Consideraciones sobre la revolución cognitiva en que vivimos

La tesis y el proyecto final de mi licenciatura en Ingeniería Industrial trataron de un sistema de reconocimiento de voz (que realmente sólo comprendía números) que programé en C++ usando redes neuronales y modelos ocultos de Márkov

Por sorprendente que parezca, la verdad es que su alcance era limitado. Lo entrené con un conjunto de datos obtenidos de la población total de mi dormitorio universitario, que consistía en aproximadamente 150 estudiantes, quienes pacientemente pasaron por mi habitación en su tiempo libre para decirle unos pocos números a mi sistema. El tiempo de procesamiento era algo desesperante, me tomó toda la noche entrenar al sistema, ejecutando Linux en mi Compaq 486. Al final, el sistema pasó a reconocer números con mucha exactitud, con independencia de quien los pronunciara. Más o menos al mismo tiempo, Deep Blue derrotó a Kaspárov, el campeón mundial de ajedrez, ¡por primera vez! Garry ganó los tres partidos siguientes, el sistema no era realmente “inteligente”, de la misma que una calculadora no es inteligente, sólo seguía reglas.

Ni en mis mejores sueños me podría haber imaginado que, cerca de 20 años después, los mismos principios de aprendizaje automático que utilicé en mi sistema de reconocimiento de números serían el epicentro de la increíble revolución cognitiva en que estamos inmersos actualmente.

El ritmo del cambio tecnológico no tiene precedentes. Tras echarle un vistazo al sitio web de TensorFlow el pasado fin de semana y navegar por todos los recursos con disponibilidad inmediata que la comunidad ha creado y compartido hasta el momento, me parece que lo que solía demorarse varios meses para desarrollar podría hacerse en menos de una semana actualmente y podría implementarse con un desempeño mucho mejor aún en dispositivos móviles, porque ¿dónde más querríamos utilizarlo hoy día? Parece que nuestra civilización ha adoptado completamente el proverbio africano que dice “si quieres ir rápido, camina solo. Si quieres llegar lejos, ve acompañado” — y esta es una muy buena noticia para este esfuerzo.

Para quienes demuestran una inclinación al optimismo, el crecimiento de la productividad con base en la Inteligencia Artificial es una promesa de desarrollo para la economía global una vez que las empresas podrán innovar y llegar a mercados mal atendidos de forma más eficaz con productos que ya existen, y permitiendo la creación de nuevos productos y servicios a largo plazo.

Para comprender lo que actualmente denominamos Inteligencia Artificial y sus capacidades, así como diferenciar lo falso de lo real, es imprescindible saber que el tipo de Machine Learning conocido como Deep Learning todavía está basado en redes neuronales artificiales, fundamentadas en el modo de funcionamiento del cerebro humano. Investigadores entrenan redes neuronales con ajustes en las funciones de activación y sus respectivos pesos para obtener los resultados deseados. Con una sola capa de red (al igual que mi reconocedor de números) solamente se pueden identificar patrones, pero con múltiples capas se pueden encontrar patrones en los patrones. Los sistemas de redes neuronales actuales normalmente están compuestos de 20 a 30 capas. Tal elevado nivel de abstracción es el principal motivo de las mejoras considerables en Machine Learning e IA. Hay muchísimos tipos de variaciones de IA (con supervisión, sin supervisión, por refuerzo, por transferencia, etc.), pero no entraré en eso aquí.

El Machine Learning depende de un abordaje ascendente basado en datos para el reconocimiento de patrones. Se vale del mismo abordaje que mis hijos utilizaron para aprender cuatro idiomas distintos: la inmersión en vez de la memorización gramatical. De forma sencilla, en vez de codificar la lógica para distinguir los datos, simplemente hay que alimentar el sistema con los datos y decirle qué es y qué no es para que la computadora desarrolle el programa adecuado.

Actualmente, varios factores contribuyen al boom de la inteligencia artificial:

• La disponibilidad de tremendas cantidades de datos, el “nuevo petróleo” que alimenta esta revolución, en todas sus formas y manifestaciones (medios sociales de las empresas, sensores etc.).

