La tecnología está en todos lados, aunque no nos demos cuenta. Las máquinas ven, escuchan, interpretan, analizan. Pero, ¿pueden pensar? Responder esta pregunta podría llevarnos páginas y páginas de complejos razonamientos filosóficos. Así que, en este libro, haremos lo que decían los medievales, que luego inspiraron a Isaac Newton, “vamos a pararnos sobre hombros de gigantes”. El primer gigante que nos guiará en este recorrido, es alguien que quizá conozcan: Alan Turing.
En 1950 el aparato científico-tecnológico de las grandes potencias, estaba principalmente concentrado en cosas como evitar un apocalipsis nuclear o, al menos, no estar dentro del bloque perjudicado. Por esto, las estrellas de rock de la investigación científica, eran aquellos que se dedicaban a cosas como la energía nuclear, la construcción de misiles o, eventualmente, la construcción de refugios lo suficientemente resistentes como para resistir el impacto de una bomba atómica.
Mientras tanto, desde un laboratorio de la Universidad de Manchester, el matemático británico Alan Turing, se hacía otro tipo de preguntas. Preguntas que miraban algunas décadas más adelante que sus colegas y que, por eso mismo, fueron bastante ignoradas en un principio. Desde luego, no podríamos acusarlo –como seguramente habrán hecho en ese momento muchos de sus colegas–, de vivir alejado de la realidad. Turing tuvo una corta, pero fascinante vida que, probablemente, muchos recuerden gracias al personaje que inmortalizó Benedict Cumberbacht en la película Código Enigma de 2014. Durante la Segunda Guerra Mundial, y prestando servicios al Ejército británico, Alan Turing inventó una máquina que logró descifrar los mensajes secretos que enviaban los alemanes a través del famoso, y hasta el momento indescifrable, “código enigma”. En 1943, llegó a interpretar 84 mil mensajes al mes y éste fue uno de los elementos cruciales para la victoria aliada. A esta máquina, paradójicamente, la llamó bomba, anticipando que la información puede ser la más poderosa de las armas.
Pero volvamos a 1950. Como decía, los mensajes secretos y los mecanismos de encriptación habían pasado de moda. En el mundo seguía habiendo una guerra que ganar, pero la clave ya no estaba en los espías, sino en las armas de destrucción masiva. La atención enfocaba hacia otro lado. Sin embargo, en ese mítico laboratorio de la Universidad de Manchester, se estaba gestando una de las preguntas que hasta el día de hoy resulta clave para reflexionar sobre el futuro de la humanidad. Antes de que la infinita estupidez humana acabara con su vida pública y física, el matemático dejó a nuestra especie otro crucial aporte para el futuro: el Test de Turing. Aunque parezca increíble, hacia fines de la década de 1940, casi diez años antes de que se hablara por primera vez de Inteligencia Artificial a Turing lo desvelaba la pregunta sobre la capacidad (o no) de pensar de las máquinas.
“¿Pueden pensar las máquinas?” Para responder a esa pregunta, nuestro guía comenzó haciendo lo que cualquier manual de metodología de la investigación científica diría: primero deberíamos definir qué es efectivamente “pensar”. Como buen matemático, para Turing pensar es básicamente calcular. Y aquí podríamos hacer una primera observación, humilde, a nuestro gigante: ¿pensar es solamente calcular? En principio, y sin voluntad de agotar esta discusión en estas páginas, los seres humanos hacemos mucho más que calcular. De hecho, muchas de las cosas que hacemos (como escribir este libro, por ejemplo), no deriva de un cálculo racional. Pero, al fin y al cabo, hay tantas definiciones de pensamiento como escuelas filosóficas y disciplinas científicas nos imaginemos. Para nuestro primer guía, “una computadora puede ser considerada inteligente si logra engañar a una persona haciéndole creer que es humana”.
Si tomamos esta definición, podríamos decir que las computadoras ya son inteligentes, y lograron pasar el Test de Turing. Hay diversos ejemplos de cómo algunos bots o sistemas de Inteligencia Artificial pueden mantener conversaciones fluidas con humanos. Pero, coincidamos o no con esta idea de inteligencia o de pensamiento, lo importante es entonces plantearnos la pregunta que desvelaba a Turing: ¿piensan o no piensan las computadoras? Ésta es la cuestión. Retomemos la pregunta que nos hicimos hace unos párrafos: hoy las computadoras pueden escuchar, ver, hablar, procesar información y, sobre esta base, tomar decisiones. Pero, ¿pueden pensar?
