Alquimia, cómo los datos se están transformando en oro

Introducción

La alquimia tradicional, aquella que ya desarrollaban los antiguos egipcios, trataba de convertir el plomo en oro sin éxito. Al publicar tu información personal en las redes sociales o simplemente aceptando políticas de privacidad sin demasiado detenimiento, estarás dando al alquimista la materia prima necesaria para monetizar tu rastro digital.

En la actualidad, los datos se están convirtiendo en el nuevo oro. Como él, su valor crece con el tiempo, ya que tienen un valor inherente que permite mejorar la posición financiera de quien los posee. La inteligencia artificial, la robótica, el machine learning y la analítica avanzada conforman una economía y una sociedad basada en los datos.

El big data y la ciencia de los datos nos rodean sin que nos demos cuenta. Y es que las empresas y las instituciones públicas, así como los consumidores y ciudadanos, pueden mejorar gracias a una toma de decisiones basada en datos.

Los datos no son petróleo, pues se puede tener mucho petróleo y no ser rico. Los datos se asemejan mucho más a un metal que, tras un proceso de transformación, transmuta en oro. Aun así, tienen un valor intrínseco y su mera acumulación genera poder.

 A mucha gente le sorprendió que Facebook pagara 20 000 millones de dólares por WhatsApp, una empresa que no generaba ingresos, simplemente por su capacidad para acumular datos. Si eres una de esas personas, este libro te ayudará a entender el tremendo potencial de esta información.

Los datos pueden ser utilizados para ajustar de forma precisa la oferta en base a la demanda, fijar precios, delegar tareas repetitivas a algoritmos de aprendizaje automático, hacer seguimiento de constantes vitales a deportistas de élite y enfermos crónicos, e incluso para secuenciar ADN con el fin de desarrollar fármacos personalizados.

Tras hacer una breve repaso histórico, veremos cómo diversos sectores aplican la ciencia de datos para que así puedas navegar por la transición del Homo sapiens al Homo algorithmus.

Historia de la alquimia

En octubre de 1950, Alan Turing plantea la siguiente pregunta: «¿Pueden las máquinas pensar?». Para responderla, plantea un juego que enfrentaría a un humano y una máquina, donde un tercero mediante preguntas determinaría quién es humano y quién no. En el caso de que las respuestas cayesen por debajo del 50 %, Turing afirmaba que podría considerarse que las máquinas pueden efectivamente pensar.

 A día de hoy, el «juego de la imitación» o test de Turing prevalece como la prueba definitiva acerca de la inteligencia de las máquinas. El inventor y futurólogo Raymond Kurzweil vaticinó que el test sería superado en menos de veinticinco años. Muchas personas no se tomaron seriamente su predicción a pesar de la velocidad con la que progresa la tecnología.

Uno de los primeros indicios de una inteligencia superior nos lleva, ni más ni menos, al primer vehículo autónomo. Desde 1961, la NASA llevaba a cabo investigaciones con el fin de que un vehículo se desplazara por la superficie de la luna bajo control terrestre. El tiempo de retardo entre el emisor y el receptor, este último situado en el satélite, hacía esto inviable.

Tras muchos intentos, en 1979, Hans Moravec, estudiante de doctorado, mediante un sistema de cámaras programó un vehículo para que, de forma autónoma, fuera capaz de recorrer una habitación plagada de obstáculos. El vehículo avanzaba un metro tras analizar durante quince minutos cuál era la mejor ruta para evitar colisiones. Fueron las cinco primeras horas de vida de un vehículo totalmente autónomo.

En 1997, el campeón de ajedrez Garry Kaspárov se enfrentó a una computadora de IBM llamada «deeper blue» con 700 000 partidas de ajedrez recopiladas para su programación. Anteriormente Kaspárov dijo que ganaría a la máquina en cualquier circunstancia: «Es solo una máquina. Las máquinas son estúpidas».

Tras cinco partidas empatadas, Kaspárov cometió un tremendo error en la sexta partida, probablemente fruto del cansancio, el cual supuso su derrota. Esta máquina se exhibe a día de hoy en el museo Smithsonian de Washington.

El siguiente paso fue mejorar «deeper blue» para que, en vez de aprender mediante fuerza bruta miles de partidas, pudiera aprender en situaciones imprevistas y tomar en ellas las mejores decisiones. Este proceso es el que se conoce hoy en día como Machine Learning, Deep Learning o aprendizaje profundo.

De este modo, los ingenieros de IBM desarrollaron un algoritmo, que más tarde compró Google, con el fin de formar la empresa Google DeepMind. Las mejoras del traductor de Google son fruto de la aplicación de este algoritmo.

Por otro lado, el algoritmo de la organización J. Walter Thompson logró analizar y replicar una obra de Rembrandt, logrando así suplantar a todo un equipo formado por historiadores de arte, investigadores de materiales, científicos de datos e ingenieros.

En Waymo, el proyecto de Google para desarrollar automóviles autónomos, los coches realizan pruebas en carreteras públicas sin nadie manejando el volante. Los modelos de aprendizaje automático y de inteligencia artificial trabajan codo con codo en las dos tareas esenciales: recopilar información y procesarla para tomar decisiones.

Aunque los coches estén capacitados para actuar de forma autónoma, sin intervención humana de ningún tipo, en determinadas situaciones el vehículo puede comunicarse con la central para consultar algunas decisiones. No obstante, nadie conduce el vehículo en remoto.

 Y es que pueden darse circunstancias imprevistas que requieren ayuda externa. No tanto por la incapacidad de reaccionar y decidir, sino por la toma de decisiones, como primar la seguridad de los pasajeros y del entorno.

 En el proceso de incorporar la ciencia de datos, es fundamental el conocimiento experto de las personas. Solo quienes combinen correctamente ambos aspectos, el tecnológico y el humano, tendrán éxito. Al menos por ahora.