• La disponibilidad inmediata de algoritmos de complejidad cada vez mayor y, frecuentemente, con el código fuente abierto por una comunidad muy activa de desarrolladores de IA.

• La inmensa capacidad computacional, con más eficiencia en el procesamiento de gráficos y más unidades de procesamiento tensorial, agregadas en clústeres en hiperescala y disponibles en la nube.

Hay oportunidades infinitas que solamente nuestra estrecha imaginación podría limitar. Por lo tanto, el reto no respecta a la computación, sino a un cambio evolucionario en nuestra forma de pensar y trabajar. Ya no existen las restricciones de la ley de Moore. Cualquier tarea repetitiva para la cual existan grandes cantidades de datos con que alimentar las máquinas puede y será automatizada.

Entonces, ¿eso es todo? Todavía no, ¿Qué nos reserva el futuro? Dicen los expertos que, actualmente, todos los prometedores casos de uso de IA giran alrededor de aplicaciones de lo que denominan “IA débil”, en la cual se desarrollan técnicas de Machine Learning para la resolución de problemas muy específicos. El gran reto es el desarrollo de una IA que pueda enfrentar problemas generales al igual que los seres humanos, pero parece que todavía faltan décadas para tal “Inteligencia Artificial fuerte”.

Mientras tanto, todos los sectores se valen de la “IA débil” y sus datos para obtener nuevos conocimientos y generar avances en sus áreas. En Internet, hay muchísimos casos de uso para casi todos los sectores. Los siguientes son algunos ejemplos que facilitan la comprensión de la presencia de la IA en nuestras vidas cotidianas sin que nos demos cuenta de ella:

Los asistentes domésticos o los teléfonos con reconocimiento de voz utilizan la IA. ¿Te has dado cuenta cómo comprenden cada vez mejor incluso a niños pequeños cuando hay ruido de fondo?

• ¿Has tratado de hacer una búsqueda en tu álbum de fotos recientemente? Nadie ha etiquetado tus fotos con un perro porque la IA vuelve a trabajar detrás de escena.

• Los algoritmos de reconocimiento facial (la identificación facial de tu teléfono, por ejemplo) basados en el aprendizaje profundo tienen una tasa de precisión superior al 99%.

• La IA puede alertar a los médicos de las unidades de cuidados intensivos sobre la probabilidad de empeoramiento del cuadro clínico de un paciente minutos antes de sus signos vitales, lo que les daría un tiempo extra de reacción inestimable.

• Google identifica correo basura y traduce páginas web a más de 100 idiomas diferentes con la IA. Como cualquier otro algoritmo de IA, su proceso de ensayo y error mejora a medida que más datos están disponibles y, en realidad, Google tiene una cantidad tan inmensa de datos para el perfeccionamiento de sus algoritmos que es difícil distinguir sus traducciones de las de un lingüista.

• El sueño del profesional de marketing se hace realidad poco a poco. La IA permite pasar de la segmentación a la microsegmentación mediante la comprensión de muchísimos datos empresariales y sociales y la presentación de opciones de precios y promociones que las empresas nunca habían visto antes. Las empresas pueden conocer a sus clientes mejor y saber, de forma muy exacta, qué ofrecerles, cuándo ofrecérselo y por qué canales (dónde). Actualmente, es rutinaria la utilización de algoritmos referentes a “productos más vendidos” en las tiendas y casos de uso parecidos prosperarán en otros sectores para el enriquecimiento de las experiencias de los clientes.

• El análisis de datos de sensores. Se utiliza la IA en la mejora del desempeño empresarial a través del mantenimiento predictivo.

En la logística, la IA puede optimizar la planificación de las rutas de la flota de entrega, lo que reduce el consumo de combustible y acorta el tiempo de entrega.

• Los centros de procesamiento de datos crecen vertiginosamente a causa de la expansión de los prestadores de servicios en la nube (hiperescaladores). La IA puede agregar y analizar datos rápidamente y generar resultados productivos, que los operadores pueden utilizar en la gestión de la densidad relacionada con la computación, la interconexión y el almacenamiento, reduciendo el consumo de energía eléctrica y aumentando el desempeño.

