Cuando era chico y mis preferencias estaban aún en estado de lava líquida, verificaba mi temprana apreciación estética (música, cine, literatura, arte) con una pregunta simple dirigida a mi madre: ¿esto es bueno o malo? No recuerdo si su respuesta determinaba mi gusto, pero sospecho que éste no se definía totalmente hasta no tener la sanción maternal (o, en su defecto, la de alguna pesada enciclopedia). Con el tiempo, estas asociaciones entre estímulo y respuesta (entre lo que yo sentía y lo que mi madre opinaba) fueron la base para forjar un gusto más personal (o eso querría creer).
Este proceso de asociación (en rigor, correlación) no es muy distinto del que subyace a la “educación de la máquina” (machine learning), pilar de la inteligencia artificial. El robot puede estar supervisado por un instructor o actuar libremente en la búsqueda de correlaciones que mapeen el estímulo en la respuesta, e incluso puede aprender de sus errores o a detectar patrones cambiantes después de muchos ensayos. El aprendizaje es arduo y exhaustivo. De ahí la aceleración del proceso cuando el robot accede a datos masivos online potenciados por la capacidad de cómputo de servidores en red disponibles en la nube.
Un ejemplo de este principio de correlación es el traductor de Google, que aprende de comparar documentos traducidos por humanos en distintas lenguas. Una piedra de Rosetta con muchos documentos en muchos idiomas.
El mismo principio está detrás de Watson (el robot que venció en el programa de preguntas Jeopardy! y que hoy “complementa” al médico en el diagnóstico de enfermedades), Cyborg (el software que supervisa decenas de miles de servidores desplazando a miles de empleados) o del auto sin conductor (que elimina al chofer).
En la misma línea, WorkFusion gestiona la ejecución de proyectos trabajo-intensivos combinando automatización y tercerización abierta (crowdsourcing), para lo que busca y evalúa a cuentapropistas y distribuye tareas por desempeño. Si bien el programa reemplaza empleo fijo por empleo flexible, esta sustitución (parcial) es dinámica: el robot aprende de los temporarios, que lo entrenan sin saberlo y, al hacerlo, se vuelven redundantes. Los optimistas de la robotización suelen entusiasmarse con el ajedrez estilo libre apadrinado por Garry Kasparov, donde la interacción de máquina y jugador probó ser, hasta ahora, superior al mejor de los programas. Pero esta utopía de cooperación hombre-robot es insuficiente: en los pocos empleos en los que funciona es probable que, como en WorkFusion, el humano entrene inadvertidamente a su reemplazo.
¿Más ingenieros? El patrón reciente de sustitución de empleo calificado es un golpe al corazón de la educación 2.0 –que suscribo–, que propone sumar formación para lograr una oferta de empleo más intensiva en conocimiento. (Curiosamente, esta distopía digital tiene una ventaja inmediata aunque transitoria para la Argentina: la digitalización abarata el offshoring, facilitando la competencia internacional por la menguante demanda de empleo calificado y contribuyendo a la igualación global del salario.)
¡Siempre tendremos la creatividad y la invención para diferenciarnos de nuestro doble mecánico!, nos consolamos a esta altura de la nota. Pero leemos que Iamus, computadora de la Universidad de Málaga, estrenó en 2012 la pieza musical Transits –según la crítica de la BBC, “encantadora y artística”–. Y que la página de The Painting Fool, bot programado por Simon Colton de la Universidad Londres, postea (y comercializa) creaciones de este artista virtual. Y que Eureqa, programa del Creative Machines Lab de la Universidad de Cornell, tardó apenas dos horas en inferir la segunda ley de la mecánica de Newton jugando con un péndulo.
Es ahí cuando empezamos a dudar sobre si el Sheldon sentado a nuestro lado en la barra del Starbucks es un prototipo, y nosotros participantes involuntarios de una prueba de Turing. O viceversa.
*Economista y escritor.
