de redes neuronales. En 2015, Google lanzó TensorFlow como ‘software’ de código abierto y, en 2019, presentó TensorFlow 2.0, una versión orientada a mejorar la facilidad de uso. Desde entonces, la herramienta ha seguido evolucionando mediante actualizaciones periódicas, siendo la última versión Tensorflow 2.20 y sus sucesivas actualizaciones (segunda mitad de 2025).

¿Para qué se utiliza TensorFlow?

“TensorFlow permite crear modelos adaptados a diferentes entornos y casos de uso desde cero, así como utilizar modelos preentrenados que pueden ajustarse fácilmente a necesidades específicas mediante ‘transfer learning', explica David Muelas, científico de datos en BBVA AI Factory.

Además, al tratarse de una librería con foco en el aprendizaje profundo (Deep Learning), “está diseñada para la creación de modelos capaces de obtener mejores resultados a los del Machine Learning tradicional en entornos en los que hay amplia disponibilidad de dato”, añade Marcos Galletero, también científico de datos en BBVA AI Factory.

“Es una herramienta muy flexible, que se adapta bien a las necesidades particulares de las organizaciones o de los productos que se quieren desarrollar. Además, cuenta con un amplio soporte y puede integrarse fácilmente con los componentes más habituales del ecosistema de desarrollo de soluciones de inteligencia artificial. Por todo ello, es una librería muy versátil para abordar distintos tipos de problemas —como análisis predictivo, personalización, automatización, procesamiento del lenguaje natural o visión artificial—, contribuyendo a mejorar la eficiencia y la competitividad empresarial”, concluye Muelas.

¿Cómo puede ayudar TensorFlow a las empresas?

La inteligencia artificial y el 'deep learning' son aliados clave para mejorar las capacidades de analítica avanzada de datos, la predicción de tendencias y la automatización de tareas. Herramientas como TensorFlow, que amplían las capacidades de las empresas para desarrollar y desplegar modelos de datos, actúan como facilitadores y aceleradores de la adopción de la IA en el ámbito empresarial.

Por ejemplo, TensorFlow permite entrenar modelos para el reconocimiento de imágenes. Entre los casos de uso más conocidos se encuentran iniciativas como la de Coca-Cola, que empleó modelos basados en redes neuronales convolucionales (CNN, por sus siglas en inglés) desarrollados con TensorFlow para analizar fotografías enviadas por usuarios como prueba de compra en campañas promocionales.

Los modelos entrenados con TensorFlow también pueden aplicarse al análisis del lenguaje natural. Además de impulsar soluciones como chatbots o sistemas de análisis de sentimiento orientados a mejorar la atención al cliente, esta tecnología se ha utilizado para desarrollar mecanismos de moderación de contenidos, capaces de detectar mensajes ofensivos o inapropiados en entornos digitales.

TensorFlow cuenta asimismo con aplicaciones relevantes en sectores como el de la salud. Sus modelos se han utilizado como apoyo al diagnóstico temprano de enfermedades (como la retinopatía diabética) y para ayudar a interpretar resultados de pruebas médicas, radiografías u otros estudios clínicos, siempre como complemento a la labor de los profesionales sanitarios.

A estos ejemplos se suman otros usos consolidados en ámbitos como la personalización de contenidos y recomendaciones (por ejemplo, en plataformas digitales y de comercio electrónico), la detección de fraude financiero o la optimización de procesos operativos, donde TensorFlow permite analizar grandes volúmenes de datos y extraer patrones de valor para la toma de decisiones.

El uso de TensorFlow en el sector bancario

En el ámbito bancario, distintas entidades internacionales han recurrido a frameworks de ‘deep learning’ como TensorFlow para desarrollar soluciones avanzadas basadas en datos:

• JPMorgan Chase: detección de fraude y análisis automatizado de documentos financieros.
• Capital One: personalización de productos y modelos de riesgo crediticio.
• ING: optimización de procesos y prevención del fraude mediante IA.
• HSBC: monitorización de transacciones y lucha contra el blanqueo de capitales.

