Category Archives: AI

Auto Added by WPeMatico

La sustitución del hombre por la máquina y la carrera hacia el abismo

IMAGE: David Crockett - 123RF

Un artículo con predicciones de Stephen Hawking compartido en el World Economic Forum con sus perspectivas sobre la sustitución del hombre por la progresiva automatización y el uso de inteligencia artificial me lleva a reflexionar un poco sobre las circunstancias en las que se desenvuelven ese tipo de procesos.

El artículo considera las profesiones relacionadas con la conducción, como taxista o chófer, como una de las más susceptibles de sufrir el impacto de la automatización, con una probabilidad del 89%. La promesa de Mercedes Benz de poner en el mercado taxis completamente autónomos en un plazo de tan solo tres años, unida a las inyecciones económicas de algunos gobiernos en ese tipo de proyectos y a la entrada progresiva de nuevos competidores significativos como Apple o Cadillac parecen estar configurando una hoja de ruta en conducción autónoma cada vez más clara y decidida.

En este contexto, los modelos económicos que rodean el fenómeno parecen ir definiendo de una manera cada vez más clara un escenario de carrera hacia el abismo, en el que la dinámica competitiva en un escenario desregulado lleva a una caída cada vez más fuerte de los ingresos que termina por asfixiar a los competidores tradicionales, dejando espacio únicamente para los entrantes que son capaces de aprovechar mejor las ventajas tecnológicas.

Una startup californiana creada en torno al concepto de taxis autónomos, Voyage, anuncia sus intenciones de ofrecer en el futuro transporte completamente gratuito, posiblemente financiado mediante publicidad. La idea resulta profundamente provocativa, y enlaza con algunas de las interesantes reuniones que mantuve en las oficinas de Daimler en Stuttgart hace algún tiempo, en las que algunos de sus directivos de innovación afirmaban estar trabajando de cara al futuro con modelos en los que el transporte dentro de las ciudades evolucionaba hacia esquemas completamente gratuitos para el usuario, y planteados siempre en modo servicio en lugar de en términos de posesión de un activo utilizado de manera subóptima. La idea de sistemas de transporte completamente gratuitos en función de una exposición a publicidad o mediante modelos de esponsorización no resulta extraña cuando hablamos de ciudades como Londres, en las que por tan solo dos euros, una persona tiene acceso al uso ilimitado de una bicicleta pintada con el rojo característico del logotipo del Santander, durante veinticuatro horas.

En San Francisco, la compañía de taxis más grande de la ciudad, Yellow Cab Co-Op, ha sido vendida a un competidor por un total de ¢810,000, menos de lo que cuesta una casa en la ciudad. Los culpables de tan brutal depreciación no son únicamente Uber, Lyft y compañías similares que operan en la ciudad, sino la coincidencia de varias demandas por accidentes que resultaron en indemnizaciones multimillonarias, y dejaron a la compañía en bancarrota. En un escenario en el que la siniestralidad inherente a la conducción humana se convierte en una variable capaz de hundir compañías, la conducción autónoma, sujeta a un número dramáticamente inferior de accidentes, se perfila claramente como la alternativa triunfadora.

¿Puede pensarse en evitar la transición de una actividad configurada como tradicionalmente humana, como la conducción, hacia su automatización total, en un escenario en el que la dinámica competitiva se configura de esta manera? No, los procesos como tales son total y absolutamente inevitables, y aquellos que intenten negarlos se verán inmersos en la obsolescencia y en la pérdida de competitividad. La única solución es anticipar ese tipo de procesos y optar por sistemas que mejoren la cobertura social y las alternativas de los cada vez más afectados, en lugar de permitir una espiral descendente que termine generando un problema social irresoluble.

 

Powered by WPeMatico

Entendiendo conceptos en Machine Learning

IMAGE: Ilya Akinshin - 123RF

Llevaba algunos días encontrándome artículos interesantes que pensé que podían ayudar a entender algunos temas relacionados con el machine learning y sobre los que me parecía que podía escribir, pero se me han ido acumulando, de manera que creo que lo mejor puede ser reseñar varios de ellos en una sola entrada con algunos comentarios al respecto.

El primero de ellos, The dark secret at the heart of AI, lleva a cabo un muy buen trabajo a la hora de explicar la “teoría de la caja negra“, que hemos comentado aquí en varias ocasiones: a medida que los algoritmos de machine learning se hacen más y más sofisticados, la posibilidad de que una mente humana entienda los procedimientos que utiliza para llegar a un resultado determinado se hacen menores, lo que nos lleva, en último término, a tener una caja negra que genera resultados que podemos poner a prueba únicamente en función de su calidad, sin entender cómo se llega a ellos. Si entrenamos un algoritmo con todo el historial de créditos concedidos y denegados por una entidad, por ejemplo, con el fin de que tome decisiones en el futuro que hoy tomaría un comité de riesgos, terminaremos por tener una caja negra de la que salen decisiones que podremos contrastar en función de la calidad de los resultados (si reduce el número de créditos concedidos y no devueltos, la daremos por válida), pero seremos muy probablemente incapaces de entender cómo llega la máquina a cada decisión: su funcionamiento será una caja negra en cuyos resultados confiamos en función de sus resultados.

Esto nos lleva otra cuestión: dado que cuando alimentamos un algoritmo, lo hacemos con todos los datos que tenemos disponibles y que, según nuestro razonamiento humano, contribuyen al resultado, lo que nos encontramos es que los progresos del machine learning redefinen el concepto que tenemos de inteligencia humana, y alteran nuestras percepciones de lo que podemos o no podemos hacer. El punto de partida para la máquina es lo que como humanos somos capaces de entender, a partir de ahí, todo es terreno inexplorado y métodos que requieren una potencia de cálculo de la que nuestro cerebro, sencillamente, carece. Así, cosas que hoy nos parece normal que haga un humano, las iremos viendo como absurdas a medida que sea una máquina la que las hace, y cosas que una máquina es capaz de hacer nos irán pareciendo cada vez menos sorprendentes y más normales. Muy pronto, el chatbot se habrá convertido en el estándar para el servicio postventa y para muchas cosas más como “explicarnos” las noticias, y la primera época de desencanto y decepciones dará paso a un momento en el que realmente, como les ocurre a las generaciones más jóvenes, preferiremos hablar con robots a hablar con personas, porque no solo nos darán un mejor servicio, sino que además nos eliminarán la sensación de estar “molestando a alguien” al otro lado (del mismo modo que un enlace no “se queja” ni “nos contesta mal” si hacemos clic en él diez veces). Simplemente, que sea un algoritmo conversacional el que te atiende cuando tienes cuestiones relacionadas con el producto o servicio de una compañía pasará a ser “lo normal”, y veremos como “del siglo pasado” cuando había personas dedicadas a hacer ese servicio.