Hacernos las preguntas correctas
“Las máquinas son inútiles”, esa fue la respuesta que dio nuestro segundo guía, Pablo Picasso, cuando le preguntaron, en 1970, qué pensaba de las novedosas computadoras que, por ese entonces, captaban la atención del mundo. Una primera reacción ante semejante afirmación bien podría ser: ¿qué sabrá este tipo del siglo XIX sobre las computadoras?
Pero la forma en que siguió dando su respuesta, quizá nos ofrezca algunas pistas para responder esta pregunta. Ante la perplejidad del interlocutor, agregó rápidamente: “Las máquinas son inútiles, sí. Pues solo pueden darnos respuestas”.
Los humanos, por el contrario, tenemos la asombrosa capacidad de hacernos preguntas. A veces, la genialidad se encuentra en la capacidad de hacerse las preguntas correctas. Las computadoras aprenden de la misma forma que lo hacen la mayoría de los seres humanos: por experiencia. Y en función de la misma, brindan respuestas lógicas. Pero nuestra capacidad humana de hacernos preguntas que podrían sonar ilógicas, nos lleva muchas veces a tomar decisiones que cambian el rumbo de la humanidad. Y si no me creen, miren a Turing.
Por eso, a lo largo de este libro buscaremos dar respuesta a algunas de las grandes preguntas que existen sobre el mundo de la inteligencia artificial. Pero no solo eso: muchas veces demandamos demasiadas respuestas cuando en realidad lo que necesitamos es seguir haciéndonos preguntas, eso es lo que nos permite avanzar. (…)
¿Piensan las máquinas? ¿Nos liberan para ser más humanos? ¿En qué nos distinguimos de ellas? ¿Cómo evolucionaron?, ¿hasta dónde pueden llegar?, ¿van a reemplazarnos?, ¿en qué habilidades?, ¿surgirán nuevas habilidades humanas?, ¿cuáles? Después de todo, detrás de la tecnología, hay humanos, así que la cuestión es intentar despejar el camino para detenernos a pensar cuál será el rumbo de la evolución humana y cuál el de la evolución tecnológica. Un riesgo es caer en el autoengaño de creer que las máquinas serán un reemplazo sustitutivo absoluto. Sin embargo, el avance tecnológico nos sitúa en un nuevo estadio humano, y la intención es, entonces, reflexionar acerca de este intercambio y sus áreas de complemento y/o reemplazo. ¿Cuáles serán las tareas que estarán “en manos” de las máquinas?
Las leyes de la robótica
En 1999, se estrenó la película El hombre Bicentenario, dirigida por Chris Columbus y protagonizada por Robin Williams. Este filme, basado en el libro del mismo nombre y escrito por Isaac Asimov y Robert Silverlberg, relata la historia de Andrew, un robot doméstico que, luego de ser adquirido como sirviente de una familia tipo norteamericana, comienza a desarrollar emociones humanas y una inusual capacidad creativa. Progresivamente, Andrew se va volviendo cada vez más humano por lo que intenta ser reconocido como tal en el Congreso mundial. En ese tránsito hacia la humanización, el robot comienza a procesar diversos estímulos y sensaciones que hacen sus incipientes emociones aún más intensas, volviéndolo más vulnerable ante situaciones como la muerte de un ser querido.
Primera enseñanza: cuanto más humano, más vulnerable.
Luego de varios intentos infructuosos para adquirir reconocimiento legal como ser humano y una historia de amor mediante, Andrew Martin llega a una conclusión: la única forma de ser declarado humano es dejar de lado el privilegio de la inmortalidad que le confería ser un robot. Segunda enseñanza: a diferencia de las máquinas, los seres humanos, somos, por definición, finitos.
Así es: finitos y vulnerables. Así somos los seres humanos y, por eso, la supervivencia es un pilar fundamental de nuestra vida. Sobrevivir es nuestra obsesión. Pero con las máquinas no pasa lo mismo. De hecho, hacia el principio de la película, apenas el robot NDR, que luego se convirtiera en Andrew, llega en una caja a la casa de la familia Martin, lo primero que hace es recitar a Richard (el padre de familia), las tres leyes de la robótica.
