<<No tengo memoria, esto es positivo,
no me permite mentir.
No tengo memoria, esto es negativo,
no puedo ser culta,
sigo condenada a ser inteligente a palo seco>>

Gloria Fuertes
Historia de Gloria (1980)

Vivimos en plena cuarta revolución industrial marcada principalmente por el uso de la inteligencia artificial (IA, a partir de ahora) y demás tecnologías para la automatización y digitalización de procesos. Y hace un mes comenzamos una aceleración forzosa de la digitalización de muchas empresas por la horrorosa pandemia que estamos padeciendo.

Todo esto nos conduce a detenernos un momento y reflexionar sobre varias cuestiones que ya estaban pululando por los power points de empresas de todo el mundo. Por un lado, la actualización y la formación en las tecnologías que cuentan las empresas y las que realmente impactan en la mejora de producción y rendimiento de los equipos (trabajo en remoto, acceso a bases de datos, acceso a todo el conocimiento de la empresa, ciberseguridad…) y que, en muchas ocasiones, ni las empresas ni sus equipos saben aún con qué plataformas, servicios de IT, cuentan y, más triste si cabe, no saben usarlos y ni conocen para qué sirven.

Siempre me ha hecho mucha gracia lo que me dijo una vez una amiga que trabaja en una empresa muy importante: “tengo mejor tecnología y trabajo mejor en mi casa”. Y, por otro lado, debemos analizar y saber qué se va a hacer con aquellas personas cuyos trabajos, en especial, los basados en tareas repetitivas y monótonas, van a ser realizados por una máquina, con el consiguiente ahorro de coste operacional para la empresa. He aquí otro de los grandes retos que suscita la IA, el que yo denomino “talento supuestamente eclipsado por la máquina”.

Como profesionales debemos conocer qué valor vamos a aportar y que una máquina no puede ofrecer. A este respecto, las habilidades vinculadas a los ámbitos de humanidades están cobrando mucha relevancia puesto que la curiosidad, la asociación, la creatividad, la empatía, la semiótica, la emoción, entre otras tareas cognitivas, que una máquina aún no puede llegar a realizarlas como hace una persona en tiempo real.

Las máquinas se entrenan y hacen muy bien una tarea determinada pero no “hilan” como hace nuestra mente. Ahora entiendes el por qué de la cita inicial, ¿verdad?. Es la hora de las personas que somos “inteligentes a palo seco”.

Tengas la formación que tengas, la experiencia que tengas… el sector digital y, en especial, el de la IA, demanda equipos multidisciplinares, diversos. Amy Wilkinson, profesora de la Universidad de Stanford y autora de “The Creator´s Code”, habla de ello muchas de las seis habilidades esenciales que explican el éxito de 200 startups (PayPal, Dropbox, Spanx, entre otras), a cuyos fundadores entrevistó la autora. Las seis habilidades son las siguientes:

1. Encontrar la brecha.
2. Enfocarse en el horizonte (en inglés, “Drive for daylight”)
3. Volar el bucle OODA.
4. Fallar sabiamente.
5. Trabajar mentes en red.
6. Dar pequeños regalos o fomentar la generosidad (en inglés, “Gift small goods”).

Centrándonos en el punto 5, “Network minds”, que está centrado en la diversidad de identidad (género, raza, orientación sexual, edad…) y cognitiva (perfiles de humanidades, tecnológicos, artistas, analistas…), Amy Wilkinson afirma, “para resolver problemas multifacéticos, las personas creativas reúnen la capacidad intelectual de diversas personas a través de foros dentro y fuera de la empresa. Para ello, las personas creadoras generan espacios compartidos, fomentan equipos diversos (“flash teams”), organizan concursos con premios y juegos relacionados con la construcción. Colaboran con aliados improbables.”, en definitiva, interacciones y alianzas que entre las máquinas no se dan.

¿Qué es la IA?