Del mismo modo, habrá actividades que serán pronto algo del pasado, sean programar semáforos para evitar atascos, llevar a cabo decisiones de inversión o diagnosticarnos una enfermedad, y nos parecerá “raro” o “primitivo” pensar que esas actividades eran antes llevadas a cabo por una persona. Lo de sustituir a los conductores de taxi o de camión será visto como algo tan obvio, que nos parecerá increíble – y peligrosísimo – que esa actividad fuese desarrollada antiguamente de manera manual. ¿Significará eso que muchas personas que hacían ese trabajo se vayan directas al paro? Posiblemente, pero la solución no estará en poner impuestos a esos robots que han pasado a desempeñar esas actividades, sino formar y entrenar a las personas para que sean capaces de llevar a cabo otras actividades relacionadas. Y en ese sentido, recortar las prestaciones sociales, como parece la tendencia en países como los Estados Unidos, solo puede llevar a que el problema sea peor.

Esto no quiere decir, lógicamente, que no tengamos que buscar metodologías que, de alguna manera, permitan incrementar la trazabilidad de las decisiones tomadas por las máquinas. El artículo que describe el escenario de pesadilla imaginado por Tim Berners-Lee en el que las decisiones en el mundo financiero son tomadas por máquinas que crean y gestionan compañías, completamente al margen de nociones típicamente humanas (y de difícil explicación para una máquina), como el impacto social o el bien común es, sin duda, digno de una lectura, y cita la frase de esa reciente entrevista de Vanity Fair con Elon Musk en la que hablaba del mismo tipo de peligros, de la optimización automática y de lo que podría pasar con un algoritmo que optimizase la producción de fresas:

“Let’s say you create a self-improving AI to pick strawberries and it gets better and better at picking strawberries and picks more and more and it is self-improving, so all it really wants to do is pick strawberries. So then it would have all the world be strawberry fields. Strawberry fields forever.”

¿Deberíamos, llevados por este tipo de miedos, detener el desarrollo de este tipo de tecnología? Claramente no. Detener la tecnología es completamente imposible, lo único que podemos hacer es avanzar el conocimiento relacionado con su desarrollo para intentar poner coto a escenarios con ese tipo de consecuencias. Siempre, en algún garaje o en algún país con incentivos suficientes para ello, surgiría alguien dispuesto a poner a prueba esa tecnología, probablemente con más ganas aún si de alguna manera artificial se pretendiese detener esa tecnología.

¿Te gusta dibujar? ¿Se te da bien? Pues prueba a dibujar cuando un algoritmo intenta averiguar qué quisiste expresar con tu trazo, y te propone formas de representarlo. Piensa en lo que ese algoritmo hace, ponlo a prueba, y plantéate que lo que estás viendo es solo el principio, cuando acaba de empezar a aprender a hacer esa tarea. Imagínatelo dentro de un tiempo, cuando no solo muchas más personas hayan experimentado con él, sino que además, cuente con muchas más representaciones alternativas propuestas por más artistas, en distintos estilos y con diferentes posibilidades. Y solo hablamos de un algoritmo relativamente sencillo de reconocimiento de patrones. ¿Lo vas entendiendo?

 

Powered by WPeMatico

Cartas al CEO: Machine Learning

Letters to the CEO - Enrique DansDesde Thinkers50 me pidieron una contribución para un libro en el que están trabajando, titulado Dear CEO, que será publicado en torno al verano y en el que van a colaborar también con sus cartas autores como Tom PetersAlex Osterwalder, Roger Martin, Whitney JohnsonHenry Mintzberg, Erica Dhawan, Richard D’Aveni, Costas Markides, Dave UlrichMarshall Goldsmith o Don Tapscott, entre otros. 

Mi carta ha sido una de las escogidas para ser publicadas en abierto como “aperitivo” del libro, y ayer fue publicada en la página de Kromann Reumert, una compañía de asesoría legal y empresarial danesa que colabora con Thinkers50, bajo el título Changing the way we understand technology así que me ha parecido que podría ser interesante compartir aquí una versión en castellano. Mi carta es un intento de explicar a un hipotético CEO la importancia de entender el cambio de papel de la tecnología, cómo ha ido pasando de ser una simple herramienta de automatización, a ir tomando progresivamente un papel completamente diferente, el de una herramienta con una capacidad de análisis de datos brutal y que es capaz de aprender de esos datos mediante diversos métodos para llegar a procesos de deep learning o reinforcement learning que van a cambiar el mundo tal y como lo conocemos.

Que una máquina sea capaz de ganar a los mejores jugadores humanos de ajedrez, de Jeopardy, de Go o de poker no es como tal importante en sí mismo por el hecho, sino por lo que demuestra: respectivamente, que una máquina posee una fuerza bruta computacional capaz de superar a cualquier cerebro humano, que además es capaz de entender y procesar el lenguaje natural mejor que muchos humanos, que puede incluso idear e inventarse estrategias nuevas originales compitiendo contra sí misma de una manera que ningún humano había sido capaz de hacer, y finalmente, que es capaz de estudiar entornos con información incierta o desconocida y tomar mejores decisiones que cualquier humano entrenado para ello. La carta, en realidad, es un intento de poner en perspectiva algo que muchos aún no alcanzan a comprender y que no son capaces por tanto de entender en su verdadera dimensión, pero que va a representar el cambio más importante que hemos vivido en la historia de la humanidad.