*Primera ley de la robótica: un robot no puede hacer daño a un ser humano o, por inacción, permitir que un ser humano sufra daño.
*Segunda ley de la robótica: un robot debe obedecer las órdenes dadas por los seres humanos, excepto si estas órdenes entrasen en conflicto con la primera Ley.
*Tercera ley de la robótica: un robot debe proteger su propia existencia en la medida que esta protección no entre en conflicto con la primera o la segunda ley.
En el caso de los humanos, por el contrario, la protección de la propia existencia está por encima de cualquier otra ley. Incluso, en muchos casos, por encima de la posibilidad de hacer daño a otro ser humano. Es por esto, entre muchas otras cosas, que tenemos miedo a los grandes cambios que impulsa la tecnología: somos finitos y vulnerables. Necesitamos sobrevivir, y todo aquello que ponga en amenaza, al menos potencialmente, nuestra existencia y nuestro bienestar, despierta nuestra lógica desconfianza. Pero hay cambios que no podemos evitar y olas que no podemos detener, por eso, aprender a sobrevivir en un mundo de Inteligencia Artificial resulta de vital importancia para todos los que, ahora, estamos habitando el planeta. (…)
¿Qué es Big Data y qué no?
Muy probablemente hayas escuchado alguna vez hablar sobre Big Data. Y, al mismo tiempo, también es probable que no te sea del todo sencillo definirlo, y esto tiene que ver con que es un término demasiado general, que intentaremos precisar lo más posible en estas páginas.
Si el mundo fuera un lugar sencillo, este capítulo podría ser el más corto de todo el libro. Cualquier persona que pueda comprender la frase “the cat is under the table”, también podría hacer una sencilla traducción. Literalmente Big Data significa “grandes datos” o “datos en grandes cantidades”, y con esto se terminaría el asunto. Pero tampoco es tan así. Como dice Walter Sosa Escudero, una de las personas que más sabe sobre Big Data en América Latina, “el término Big Data es en sí mismo jerga”. Es decir que es un concepto técnico, casi imposible de traducir y muy difícil de explicar, que solo puede ser comprendido en su contexto y que una buena parte de la gente que lo utiliza, lo hace para parecer un poco más inteligente.
Ahora bien, otra opción cuando escuchemos que alguien habla de Big Data, es que nos da la sensación de que está haciendo referencia a una tecnología. O más bien, de una innovación tecnológica que está atada a la Cuarta Revolución Industrial y a la economía 4.0 y cuya particularidad sería que permite analizar datos en grandes cantidades.
Ambas definiciones son correctas, y son indisociables una de la otra. Sí, Big Data son muchos datos.
Y, sí, Big Data también es una tecnología. Justamente porque el concepto técnico de Big Data hace referencia tanto al volumen de los datos (muchos, muchísimos, demasiados) y al tipo de los datos (obtenidos por medio de tecnologías relacionadas a la Cuarta Revolución Industrial). Dicho de otro modo: tres datos obtenidos por un celular no son Big Data, como tampoco es Big Data un millón de datos anotados a mano en una gran planilla. Pero la combinación de ambos fenómenos sí lo es.
Por eso, para hablar de Big Data necesitamos tanto la cantidad o el volumen, como la tecnología que le da origen y permite administrarlo. (…)
Big Data y las cinco “V”
“Big Data es aquel proceso de recolección y análisis de grandes cantidades de información mediante elementos tecnológicos interconectados”. Sí, lo sabemos. Imagino que tu primera reacción, si no estás familiarizado con el tema es: “Ah, ¿esto era?”. Y si estás interiorizado en el mundo del Big Data, probablemente estés pensando “Mmmm, no exactamente”. Cada uno tendrá la suya. Espera, no cierres el libro ni lo arrojes contra el suelo, quizás todavía estoy a tiempo de convencerte para que leas un poco más.
Lo que hace genuinamente diferente al Big Data respecto a otro tipo de formas que se suelen usar para gestionar y analizar datos, radica en una de las claves de su definición: las famosas cinco V. Antes de mencionarlas, es importante recordar que originalmente empezaron siendo tres, y en algunos casos llegaron hasta el insólito pico cuasibitcoinero de 42 (incluyendo las increíbles, pero reales “vocabulario”, “vudú” y “viscosidad” y “vainilla”). Estos términos son: Volumen, Velocidad, Variedad, Veracidad y Valor.