La IA es la capacidad de dotar de cognición a las máquinas, tomándose como referencia la cognición humana, esto es, las diferentes inteligencias: lingüística, matemática, espacial, musical… A una máquina se le tiene que entrenar para que, como decíamos, realice una tarea concreta: entender una acta de constitución, hablar con el cliente, mandar un email de forma automática, ofrecer determinado producto, ajustándose al perfil del usuario, predecir el stock que se va a requerir, predecir la rotura de una pieza en una cadena de producción, entre muchísimas tareas.

Según la naturaleza del proceso a automatizar y, en especial, de los datos a digitalizar (la IA necesita de gran cantidad de datos) estaremos hablando de diferentes entrenamientos o aprendizajes de la máquina:

1. Aprendizaje supervisado o machine learning (ML), donde una persona experta de dominio trabaja de forma colaborativa con el equipo de ingeniería para explicarle en qué se tiene que fijar la máquina (información relevante) y qué tiene que hacer con dicha información (output). A partir de entonces, el equipo de entrenamiento lo que hace es “premiar” y “corregir” a la máquina según vaya procesando los datos hasta que aprenda a realizar las tareas determinadas con una tasa de acierto (accuracy rate, en inglés) definida al principio. Esta tasa depende de la finalidad del proyecto, por ejemplo, no es la misma tasa de acierto la que se requiere para entrenar un coche autónomo que la de un chatbot basado en FAQs.

Un ejemplo de este tipo de entrenamiento, al que le unimos una capa cognitiva lingüística – enfoque simbólico-, es el que hacemos en Taiger para entender, extraer y digitalizar la información contenida en documentos legales (actas de constitución, notas de poder, registros…), administrativos (nóminas, facturas, DNIs…) o cualquier tipo de documento ya sea escrito, de voz o en imagen. En unos meses ayudamos a empresas a que sus sistemas puedan procesar y automatizar documentación de forma rápida, sencilla y a la hora que quiera o requiera el cliente interno o externo.

Ahora bien, se necesita de un entrenamiento previo y supervisado por parte de lingüistas computacionales y NLP Engineers o ingenieros/as de Procesamiento del Lenguaje Natural. Los lingüistas computacionales son especialistas en transformar nuestro lenguaje natural, en sus diferentes niveles, fonético – voz, morfológico – palabra, sintáctico – oración, semántico – significado y pragmático – enunciado, a un código que lo entienda un ordenador. Abro aquí un inciso, como doctora en lingüística y tecnóloga, siempre me ha llamado mucho la atención que muchas empresas que venden tecnología para entender y/o nuestro lenguaje no cuenten con lingüistas en sus equipos. Es como no contar con abogados/as en el área de legal… Sin embargo, he de decir que cada vez más especialistas lingüística somos más demandados, sean de la especialidad que sean.

Creo que el mundo empresarial ha llegado a la conclusión tautológica de que el lenguaje es el principal nexo personal (esas charlas de cenas con nuestra gente que tanto echamos de menos en estos tiempos…), social (en nuestras redes, espacios compartidos…), profesional (cualquier documento con que tenemos que trabajar: un PPT, una propuesta a cliente, emails y más emails…) o emocional (ese “te quiero” o “gracias por tu trabajo” que dan calambrazos de felicidad…), en definitiva, todo nuestro conocimiento y comunicación.

De hecho, el que las máquinas entiendan el significado de nuestro lenguaje, verbal y no verbal, es la principal diferencia que hay entre la IA y la inteligencia humana, tal y como señaló Nuria Oliver en su discurso de acceso, “Inteligencia Artificial: Ficción, realidad y… sueños”, como Académica a la Real Colegio de Ingeniería de España, el cual debería ser de obligatoria lectura en todas nuestras facultades y escuelas de negocios.