Hay que tener en cuenta, no obstante, que a la hora de implementar esta herramienta en una compañía “el uso de TensorFlow tiene una curva de aprendizaje inicial (aunque suavizada por las últimas actualizaciones añadidas por Google) que hace que, para sacar el máximo rendimiento de su uso, sea necesario un periodo de formación”, recuerda Muelas, de BBVA AI Factory.

El caso de BBVA con TensorFlow

BBVA AI Factory, la unidad de desarrollo y creación de nuevas capacidades de inteligencia artificial de BBVA, emplea esta librería de código abierto como parte de su labor para poner la IA al servicio de una banca mejor, junto a otras librerías como PyTorch o Mercury, una librería de código desarrollada de forma interna. “En BBVA AI Factory desarrollamos productos de datos que dan respuesta a distintas necesidades de negocio. Hemos incorporado TensorFlow para la implementación de varios modelos basados en redes neuronales artificiales”, explica Galletero.

“Sin duda, la potencia y versatilidad de TensorFlow es una de las razones principales por las que hemos utilizado esta librería”, destaca el ‘data scientist’. “Estos modelos no solo permiten reutilizar el código, sino también la inteligencia generada a la hora de realizar un entrenamiento para un caso de uso determinado”.

BBVA AI Factory apuesta por la reutilización, ya que ayuda a reducir los tiempos y costes de desarrollo, por lo que las librerías ‘open source’ juegan un papel muy relevante. Así, en 2023 BBVA AI Factory compartió la librería Mercury con la comunidad de desarrolladores.

En concreto, los 'data scientists' de BBVA AI Factory utilizan TensorFlow para desarrollar modelos predictivos que aportan a los clientes de BBVA un mayor control sobre eventos que pueden afectar a su situación financiera. “Tenemos un modelo que proporciona estimaciones sobre la evolución futura del saldo en las cuentas de los clientes, ofreciendo además rangos de incertidumbre. Este modelo, basado en una red neuronal recurrente, se aplica para avisar a los clientes cuando se detecta que su saldo ha cambiado de forma diferente a lo esperado”, indica Muelas. Esto hace posible, por ejemplo, funcionalidades de la ‘app’ de BBVA que estiman el saldo disponible en la cuenta de un usuario a final de mes. BBVA también utiliza este tipo de modelos para anticipar movimientos futuros y alertar a los usuarios ante la posibilidad de incurrir en descubiertos.

Otro de los productos en los que trabajan los científicos de datos de BBVA AI Factory con ayuda de TensorFlow es el modelo de categorización de agregados, que permite a los usuarios agrupar sus movimientos financieros para llevar un mejor control de sus finanzas. De este modo, los clientes de BBVA pueden acceder desde la ‘app’ a una visión global de su situación financiera (incluidos los movimientos de cuentas de otras entidades), lo que les facilita comprender de un solo vistazo sus ingresos y gastos, identificar en qué categorías (moda, ocio o alimentación) concentran mayor gasto, evaluar su capacidad de ahorro o incluso conocer información relacionada con su huella de carbono.

“También hemos utilizado TensorFlow para el desarrollo de modelos de personalización y recomendación de contenidos”, añade Muelas. “Al final, la flexibilidad que proporciona esta librería al definir el objetivo del modelo (a través de la configuración de las funciones de error que se utilizan) hace que se pueda aplicar a numerosos casos de uso”.

En resumen, herramientas como TensorFlow resultan clave para el desarrollo de nuevas capacidades de inteligencia artificial basadas en el aprendizaje profundo, con aplicaciones tanto para empresas como para particulares. En el ámbito de la banca, se convierten en un aliado relevante para ayudar a los usuarios a conocer y mejorar su salud financiera, comprender de forma transversal sus finanzas y actuar de manera anticipada para prevenir riesgos.