Por volumen estamos haciendo referencia a las exorbitantes cantidades de datos que se manejan y que no podrían ser administradas con la tecnología que teníamos hace unos años. Por variedad, entendemos que la información que usamos en Big Data proviene de diversas fuentes, lo que hace que los análisis que desarrollemos sean mucho más ricos que antes. Así, por ejemplo, una compañía podría cruzar los datos de las ventas de un determinado semestre que está en su sistema de relacionamiento con clientes (CRM), incluyendo comentarios de satisfacción o insatisfacción de los compradores, datos de geolocalización de las compras, imágenes satelitales, textos extraídos a partir de archivos de audio o estadísticas de precios de mercado, todos obtenidos por diferentes medios. Por último, la velocidad de procesamiento de grandes cantidades de datos es una de las características definitorias que hacen diferente al Big Data.
Hasta aquí, las famosas y tradicionales tres V. Pero, aunque no vamos a desarrollar otras “V” como Vainilla o Vudú, si nos interesa concentrarnos en dos más, que realmente hacen la diferencia a la hora de definir este complicado concepto: veracidad y valor. La confianza en los datos es cada vez más importante, ya que, debido a sus cada vez más variadas aplicaciones, que se ajusten a la realidad puede ser definitorio en procesos tan delicados como la organización sanitaria de todo un distrito. Por último, los datos tienen que ser útiles para tomar mejores decisiones. Perder esto de vista, podría llevarnos a realizar esfuerzos y gastos innecesarios.
Hasta acá pudimos desarrollar cuatro ideas muy sencillas, pero que son fundamentales para entender, con bases sólidas, aquellos fenómenos que están generando lo que probablemente es una de las mayores –si no es la mayor–, revolución tecnológica de la historia:
> Las máquinas “piensan” de forma distinta a los seres humanos.
> Esa forma distinta de “pensar” o “aprender” se basa en probabilidades.
> Las probabilidades se achican cada vez más cuantos más datos tenemos.
> Nunca en la historia de la humanidad se produjeron tantos datos como hoy.
Lo mencionado anteriormente, nos conduce a la siguiente conclusión: la capacidad de aprender de las máquinas crece día a día de manera exponencial, tendiendo casi hacia el infinito. Esto es muy bueno si pensamos en cómo usar esa información para poder generar modelos predictivos que permitan aumentar la eficiencia del sistema sanitario y salvar más vidas. Y al mismo tiempo, es muy malo si nos cruzamos a Terminator de frente.
El valor de los datos
Cerramos el nivel uno hablando sobre el valor de los datos. Es decir, sobre la importancia de contar con la información necesaria para tomar mejores decisiones. Llegado este punto, es sumamente importante hacer un alto y aclarar una cosa: uno de los grandes desafíos que suelen darse cuando se comienzan a incorporar datos a un proceso de decisión, es encontrar cuáles son los datos que realmente necesitamos.
Parece obvio, sí. Pero, como dijo alguna vez Jacques Lacan, “lo obvio suele pasar desapercibido”, justamente por eso: porque es obvio. Y, siendo francos, no es para nada atípico encontrarse con organizaciones que, una vez que entienden el potencial de los datos, quieren rodearse de ellos, sin pensar mucho en el ¿para qué?
Como ya mencionamos, para Simon Sinek la mejor forma de desarrollar una estrategia de liderazgo, en el ámbito que sea, es empezando con el ¿por qué?. Siguiendo con esta lógica, la mejor forma de comenzar a trabajar con datos es empezando con el ¿para qué?
Incorporar datos –ya sea Big Data o no– a los procesos de toma de decisión de una organización, permite lograr una mejora considerable de la capacidad de esa organización para realizar diagnósticos y pronósticos. (...)
¿Cómo empezar a trabajar con datos?
En los últimos años se multiplicaron los cursos sobre cómo empezar a trabajar con datos. Con nombres atractivos, muy futuristas y, en muchos casos, con la promesa de que en X simples pasos ibas a poder cambiar tus posibilidades de conseguir empleo o el destino de tu organización. Todo esto, gracias a la incorporación de (suenan bombos y platillos) ¡Big Data!