Agradezco enormemente a mis amigos de BigML, compañía de la que soy asesor estratégico, la oportunidad que desde ya hace algún tiempo me proporcionan para aprender y entender las tecnologías implicadas en el machine learning. Sin esa obligación fundamental que me plantean de mantenerme actualizado para poder estar a la altura, habría sido infinitamente más difícil llegar a entender su verdadero alcance y dimensión.

A continuación, el texto en castellano de mi carta (versión original en inglés aquí):

 

Querido jefe: 

En muy pocos años, la idea que tenemos de los ordenadores y de la computación en general ha cambiado de manera drástica, aunque la percepción que tiene toda una generación de directivos no lo ha hecho. Cambiar esa percepción y ser capaz de reinterpretar lo que la tecnología puede hacer por nuestro negocio es una necesidad cada día más acuciante. 

Durante muchos años, entendimos los ordenadores como una forma de automatización. Cualquier tarea que tuviese componentes repetitivos, intensivos o tediosos podía ser susceptible de ser automatizada mediante un ordenador con el programa adecuado. La llegada de los ordenadores a los entornos corporativos se produjo así, escogiendo aquellas áreas caracterizadas por rutinas tediosas, como el cálculo y el pago de nóminas, la contabilidad, etc., o aquellas en las que existía un requisito legal de preservación de la información. 

La idea que teníamos de un ordenador era la de una máquina que podía hacer lo mismo que hacía una persona, pero más rápido, más barato y con menos errores. Esa idea de computación como automatización ha sido una constante en el planteamiento de las inversiones en tecnología desde el inicio de la historia de la informática corporativa. 

Desde hace algún tiempo, este planteamiento ha cambiado radicalmente. Cuando vemos en las noticias que un ordenador ha sido capaz de vencer al ajedrez nada menos que al campeón mundial Garry Kasparov, que ha derrotado por amplio margen al Jeopardy a los mejores jugadores de la historia del programa, o que ha pulverizado en el juego del Go a los jugadores más reconocidos del mundo, ya no hablamos de la misma computación que conocíamos hasta ahora: para llevar a cabo esas proezas no basta con tener más potencia de calculo o con hacer las mismas operaciones que un hombre pero a más velocidad. No es únicamente cuestión de fuerza bruta: es otra manera de plantear las cosas. 

La nueva frontera se llama machine learning, y va a provocar un cambio tan brutal en el entorno que llegará hasta el punto de minimizar lo que fue en su momento el impacto de internet. Un auténtico cambio dimensional que definirá qué compañías prevalecen y cuales, sencillamente, desaparecen. Va a cambiar lo que entendemos por trabajo, y alterar la sociedad en su conjunto. Y todo ello, en un plazo de unos cinco años. En este momento, la esencia de la verdadera ventaja competitiva consiste en ser capaces de dotarse de los datos suficientes como para alimentar algoritmos de machine learning que sean mejores, más eficientes y más competitivos que los de nuestros competidores. No hay más. 

Cuando un ordenador vence a Lee Sedol o a Fan Hui, los dos mejores jugadores de Go del mundo, no se limita a calcular muy rápido. Para lograrlo, Google no solo tuvo que hacerse con los registros de todas las partidas de Go jugadas en la historia de las que existían datos y comprobar que su máquina, AlphaGo, era infinitamente mejor aprovechando la experiencia, sino que además, tuvo que aplicar y combinar técnicas de deep learning y reinforcement learning: poner a la máquina a competir contra sí misma, a inventarse movimientos que no habían sido puestos en práctica antes por ningún jugador humano, y a derivar nuevas jugadas a partir de esos movimientos originales, jugadas que posteriormente eran realimentadas en el sistema. Algunos de los movimientos jugados por AlphaGo han sido definidos no solo como intrínsecamente “bellos”, sino que, además, definían jugadas que tendrían únicamente una entre diez mil posibilidades de ser llevados a cabo por un jugador humano, movimientos que ningún humano podría comprender – y mucho menos anticipar. Es lo mismo que ocurre cuando cada vehículo autónomo que circula un metro por cualquier carretera contribuye automáticamente con su experiencia al aprendizaje de todos los vehículos autónomos que circulan en el mundo propiedad de una compañía determinada. La forma en que se definen y parametrizan las ventajas competitivas cambia radicalmente. 

Subirnos a esta ola es absolutamente crucial, un auténtico ser o no ser. Y la mentalidad no es necesariamente ganar, sino mejorar los niveles de cooperación entre humanos y máquinas, utilizar esa combinación para intentar resolver algunas de las cuestiones y problemas más difíciles del mundo. Pronto tendremos inteligencias autónomas que tomarán decisiones empresariales estudiando todo lo que sucede en el entorno de manera mucho más completa, exhaustiva y rigurosa que como puede hacerlo un equipo de personas, otros que fijarán los tipos de interés del Banco Central Europeo, que determinarán la presión impositiva o el importe de las pensiones. Estamos ante el cambio más radical que hemos vivido en la historia de la humanidad. 

Entenderlo lo antes posible y prepararse para ello con la altura de miras adecuada es absolutamente crucial para nuestra compañía. Y sin duda, la decisión más importante de toda tu vida como directivo. 

Agradeciendo tu atención, atentamente, 

Enrique Dans

Powered by WPeMatico

Sobre hombres y robots

IMAGE: Buchachon Petthanya - 123RF

Los planteamientos sobre la relación entre hombres y robots, tomando la definición de robot de la manera más amplia posible, tienden a resultar en muchos sentidos tremendistas: los robots que “roban nuestros trabajos” y nos condenan supuestamente a una sociedad disfuncional con tasas de desempleo elevadas, la sustitución de trabajos manuales de escaso valor añadido o de las tres D que va dando paso a la eliminación de otros trabajos cada vez más sofisticados, y, en general, a una visión caracterizada por el temor y la negatividad.

¿Estamos realmente en un proceso de sustitución de personas por robots? Por supuesto. Cualquier planteamiento de duda al respecto resulta completamente absurda o ridículamente ingenua. En realidad, hace ya muchos años que los robots están quitando el trabajo a las personas.

