Si no se ha pasado los últimos cinco años viviendo bajo una roca, es probable que haya escuchado al menos una forma de aplicar la inteligencia artificial (IA) a algo importante en su vida. Desde determinar las características musicales de una canción de éxito para productores nominados a los Grammy1 hasta entrenar al vehículo Curiosity de la NASA para que navegue mejor por su abstracto entorno marciano,2 la IA es tan útil como omnipresente. Sin embargo, a pesar de su omnipresencia, pocos entienden realmente lo que ocurre bajo el capó de estos complejos algoritmos y, lo que es más preocupante, a pocos parece importarles, incluso cuando afecta directamente a la sociedad. Tomemos como ejemplo el Reino Unido, donde uno de cada tres ayuntamientos utiliza la IA para ayudar a tomar decisiones en materia de bienestar público, desde decidir a qué colegio van los niños hasta investigar si hay fraude en las solicitudes de prestaciones sociales3.
¿Qué es la IA?
En términos sencillos, la IA describe máquinas que están hechas para pensar y actuar como humanos. Al igual que nosotros, las máquinas de IA pueden aprender de su entorno y dar pasos hacia la consecución de sus objetivos basándose en experiencias pasadas. John McCarthy, profesor de matemáticas del Dartmouth College, acuñó el término inteligencia artificial por primera vez en 1956.4 McCarthy afirmó que, en teoría, todos los aspectos del aprendizaje y otras características de la inteligencia humana pueden describirse con tanta precisión que una máquina puede simularlos matemáticamente.
En la época de McCarthy, la IA no era más que una conjetura que se limitaba a una serie de tormentas de ideas de matemáticos idealistas. Ahora está experimentando una especie de renacimiento debido a los enormes avances en potencia de cálculo y a la enorme cantidad de datos que tenemos a nuestro alcance.
Aunque las descripciones posthumanas y distópicas de la IA avanzada puedan parecer inverosímiles, hay que tener en cuenta que la IA, incluso en su forma actual y relativamente rudimentaria, sigue siendo una herramienta poderosa que puede utilizarse para crear enormes beneficios o perjuicios para la sociedad. Lo que está en juego es aún mayor cuando las intervenciones de las ciencias del comportamiento hacen uso de la IA. Pueden producirse resultados problemáticos cuando los usos de estas herramientas se ocultan al público bajo un manto de tecnocracia, especialmente si las máquinas de IA desarrollan los mismos prejuicios que sus creadores humanos. Hay pruebas de que esto puede ocurrir, ya que los investigadores incluso han logrado implementar deliberadamente sesgos cognitivos en algoritmos de aprendizaje automático según un artículo publicado en Nature en 2018.5
References
1. Marr, B. (2017, 30 de enero). El nominado al Grammy Alex Da kid crea un disco de éxito usando aprendizaje automático. Forbes. https://www.forbes.com/sites/bernardmarr/2017/01/30/grammy-nominee-alex-da-kid-creates-hit-record-using-machine-learning/#79e589832cf9
2. NASA. (2020, 12 de junio). Los conductores del Mars Rover de la NASA necesitan tu ayuda - Programa de exploración de Marte de la NASA. Programa de exploración de Marte de la NASA. https://mars.nasa.gov/news/8689/nasas-mars-rover-drivers-need-your-help/
3. Marsh, S. (2019, 15 de octubre). Uno de cada tres ayuntamientos usa algoritmos para tomar decisiones sobre bienestar. the Guardian. https://www.theguardian.com/society/2019/oct/15/councils-using-algorithms-make-welfare-decisions-benefits
4. Nilsson, N. J. (2009). La búsqueda de la inteligencia artificial. Cambridge University Press.
5. Taniguchi, H., Sato, H. & Shirakawa, T. Un modelo de aprendizaje automático con sesgos cognitivos humanos capaz de aprender de conjuntos de datos pequeños y sesgados. Sci Rep 8, 7397 (2018). https://doi.org/10.1038/s41598-018-25679-z
6. Facebook. (2017, 27 de noviembre). El aprendizaje automático. Facebook Research. https://research.fb.com/category/machine-learning/
7. Baer, T., & Kamalnath, V. (2017, 10 de noviembre). Controlar los algoritmos de aprendizaje automático y sus sesgos. McKinsey & Company. https://www.mckinsey.com/business-functions/risk/our-insights/controlling-machine-learning-algorithms-and-their-biases
8. Knight, M. (2018, 10 de febrero). He aquí por qué Facebook es una cámara de eco tan horrible. Business Insider. https://www.businessinsider.com/facebook-is-an-echo-chamber-2018-2
9. Blank, G., & Dubois, E. (2018, 9 de marzo). El mito de la cámara de eco. OII | Oxford Internet Institute. https://www.oii.ox.ac.uk/blog/the-myth-of-the-echo-chamber/
10. Hrnjic, E., & Tomczak, N. (2019, 3 de julio). Machine learning and behavioral economics for personalized choice architecture. arXiv.org e-Print archive. https://arxiv.org/pdf/1907.02100.pdf