• El aprendizaje no supervisado les pide a las máquinas que busquen patrones en los datos. Entre los casos de uso más interesantes están la identificación de ataques cibernéticos, amenazas terroristas o fraudes con tarjetas de crédito.

• ¿Alguna vez has leído “Moneyball” de Michael Lewis? La novela describió cómo el equipo Oakland Athletics utilizó un abordaje basado en análisis y evidencias en vez de la opinión de ojeadores deportivos para la formación de un equipo de béisbol campeón. Actualmente, las empresas se valen de este abordaje en la contratación, y los avances en el análisis y la IA han mejorado considerablemente la capacidad y la precisión del “análisis de personas”. Con el análisis, algunas empresas complementan o sustituyen a seres humanos en el proceso tradicional de entrevistas para el reclutamiento de personas de cualquier nivel de habilidad.

Su uso se ha generalizado en el reclutamiento de trabajadores autónomos a tiempo parcial o en el cotejo con las necesidades de la empresa en mercados de empleos a tiempo parcial que saturan la economía. Un abordaje basado en datos a la caza de talentos permite que las empresas amplíen el grupo de postulantes y lleguen a universidades que no fueron por falta de tiempo. Decisiones

de recursos humanos que van del reclutamiento y de la capacitación a la evaluación y la retención son cada vez más asistidas o motivadas por datos y algoritmos de Machine Learning.

¿Qué significa esto para tu sector o para tu empresa? ¿Cuáles son las oportunidades específicas? ¿Cuál es su valor? ¿Cuáles son los casos de uso? Aunque ninguna solución normalmente sirva de “santo remedio” con un impacto verdaderamente transformador por sí sola, cada una de ellas hará que tu modelo sea más difícil de copiar y lo mejorará con relación al de la competencia.

A esta altura, puede ser que haya asustado a algunos lectores, una vez que las implicaciones sociales son claras. Si las máquinas pueden leer imágenes de rayos X o resonancia magnética tan bien como o mejor que los radiólogos que tienen años de entrenamiento y experiencia, ¿los radiólogos son necesarios?

De acuerdo con McKinsey, cerca de mitad de las actividades profesionales actuales (no oficios) puede técnicamente ser automatizada y aunque menos del 5% de los puestos de trabajo pueda ser totalmente automatizado, casi el 30% de las tareas en 60% de las ocupaciones puede ser computadorizado.

Aun los oficios administrativos están amenazados de automatización. En realidad, no hay distinción entre habilidades manuales y cognitivas u oficios manuales y administrativos — más bien, se trata de saber si un oficio tiene muchos elementos de repetición y si hay enormes cantidades de datos disponibles o que pueden recopilarse para el entrenamiento de los algoritmos. Los oficios que son rutinarios, repetitivos y predecibles pueden ser realizados por las máquinas mejor, más rápido y más barato — y probablemente serán hechos por las máquinas, tarde o temprano. En sí, eso no es ni bueno ni malo, es un hecho.

En mi humilde opinión, la IA puede humanizarnos. A nadie le gusta hacer tareas repetitivas. Así como las calculadoras permitieron que la gente dedicara su tiempo a trabajos más significativos y complejos o los cajeros automáticos transformaron la función de los cajeros de mero reparto de efectivo en atención al cliente, la IA no reemplazará el discernimiento humano, pero será un importante complemento que liberará a los humanos para que se centren en tareas que realmente los necesitan. Las empresas podrán servir a poblaciones mal atendidas y dedicar el tiempo de sus expertos a las labores que realmente exigen su pericia.

La automatización estimulará el crecimiento de la necesidad de pensamiento crítico, creatividad, procesamiento de informaciones complejas y habilidades sociales y emocionales, como la comunicación y la empatía. Las llamadas “profesiones de alta interacción personal” probablemente estarán en alza.