2. Otro tipo de entrenamiento o aprendizaje es el conocido como aprendizaje profundo o, en inglés, “deep learning”. Yo siempre recomiendo el documental “AlphaGo” para entender qué es y cuál es el potencial de este tipo de IA. El deep learning consiste en que la propia máquina se entrena, esto es, es capaz de tomar decisiones sin el entrenamiento previo y supervisado por parte de una persona especialista, lo que conlleva que los algoritmos con los que opera esta máquina decidan en virtud de sus conjeturas matemáticas si me dan un crédito, me operan antes, me conceden una beca… Así pues, según esto, mi ser se convierte en unos parámetros según los cuales la máquina decide si soy válida o no para lo que pido o necesito.

Sin embargo, muchos de los datos con los que operan estos algoritmos están sesgados por uno o varios de los principales sesgos que suelen darse en proyectos de big data: sesgo de confirmación, heurística de disponibilidad, paradoja de Simpson, no normalidad, sobre y bajo ajuste, que, por razones de extensión, no puedo detenerme. A esta carencia de equidad y/o calidad en los datos se le une la falta de diversidad en los equipos de big data y/o IA, los cuales suelen estar formados por hombres, blancos, judeo-cristianos, heterosexuales, de mediana edad y sin discapacidad.

Esto explica que plataformas de empleo, de contactos o de crédito a las mujeres se nos considere seres inferiores o de mayor riesgo que a un hombre con nuestras mismas características formativas o socio-económicas, así pues, se nos ofrece trabajos menos cualificados y remunerados (véase noticia de El País), se nos empareja con “seres superiores” (Judith Duportail en El algoritmo del amor te lo explica en detalle) o se nos ofrezca 20 veces menos del crédito (véase noticia de El Confidencial), entre otros muchos y tristísimos ejemplos que podría exponer, además de los de falta de diversidad racial existentes en muchos productos de reconocimiento facial. Cathy O´Neill, en su libro “Armas de destrucción matemática”, aborda estas cuestiones en mayor detalle.

Muchas de las personas que trabajamos en IA reivindicamos la creación de un Código Ético para la creación, el desarrollo y el uso del Big Data y la IA, de igual modo que tienen otros profesionales de derecho, medicina… ¿Y nosotros, por qué no lo tenemos, si nos servimos de la tecnología para tantos y tan variados fines y de tan alto impacto social? Existen directrices éticas de la Comisión Europea o “prioridades” como las que figuran en la Estrategia Nacional de I+D+I de IA de 2019, en donde la ética se expone de manera sucinta en la “Prioridad 6”, pero en ningún caso, se nos proporciona un Código Ético.

Espero que no se tarde mucho en generar este documento marco con el que todos los profesionales de Big Data e IA tengamos que trabajar, ya que, como hemos visto en muchos casos y seguiremos viendo, con la autoregulación, con el “deja, deja… que ya me voy controlando yo” la privacidad y la transparencia son las últimas invitadas y más ahora en tiempos del Covid-19, donde por medio del control de contagios se está justificando el saltarse dicha privacidad. Mientras esperamos, suelo aconsejar el uso del Data Ethics Canvas de theodi.org para analizar y gestionar de forma ética los datos de cualquier proyecto y en el que se invita a participar a todos los departamentos de la empresa.

A lo largo del presente artículo he intentando mostrar los muchos y muy apasionantes retos empresariales, sociales y éticos que traen consigo el Big Data y la IA. Como hemos visto, la mayoría de estos retos exigen que colaboremos perfiles de diferente naturaleza, en red, ya sea en remoto o presencial, que seamos rabiosamente humildes para aprender de personas y áreas que pensábamos que estaban lejos de nuestro campo de acción o conocimiento y, sobre todo, que veamos la diversidad de identidad (género, edad, orientación sexual…) y cognitiva (humanidades, ingenierías, áreas artísticas…) como uno de los principales activos de la empresa.

Pensemos que la tecnología es simplemente un medio, el bien social es siempre el fin. Los egosistemas no hacen avanzar, no ofrecen la agilidad que demandan hoy las empresas de todo tipo y cualquier sector. Es hora de co-crear en ecosistemas. Usemos nuestra inteligencia colaborativa a palo seco.