Frame-breakers, or Luddites, smashing a loom (Source: Wikipedia)

El proceso comenzó seguramente, por buscarle un origen y lugar concreto, en las fábricas textiles de Nottingham en el siglo XIX, y dio origen al movimiento ludita y a los ataques a telares y a máquinas herramientas de la época que podían, con su sola instalación y uso, dejar sin trabajo a decenas de trabajadores que antes llevaban a cabo labores de tejido e hilatura de manera completamente manual, brindando a los propietarios de las fábricas la oportunidad de escalar su producción y dar origen al sistema capitalista moderno que hoy conocemos.

El recurso a los luditas y la comparación con aquella actitud de destrucción de unas máquinas que, eventualmente, terminaron por generar una era de muchísimo mayor bienestar, generación de riqueza excedente y condiciones de vida sensiblemente mejores para una amplísima mayoría de la sociedad es ya muy habitual y manida. Presentar esa comparación como prueba clave es, en realidad, poco útil, porque han sido muy pocas las ocasiones históricas en las que los trabajadores – o los economistas – han aprendido de la experiencia en cabeza ajena.

Henry Ford is killing jobs (IMAGE: Juan Carlos Arce - Twitter)

Ya en el siglo XX, la línea de montaje de Henry Ford y su capacidad de producir grandes cantidades de vehículos a velocidades inimaginables en la época fue objeto de fuertes criticas por las asociaciones de trabajadores y por los conductores de carruajes, que veían a la nueva máquina convertida ya en algo popular, al alcance de casi cualquiera, con un crecimiento espectacular que amenazaba sus puestos de trabajo. La idea de que la sustitución de personas por máquinas es mala se repite, a pesar de las evidencias que apuntan a que seguir manteniendo esquemas como la fabricación manual en modo taller o el transporte mediante carruajes, renunciando a las ventajas y a la ganancia de eficiencia que supuso el desarrollo de la línea de montaje sería profundamente anacrónico, o directamente ridículo.

Si leemos a Erik Brynjolfsson y Andrew McAfee en su Race against the machine, la conclusión, sin embargo, parece clara: esta vez es diferente, porque la capacidad de las máquinas va a llegar hasta el punto de sustituir ventajosamente cada vez más de las tareas que las personas pueden hacer, lo que conlleva que, de una manera u otra, terminarán eliminando más puestos de los que son capaces de crear. Los robots ya conducen camiones y sustituirán a los camioneros en los próximos diez años, los drones autónomos ya vuelan solos de manera legal en Israel y trasladan muestras de laboratorio entre hospitales en Suiza, los empleados de servicio al cliente van siendo progresivamente sustituidos por chatbots cada vez más realistas, y las pizzas y hamburguesas van a ser pronto pedidas, elaboradas y enviadas a través de robots.

Pero a medida que vamos explorando la marcha de la automatización, y constatando que unos trabajos, o incluso unos países, tienen peores perspectivas en la carrera de la sustitución que otros, otras evidencias parecen ir emergiendo: la primera, que antes de la sustitución completa, todo indica que pasaremos por una fase en la que trabajadores cada vez mas preparados y sofisticados irán aprendiendo a trabajar cada vez más con robots. ¿Cómo prepararnos para un futuro en el que el machine learning y la inteligencia artificial van a ir incorporándose de manera progresiva a cada vez más trabajos?

Todo indica que las ideas de Donald Trump, preservar a toda costa unos pocos trabajos en la extracción de carbón a cambio de la salud de todo el planeta, son profundamente absurdas y equivocadas. En su lugar, lo que parece imponerse es la idea de que determinados trabajos están mucho mejor siendo sustituidos, y que a los países les irá mucho mejor siguiendo un modelo en el que se centren en inversiones en infraestructura que permitan incorporar tecnologías como la internet de las cosas, el machine learning y la inteligencia artificial para mejorar el rendimiento de los trabajadores y mantener la competitividad. La tecnología elimina determinados trabajos, pero solo la tecnología es capaz de salvar los trabajos del futuro. Un modelo que parece interiorizar mucho más un país como China, ya claramente destinado al liderazgo mundial, que unos Estados Unidos que a todas luces caminan hacia atrás.

¿Van los robots a quitarnos el trabajo? Sí, en un número elevado de casos. Pero intentar evitarlo solo generaría situaciones anacrónicas absurdas, como lo hubiera hecho el empeñarse en mantener a toda costa a los conductores de carruajes. En realidad, lo que los robots van a hacer es hacer sitio para trabajos que realmente tengan sentido, para tareas que una máquina no haga igual de bien, para la redefinición de cosas que un hombre pueda hacer mejor gracias a la colaboración con máquinas. Nadie puede parar la automatización, porque intentar hacerlo solo incrementa el incentivo a que alguien, en otro país o en otra compañía, se aproveche de ella para ser mucho más competitivo, para fabricar mejor, con más calidad, más barato, o todo ello a la vez. No, a los trabajadores no los salvará un imbécil decidido a ignorar los cambios en el escenario y empeñado en mantener unos trabajos que ya no van a volver porque ya no existen: los salvará una reforma de la educación y de los planteamientos mas profundos de la sociedad que dote a los trabajadores del futuro de las habilidades suficientes para trabajar en ese escenario redefinido. El futuro es el que es: seguir desarrollando tecnologías cada vez mejores, más eficientes, más inteligentes y más capaces de hacer más cosas, y preparar al hombre para trabajar lo mejor posible con ellas. Y al que no lo entienda así, sin duda, le tocará ponerse en la cola del paro.

 

Powered by WPeMatico

Machine learning para detectar comportamientos nocivos en la red

IMAGE: Redrockerz - 123RFUno de los principales problemas que redes como Twitter han experimentado a lo largo de los años es, como hemos comentado ya en bastantes ocasiones, su gestión del problema del acoso y el insulto.

Desde su fundación, Twitter intentó plantearse como una herramienta que hacía una defensa militante y maximalista de la libertad de expresión, lo que terminó por generar un entorno en el que era precisamente esa supuesta libertad de expresión la que se veía coartada por las reacciones de usuarios con comportamientos nocivos.