Pese a la eliminación de algunos oficios, otros se transformarán o se crearán y, ojalá, será un cambio para mejor. La tendencia con que todos parecen estar de acuerdo es que el ritmo del cambio será proporcional a los sueldos, al menos en Estados Unidos.

La principal competencia que se necesitará en el futuro es la capacidad y el deseo de aprender. La IA tal vez nos ayudará a decirnos qué necesitamos aprender.

Para concluir, mi lado consultor plantea algunas directrices sobre las mejores formas de aprovechar la IA en las organizaciones:

• Al igual que muchas cosas en la vida empresarial, se trata del liderazgo. Hay que crear una hoja de ruta tecnológica descendente liderada por la empresa. Los principales ejecutivos deben crear y adoptar una visión abarcadora de la forma en que la tecnología puede perfeccionar el desempeño de las empresas. Poco a poco, esto cambiará la cultura también.

• Hay que poner a los líderes de negocios y tecnología de acuerdo con relación a la secuencia de soluciones que desarrollar. Debe haber una comprensión mutua de la tecnología para que el área de negocios pueda solicitar los servicios y el soporte de la división de tecnología — así, el departamento de Tecnología de la Información no le impondrá soluciones.

• Piensa en el área en que actúas o en que puedes actuar. Establece el lindero más borroso de tu sector. No definas a la competencia restringidamente. Defínela ampliamente o los demás lo harán por ti.

• Como los datos alimentan esta revolución, aprovéchalos — son la fuente de tu ventaja competitiva. Consecuentemente, debes contar con una estrategia de datos y un modelo de gobernanza para garantizar que los datos sean fiables, accesibles y continuamente enriquecidos para que adquieran más valor. Dales prioridad a los dominios de datos que apuntalen un conjunto inicial de soluciones.

Igualmente, repiensa tu plataforma de TI — cuenta con una plataforma de datos en el centro de tu ecosistema de TI y un entorno de desarrollo para la producción de software y código analítico. Hay más valor en datos bien administrados que en la principal plataforma de tu negocio, que, a decir verdad, se transforma en un lujo (a propósito, algunas empresas como Allianz han abierto su código) y solamente representa una fuente más de datos valiosos para tu plataforma de datos.

• Conecta las aplicaciones heredadas y digitales con la plataforma de datos a través de la programación de aplicaciones.

• No trates de dar en el clavo la primera vez — más bien, realiza iteraciones cortas y sencillas como la mejor forma de avanzar. Adopta métodos ágiles de gestión de proyectos y sus productos viables mínimos.

Implementa las medidas para que estés seguro de que, cuando implantes nuevas tecnologías, harás ajustes creadores de valor en los modelos operacionales de otras áreas. Así, tus esfuerzos no se aislarán — se difundirán en la cadena de valor. Todas las soluciones tecnológicas deben establecer una nueva fase de cambios operacionales.

Consultores y terceros pueden ayudarte, pero no escalará si no somos capaces de contratar a personas con capacidad de refinamiento y extraer valor de este importante recurso.

Para la superación de los silos funcionales, parece que van por el buen camino las empresas con centros de excelencia que definen abordajes, métodos y herramientas y capacitan al resto de la organización, con células ágiles que imparten casos de uso a las áreas de negocios. En everis, contamos con centros en diversos puntos como Chile, Brasil y Perú, aportando un valor agregado al negocio de nuestros clientes.

Cada vez más, empresas de varios sectores aprovechan la capacidad de la IA en sus actividades. Sin que dejes de ser fiel a ti mismo, piensa en cómo puedes aprovechar tus activos para la adopción de esta revolución cognitiva.

Si tienes un laboratorio, un emprendimiento, un puesto de avanzada en Silicon Valley, incubadoras o aceleradoras por todo el mundo o llevas a cabo hackatones internos o externos o inviertes, juntamente con otros inversionistas de capital de riesgo, para conocer lo último o todo lo anterior, cerciórate de que los utilizarás para subirte al carro de la IA cuanto antes. Este camino exigirá conocimiento, valentía, convicción y entusiasmo.