Si alguna vez decides anotarte en alguno de ellos, existe una medida que permite ver con anticipación la calidad del contenido que vas a consumir, y que, como este libro es servicio, decidimos obsequiártela gentilmente. Si el curso empieza explicando algoritmos, lenguajes de programación para aprender a analizar datos o herramientas que permitan visualizarlos de forma bonita y sencilla, nuestra humilde recomendación es que huyan lo más rápido que puedan.
Y es que, si ningún libro se lee empezando por el final, ¿por qué habríamos de hacer eso para trabajar con datos? Los datos son una herramienta. Y como toda herramienta, sirven en tanto y en cuanto son utilizadas correctamente. Un taladro es una muy buena herramienta, pero si lo queremos usar para poner un tornillo en la pared, no va a cumplir su cometido. Así como también si usamos una computadora de pisapapeles, probablemente cumpla su función, pero no solo no estamos aprovechando verdaderamente la utilidad total de la computadora, sino que además estamos invirtiendo una cantidad demasiado alta de dinero en un lujoso pisapapeles. ¿De quién es la culpa? ¿Del taladro, de la computadora o de la persona que no se dio cuenta de que los clavos se clavan con martillos y que los papeles no se pisan con laptops?
Ya lo adelantamos en el nivel anterior: el primer paso para empezar a trabajar con datos es el ¿para qué?: ¿cuáles son tus problemas? ¿cuál crees que podría ser tu oportunidad? Y, lo más importante, ¿para qué podrían servirte los datos en este proceso?
Hacerse buenas preguntas es tan importante –o incluso un poco más– como contar con las mejores herramientas. Por eso, la principal recomendación que podemos hacer después de años de trabajar con clientes de todo tipo, es comenzar desde el dolor: ¿cuál es el problema de tu organización?
Descubriendo el problema
Todos creemos que conocemos nuestros problemas. ¿Quién mejor que nosotros mismos para describir aquello que nos afecta o nos genera un perjuicio?
Bueno, quizás es hora de repensar esa idea. Muchas veces, estar en el día a día de una realidad y no ver las cosas con cierta perspectiva, nos puede jugar una mala pasada.
Volvamos al ejemplo de cómo retener talento. ¿Cuál era el verdadero problema de esta organización? Una lectura rápida es que tenemos una gran rotación de empleados que nos genera altos costos de capacitación y problemas en términos de la eficiencia de los equipos. Ahora bien, por pura lógica, la solución a ese problema llegará si logramos reducir el número de miembros de la organización que deciden cambiar de empleo. Definido así, este es un problema que debería resolver un especialista en recursos humanos y no un equipo especializado en análisis de datos. Pero, así y todo, seguiría existiendo el problema.
Si nos ponemos los anteojos que nos permiten ver los datos que están dando vueltas por el mundo, definiremos el problema de otra forma, dando un paso más: tenemos demasiados empleados y no sabemos bien en cuáles concentrarnos. Si definimos el problema en estos términos, podemos pensar en una solución diferente. Como ya vimos, lo que necesitamos es un algoritmo que nos permita invertir los recursos eficientemente y priorizar algunos casos por sobre otros.
Gran parte de la solución dependerá entonces de cómo planteemos el problema. Antes de seguir, es importante aclarar algo. No siempre que encaramos un proyecto de data vamos a comenzar desde un problema. Puede que sea, hasta ahora, la forma más cotidiana de hacerlo y que los que trabajamos con datos nos hayamos acostumbrado, casi metodológicamente, a buscar los problemas de una organización para ver cómo podemos resolverlos usando datos, pero también existe la posibilidad de empezar a encarar estos proyectos “desde el placer”, por la simple voluntad de innovar y de transformar un proceso determinado. No todo son problemas en la vida del científico de datos.
☛ Título: Cómo piensan las máquinas
☛ Autor: Fredi Vivas
☛ Editorial: Galerna
Datos del autor
Fredi Vivas (Buenos Aires, 1980) es emprendedor y tecnólogo especializado en Inteligencia Artificial.
Estudió Ingeniería en Sistemas Informáticos y realizó estudios de posgrado sobre Inteligencia Artificial, machine learning y Big Data.
En 2017 cofundó RockingData, una startup pionera y referente en Latinoamérica, reconocida como una de las diez startups con mayor proyección por Linkedin en 2022.
Es profesor en posgrados y coordinador del programa Data & AI Strategy de la Universidad de San Andrés.