A lo largo del tiempo, ese ambiente nocivo le ha costado a Twitter grandes disgustos, desde un crecimiento menor de lo esperado, a un predominio creciente de comportamientos pasivos (lurking) frente a activos, e incluso a comprometer su futuro provocando que otras compañías dejasen de plantearse posibles ofertas de adquisición derivadas de las dinámicas venenosas existentes en la plataforma.

Tras múltiples intentos de corrección de estas dinámicas, muchos de los cuales son en realidad auténticas “tácticas de avestruz”, formas de ocultar el acoso a los ojos del acosado como si eso lo hiciese supuestamente desaparecer, ahora Twitter se plantea algo nuevo: una colaboración con IBM para que sea su sistema de machine learning, Watson, quien detecte, a través del estudio de patrones conversacionales, posibles situaciones de acoso y comportamientos abusivos, incluso antes de que sean denunciados.

¿Es posible que una inteligencia artificial detecte actitudes como el acoso o el abuso verbal? La cuestión no parece sencilla, porque hablamos de situaciones que van desde el insulto directo, que podrían ser detectadas simplemente con el uso de un diccionario, hasta otras mucho más complejas en las que se hace uso de la ironía, de los dobles sentidos, o de elementos no presentes en la conversación a los que se hace referencia de manera velada como insinuaciones, o a veces ni eso. Acosar a alguien puede incluir dinámicas muy complicadas, a veces incluso retorcidas, y utilizar patrones que van desde lo más sencillo a lo más alambicado.

¿A favor de Twitter? Cuenta posiblemente con uno de los mejores archivos online de comportamientos abusivos denunciados como tales. A lo largo de sus ya once años de historia, la compañía se ha visto envuelta en todo tipo de escándalos de elevada visibilidad y en una amplísima variedad de situaciones infinitamente menos conocidas que han afectado a usuarios de todo perfil y condición, con desenlaces conocidos. Para la compañía, resulta perfectamente posible estudiar en su inmenso archivo toda situación en la que determinadas actitudes hayan sido denunciadas como acoso, insulto, bullying, sexismo, incitación al odio, etc. e incluso etiquetar perfiles en función de su inclinación a exhibir ese tipo de comportamientos. Ese tipo de datos son precisamente lo que un algoritmo de machine learning necesita para ser entrenado correctamente, considerando que la semantización y el análisis del lenguaje humano ya son llevados a cabo algorítmicamente de manera más que satisfactoria. Obviamente, esto aún no incluye todo: algunas situaciones, como el uso de imágenes, pueden resultar algo más difíciles de procesar, pero en modo alguno representan algo que, a día de hoy, esté fuera de las capacidades de una inteligencia artificial, o en ultimo término, algo que puede recibir ayuda puntual de evaluadores humanos a la hora de determinar si efectivamente se trataba de una situación de ese tipo.

¿Puede Watson convertirse en el juez que determina si el comportamiento de un usuario debe ser considerado nocivo? Como afectado en algunos momentos por comportamientos de ese tipo que vio, además, cómo Twitter se lavaba las manos e incluso contribuía a empeorar aquella situación considerada por muchos como algo “simpático” y digno incluso de ser premiado, creo que sí, que el machine learning puede aportar un sistema que permita, cuando menos, etiquetar ese tipo de comportamientos, tipificarlos y permitir una gestión adecuada de los mismos, como también es muy posible que pueda colaborar en la detección de otro patrón habitual: la gestión de múltiples identidades y la apertura inmediata de otra cuenta para proseguir con el comportamiento nocivo cuando la primera cuenta es eliminada.

¿Existe algún tipo de conflicto entre un sistema así y la libertad de expresión? Todo depende de cómo queramos definir la libertad de expresión. Si consideramos que una red social debería servir para que todos podamos decir todo lo que se nos pase por la cabeza sin ningún tipo de freno o cortapisa, sí. Pero el ser humano vive en sociedad, la vida en sociedad se regula mediante determinadas reglas que van desde leyes a protocolos más o menos explícitos, y creo que a estas alturas, todos deberíamos asumir que el adjetivo “social” aplicado al sustantivo “red” debería implicar algo más que lo que actualmente implica. Al menos, en el caso de Twitter…

 

Powered by WPeMatico

Machine learning y reconocimiento de vídeo: una frontera importante

Image recognition in video (Google)Google anuncia durante su conferencia Google’s Next Cloud que ha desarrollado la capacidad de buscar y localizar objetos en un vídeo, y que la ofrece ahora en forma de una API de Cloud Video Intelligence disponible para desarrolladores, como ha hecho con el resto de sus APIs de machine learning. Junto con el anuncio de la adquisición de la comunidad de desarrollo de competiciones de modelos predictivos y analíticos Kaggle, también por parte de Google, son sin duda las noticias sobre el tema más importantes de la semana.

El anuncio y demostración del reconocimiento de objetos en vídeo, llevado a cabo por la profesora de Stanford y directora de machine learning y AI de Google Cloud, Fei-Fei Li, podría parecer relativamente trivial considerando que ya hace cierto tiempo que nos hemos acostumbrado a buscar por palabras clave en una colección de fotos y obtener resultados que no provengan directamente del etiquetado manual, sino del reconocimiento de los objetos existentes en las imágenes, pero la complejidad implicada en construir esa misma función para vídeo es muy superior, y las posibilidades que abre, para la compañía que posee el mayor repositorios de vídeo del mundo, también lo son.

¿Qué ocurre cuando un algoritmo puede visualizar un vídeo, entenderlo y reconocer los objetos que hay en él? Hasta ahora, un vídeo era un contenedor prácticamente cerrado, en el que las únicas formas que teníamos de localizar algo era mediante su título o etiquetándolo con palabras clave. Desde hace muchos años, esa situación nos parece “lo normal”, lo que la tecnología da de sí, una limitación tan asumida, que eran pocas las ocasiones en las que pensábamos en la posibilidad de algo así. El vídeo es uno de los componentes de la web sujeto a un índice de crecimiento mayor, pero por el momento, la capacidad de hacerlo indexable resultaba bastante limitada. ¿Qué ocurre cuando los algoritmos de machine learning son capaces, por un lado, de reconocer las palabras pronunciadas en un vídeo, pasarlas a texto y hacer que podamos buscar en él, y además, otros algoritmos se encargan de entender el contenido y permitir que podamos buscar imágenes? Pedir a un buscador que nos localice menciones o apariciones de algo – un objeto, una marca, un logotipo, una persona, etc. – en un repositorio de vídeo, y obtener una página de resultados en la que se nos indiquen los vídeos que lo contienen, y el lugar del vídeo en el que se encuentra… ¿Cuántas nuevas posibilidades y avenidas para la innovación se pueden abrir gracias a algo así?

Para Google, como para otros competidores en el entorno cloud computing, la forma de competir no es simplemente tratando de ofrecer más prestaciones por menos precio – lo que supondría especializarse en la clásica estrategia de liderazgo en costes – sino ser capaz de ofrecer prestaciones más sofisticadas para sus usuarios. La oferta de una función como esta hace que, de manera automática, la nube de Google, que hasta el momento se percibe como por detrás de otros competidores como Amazon o Microsoft, se convierta en una opción más interesante para aquellos competidores en los que el vídeo juega un papel fundamental, que ahora pueden plantearse mucho más servicios asociados a la puesta en valor de sus repositorios. Pero además, posibilita también el desarrollo de nuevos servicios planteados por otros competidores, que podrían permitir la adopción de modelos de plataforma para aquellos que consideran el vídeo como el centro de su negocio. Hablamos de dinamizar y convertir en indexables muchísimos millones de horas de vídeo, con contenidos de todo tipo, que se abren a la posibilidad de ser tratados de maneras muchísimo más ricas.

Ahora, una máquina puede ver un vídeo de un tigre, entender que es un tigre lo que hay en el vídeo, y encontrarte vídeos en los que aparezcan tigres. Todo ello, sin que nadie haya etiquetado o titulado ese vídeo como conteniendo un tigre. Lo mejor de estudiar el machine learning y la inteligencia artificial es que nunca dejas de sorprenderte.

 

Powered by WPeMatico

El año de la división digital

El año de la división digital - Capital (pdf)

Desde la revista Capital, Jordi Benítez me pidió una columna sobre la que pensaba sería la característica principal del 2017 en cuanto a la evolución tecnológica, que titulé “El año de la división digital” (pdf). Fue publicada con el primer número del año, pero se me había pasado reseñarla hasta ahora.

En mi opinión, el año 2017 será el año en el que las señales del llamado digital divide se intensifiquen para hacerse cada vez más insoportables o más evidentes para muchos. A medida que la tecnología ofrece más y mejores posibilidades, metodologías más productivas, sistemas de interacción más ágiles, o modelos de negocio que dan lugar a una mayor eficiencia, la sociedad va escindiéndose entre aquellos que los abrazan y los usan con actitudes que van desde el tecno-fanatismo hasta el pragmatismo, mientras otros segmentos de la sociedad los ven como algo aparentemente incomprensible o implanteable.

La división, obviamente, no se queda en las personas. Alcanza a las empresas, y genera una frontera entre aquellas que son capaces de transformarse para extraer ventajas competitivas de las características del entorno y la progresiva ubicuidad de la tecnología, y aquellas que simplemente, siguen haciendo lo mismo que hacían, con leves variaciones cosméticas, y van cayendo progresivamente en la ineficiencia. Hoy precisamente estaré hablando de ese tema en The Data Day 2017: cómo las compañías que no son capaces de entender la necesidad de plantear su negocio en torno a la importancia del dato, de su procesamiento, de la obtención de los mejores algoritmos y de la mejora continua de sus sistemas de machine learning están destinadas a ser cada vez menos competitivas y desaparecer. Y no es una cuestión de complejidad: las barreras de entrada han caído hasta límites insospechados. Es una cuestión de mentalidad.

A continuación, el texto completo de la columna:

 

El año de la división digital

Todas las señales lo indican: el 2017 será el año en el que se consolide la gran división digital. El llamado “digital divide” que hace algún tiempo se utilizó para referirse a la brecha entre conectados y desconectados, utilizado, ahora que prácticamente todos estamos conectados y llevamos un ordenador en todo momento en el bolsillo, para distinguir a los que son capaces de entender y acostumbrarse a un mundo cada vez más sometido al dominio de lo digital, frente a los que utilizan su smartphone… para poco más que hablar por teléfono. 

Lo digital ha pasado a dominar nuestras vidas de manera insospechadas. Para mis padres, que acaban de pasar unos días en mi casa por navidad, la idea de que los contenidos se visualizan a demanda en nuestro televisor, que se puede llegar a casa a las ocho de la tarde y pedir a Amazon lo que te falta para desayunar y que te lo traiga en menos de dos horas, o que se pueden soltar las manos del volante del coche porque él se encarga de mantener la distancia de seguridad y de permanecer entre las líneas de la calzada son cuestiones que resultan obviamente atractivas e incluso inteligibles… pero inalcanzables. 

Pero la división digital no se refiere únicamente a mis padres o a su segmento sociodemográfico. Afecta también a los entornos corporativos. En 2017, empezaremos a ver cómo las compañías que de verdad abrazan los entornos digitales para permitir que sus empleados redefinan lo que sus antepasados entendían por trabajo se convierten en enormes imanes capaces de atraer talento, mientras las que siguen exigiendo ocho horas de culo pegado a una silla pierden progresivamente a sus empleados de valor. Veremos cómo una serie de compañías privilegiadas comienzan a introducir inteligencia artificial y machine learning en cada vez más procesos, mientras que las que siguen utilizando a imperfectos humanos ven caer progresivamente su competitividad. Veremos cómo algunas compañías se afanan por eliminar los trabajos aburridos, sucios, peligrosos o deshumanizantes sustituyéndolos por procesos robóticos en los que los robots ya no son meros autómatas, sino entes capaces de tomar decisiones en contextos cada vez más complejos. Y sobre todo, veremos cómo ese tipo de proyectos están cada vez más dentro de las posibilidades de cualquier compañía que haya entendido sus posibilidades, gracias a herramientas cada vez más sencillas, provistas como servicios en la nube a las que las empresas conectan sus datos. 

La tecnología es muy paradójica: a medida que se sofistica y es capaz de hacer más y mejores cosas, sus barreras de entrada no se elevan, sino que disminuyen. La tecnología de 2017, infinitamente más potente que la que podíamos pensar en disfrutar a principios de este siglo, no tiene una complejidad mayor vinculada a su uso, sino todo lo contrario. A principios de siglo, cualquier cambio de programa implicaba acciones de formación. Ahora, la mayoría de las herramientas que utilizamos en nuestro día a día digital las hemos aprendido a utilizar nosotros mismos, tras descargarlas en un minuto de una app store

La división digital no es, contrariamente a lo que muchos piensan o a lo que podría indicar el ejemplo de mis padres, una cuestión de edad. Es una cuestión de voluntad, de encontrar una propuesta de valor adecuada, de verse uno mismo haciendo determinadas cosas aunque cueste, aunque obligue a abandonar zonas de confort que hemos definido a lo largo de una vida. La tecnología es cada vez más barata, más accesible y más inclusiva, pero no hace milagros. En 2017 veremos quiénes son capaces de entenderlo así, y quiénes se quedan fuera. 

Powered by WPeMatico

De los datos a la inteligencia artificial

IMAGE: Titipong Jaiharn -123RFUn artículo sobre los avances de Facebook en el reconocimiento de imágenes, que le permite ya establecer sistemas de búsqueda en función del contenido que aparece en ellas, me lleva a reflexionar sobre la importancia de la disponibilidad de datos de cara al desarrollo de algoritmos de machine learning e inteligencia artificial: a nadie se le escapa que la capacidad de Facebook para desarrollar estos sistemas de procesamiento y reconocimiento de patrones en imágenes tiene que ver ni más ni menos que con sus posibilidades de acceder a decenas de millones de imágenes etiquetadas y comentadas de sus usuarios en la propia red de Facebook y en la de Instagram.

A la hora de pensar en las posibilidades de la inteligencia artificial para nuestro negocio, tenemos que comenzar por las posibilidades de que disponemos para obtener datos que analizar. Datos que, además, no son todos creados iguales: no se trata solo de que el archivo en papel no vaya a servirnos de nada, sino que además, necesitamos formatos y herramientas suficientemente abiertos como para permitir su procesamiento, algo que no siempre es sencillo cuando hablamos de compañías que, durante mucho tiempo, procesaron sus datos en sistemas legacy de difícil integración.

El hecho de provenir de una etapa en la que muchas industrias se han preocupado de ponerse al día en temas relacionados con el llamado big data facilita en cierta medida esa tarea: cuando ya tienes data scientists en plantilla, lo mínimo que cabe esperar es que hayan llevado a cabo la limpieza y catalogación de las fuentes de datos con las que pretenden contar en sus analíticas y visualizaciones. Pero tras el big data, llega el siguiente paso: la inteligencia artificial. De hecho, los progresos en inteligencia artificial están llevando a los data scientists a darse cuenta de que necesitan evolucionar hacia esa disciplina, o ser considerados profesionales obsoletos.

Los datos son la auténtica gasolina que mueve la inteligencia artificial. La disponibilidad de datos nos permite desarrollar los mejores algoritmos, y sobre todo, mejorarlos a lo largo del tiempo para que vayan produciendo mejores resultados y se adapten a condiciones cambiantes. La disponibilidad de cada vez más datos en conducción autónoma a medida que sus flotas hacen más y más kilómetros es lo que permite a Tesla reducir el número de disengagements, episodios en los que el conductor se ve obligado a tomar el control, hasta los niveles actuales: tan solo entre octubre y noviembre del pasado 2016, cuatro vehículos autónomos de la compañía recorrieron 885 km en carreteras californianas, y experimentaron 182 de esos momentos, en lo que representa un punto de partida a partir del cual seguir mejorando con la experiencia acumulada. De hecho, Waymo, que cuenta con los datos acumulados por todos los experimentos en conducción autónoma de Google, consiguió a lo largo del año 2016 hacer descender el número de esos disengagements desde los 0.8 por cada mil millas, hasta los 0.2, en lo que supone una progresión impresionante alimentada, de nuevo, por la disponibilidad de datos que procesar.

El verdadero error en inteligencia artificial es pretender juzgar un algoritmo por sus resultados en el momento en que lo obtenemos, sin tener en cuenta los progresos que puede alcanzar a medida que dispone de más y mejores datos. Escribir una crítica sobre el Echo de Amazon diciendo que es poco menos que un despertador con radio un poco ilustrado es una actitud que olvida lo fundamental: que con ocho millones de dispositivos en el mercado, las posibilidades que Amazon tiene de ir mejorando la inteligencia de Echo son prácticamente ilimitadas, y que eso significa que cada vez nos entenderá mejor, que irá reduciendo progresivamente sus errores y que se convertirá, sin duda, en un aparato que terminaremos planteándonos cómo podíamos vivir sin él.

¿En qué deporte pueden plantearse primero la llegada de árbitros basados en inteligencia artificial? Por supuesto, en el fútbol americano, el ejemplo clásico de deporte en el que todo está cuantificado, analizado y procesado hasta el límite. ¿Qué compañías de seguros serán capaces primero de acceder a los ahorros y las mejoras de la peritación basada en inteligencia artificial? Aquellas que dispongan de grandes cantidades de datos correctamente almacenados y estructurados para poder procesarlos y entrenar con ellos a la máquina. ¿Qué instituciones académicas serán las primeras en extraer partido de la inteligencia artificial en el proceso educativo? Las que dispongan de archivos completos, correctamente estructurados y preparados para su tratamiento. Y puedo asegurar que eso, que parece tan básico, no lo tienen todas las instituciones que conozco.

Entender la evolución de los datos al machine learning y a la inteligencia artificial es, para cualquier directivo, cada vez más importante, y para una compañía, cada vez más estratégico. Es así como se decidirá qué compañías terminan a qué lado del nuevo digital divide.

 

Powered by WPeMatico

¿Póker? Dominado. A por el siguiente reto…

IMAGE: Yuriy Davats - 123RFEl póker, como anteriormente el ajedrez o el Go, pasa a engrosar los juegos que un conjunto de algoritmos ya es capaz de hacer mejor que una persona. El pasado día 31 de enero, tras veinte días de partidas de Heads Up, No Limit Texas Hold ‘em, cuatro humanos considerados entre los mejores jugadores de póker profesionales del mundo fueron derrotados por una inteligencia artificial, Libratus, producto del trabajo de investigadores de Carnegie Mellon dirigidos por Tuomas Sandholm.

Veinte días mirando pantallas de ordenador, jugando unas 120,000 manos, y reuniéndose por las noches en sus habitaciones de hotel para coordinar estrategias conjuntas para vencer a la máquina no han sido capaces de vencer a un algoritmo que rápidamente entendía las estrategias seguidas por los humanos y se las arreglaba para neutralizarlas.

La partida, en realidad, estuvo claramente dominada por Libratus desde el primer momento: los jugadores humanos no llegaron a estar siquiera cerca de la victoria en ningún momento. De hecho, mantener el campeonato hasta el final tenía como objetivo obtener una victoria que pudiese ser considerada estadísticamente significativa, es decir, que con un 99.7% de probabilidad puede decirse que no es producto del azar.

Pero con todo lo interesante y lo morboso que pueda representar la victoria de una máquina en un juego como el póker, eso no es lo realmente importante. Lo que verdaderamente importa es que los algoritmos empleados no eran específicos del juego del póker, ni trataban de explotar los errores del contrario. Simplemente tomaban como entradas las reglas del juego, y se centraban en mejorar su propia estrategia teniendo en cuenta un entorno de información imperfecta, en el que se tienen como entradas las cartas recibidas, las que están en la mesa, y las apuestas efectuadas por cada jugador. El escenario del Texas Hold ‘em con apuesta ilimitada, con la incertidumbre de dos cartas ocultas con cuyos posibles valores el jugador tiene que especular, ofrece un ejemplo muy bueno de juego con información imperfecta, y sirve como aperitivo para el planteamiento de otros juegos no tan lúdicos, que pueden ir desde la negociación, la ciberseguridad, las finanzas, o incluso la investigación de tratamientos antivirales (tomando las mutaciones del virus, cuya secuencia genética es conocida, como variables inciertas que le permiten sobrevivir a determinados medicamentos). Muchos planteamientos pueden tener esquemas similares a los del póker: aquí ya no hablamos de que una máquina pueda aprenderse las reglas de un juego y simplemente aplicar la fuerza bruta computacional para calcular, hablamos de otra cosa. Lo que la victoria de Libratus significa es, lisa y llanamente, que una inteligencia artificial ya es mejor tomando decisiones estratégicas en un entorno de información incierta que los seres humanos. Con todo lo que ello puede conllevar.

Si pensabas que una máquina solo era capaz de hacer de manera repetitiva aquello para lo que la habían programado, piénsalo de nuevo. Una máquina ha sido capaz de analizar 120,000 jugadas de póker y, teniendo en cuenta las cartas recibidas, las cartas en la mesa y las apuestas de cada uno de sus oponentes, ganar consistentemente en un número estadísticamente significativo de ocasiones, suficiente como para descartar que fuese simplemente cuestión de suerte. Ahora, cuando te plantees jugar al póker, ya lo sabes: no importa cómo de bien lo hagas, hay una máquina que lo haría mejor que tú y te ganaría sistemáticamente.

Prepárate para llegar a esa conclusión en cada vez más escenarios…

 

Powered by WPeMatico

Abierto frente a cerrado: Apple y la inteligencia artificial

IMAGE: Nasirkhan - 123RFApple anuncia su incorporación a Partnership on AI, la alianza formada por compañías como Amazon, IBM, Facebook, Google o Microsoft, con el fin de compartir avances y mejores prácticas en el ámbito del desarrollo de machine learning e inteligencia artificial.

El movimiento se ve como un principio de apertura en una compañía que tradicionalmente ha llevado a cabo todo su desarrollo completamente por su cuenta, pero que se enfrenta ahora a un ámbito en el que las cosas no parecen ser tan sencillas. Apple fue vista como pionera en el campo de la inteligencia artificial debido al temprano desarrollo e incorporación al iPhone de su agente inteligente Siri, pero a lo largo del tiempo, las prestaciones de Siri han sido eclipsadas por desarrollos de otras compañías, y la han relegado a una posición percibida como mucho menos puntera. De hecho, la compañía parece tener importantes problemas a la hora de atraer talento en este terreno, y la razón principal que se atribuye para ello es precisamente su falta de apertura: lo que un desarrollador de inteligencia artificial parece necesitar en el momento actual es precisamente abrirse a la comunidad, compartir avances y novedades, y publicar sus logros para contrastarlos con otros desarrolladores, precisamente lo que Apple tiende a restringir a sus trabajadores. Para una compañía que tradicionalmente ha sido vista como un auténtico imán para el talento y cuyas ofertas son consideradas un objeto de deseo, la situación de ver cómo sus ofertas de trabajo son rechazadas sistemáticamente debe suponer una preocupación difícil de sostener en el tiempo.

La misión del Partnership on AI se establece como

… estudiar y formular las mejores prácticas en las tecnologías de IA, para avanzar en la comprensión pública de la AI y servir como una plataforma abierta para la discusión, el compromiso sobre la IA y sus influencias sobre las personas y la sociedad.

Indudablemente, una oportunidad para que las compañías participantes compartan un foro común en el que monitorizar progresos y discutir prácticas… pero claramente, el tipo de espacio en el que nunca ha sido habitual encontrar a la compañía de la manzana. La inteligencia artificial, como entorno de desarrollo acelerado y con fuertes posibilidades de convertirse en estratégico – o en llegar incluso a representar un digital divide entre las compañías que la adoptan y las que no – demanda nuevas formas de entender la competitividad, formas que puede resultar complicado acomodar en la cultura corporativa hermética de Apple, basada en un fuerte secretismo. Si el anuncio de ayer supone de alguna manera el principio de un proceso de apertura en este sentido, muchos lo valorarían como algo indudablemente positivo…

 

Powered by WPeMatico