¿Machine o human learning? No seremos reemplazados por máquinas en nuestros empleos

La Inteligencia Artificial está integrándose a todo lo que nos rodea. Veamos por qué nuestros puestos de trabajo no corren peligro.

Toda organización está apoyada en procesos para funcionar. Un proceso es como un “motor que toma una serie de entradas (inputs), los transforma de alguna manera y los convierte en algo diferente como salida (output). Los procesos son manuales cuando los ejecutan personas, y automatizados cuando los llevan a cabo máquinas (a veces son equipos -hardware- y a veces son programas o software). ¿Cuánto hay de cierto de las predicciones del fin del trabajo porque vamos a ser reemplazados por máquinas o software?

Voy a tratar de que entendamos este dilema desde el principio.

Machine Learning (ML) y Deep Learning (DL) son las dos ramas principales de la Inteligencia Artificial. Machine Learning es aprendizaje de la máquina (o “aprendizaje mecanizado ) y Deep Learning es aprendizaje profundo según surge de su traducción del inglés. Ambas técnicas tienen enfoques distintos y tratan de hacernos creer que tienen la capacidad de “aprender , es decir, adquirir conocimiento de algo por medio del estudio, la práctica o la experiencia.

Los algoritmos y técnicas que se utilizan para escribir programas (software) de ML o DL buscan generar la ilusión de aprendizaje a través de un “motor tal que, dado un determinado conjunto de datos o estímulos (inputs), entregan un determinado resultado o respuesta (output). Sigo incluyendo el término “ilusión de aprendizaje porque llega un punto donde empezamos a creer que la respuesta fue generada por un ser pensante como nosotros, y no por un software.

Desde su origen, el software siempre tuvo como objetivo reemplazar las funciones cognitivas de las personas: descifrar el código Enigma para entender las comunicaciones de los alemanes en la Segunda Guerra Mundial, calcular la trayectoria óptima de un misil balístico intercontinental en la Guerra Fría, calcular la programación óptima de recursos para el proceso de manufactura de una planta industrial, determinar el diseño de menor rozamiento del perfil del ala de un avión supersónico, etc.

O sea que, los humanos creamos herramientas de software muy sofisticadas, suministrándoles la información necesaria (input) para que fueran capaces de procesarlas mediante modelos lógicos (motor) para generar el resultado esperado (output). Este método puede denominarse programación tradicional.

Ahora, cuando entra en escena la inteligencia artificial la diferencia es que el modelo lógico (motor) lo elabora el propio software y no es provisto por el humano como ocurre con la programación tradicional. El ejemplo reciente más resonante de esta forma de programar es el software AlphaGo, que es un programa de DL que aprendió por sí solo a jugar al Go (un juego de tablero de origen chino, de 2 jugadores, muy extendido por todo el mundo que es exponencialmente más complejo que el ajedrez y al que se consideraba el “juego inconquistable por una máquina) y le ganó al campeón mundial en marzo de 2016.

Deep Blue fue una computadora (hardware y software) creada por IBM para jugar al ajedrez y en 1996 venció al campeón mundial Garry Kasparov. En su momento, causó estupor mundial, al igual que AlphaGo en marzo del 2016.

Las diferencias entre Deep Blue y AlphaGo son más que sus similitudes. Deep Blue fue una máquina que solamente podía jugar al ajedrez, o sea, era como los viejos GPS de Garmin: podían hacer una sola cosa, no como nuestras computadoras personales, que sirven para cumplir múltiples funciones según el software que se utilice. AlphaGo es un software (no una máquina) que puede correr en cualquier computadora, no en hardware específicoDeep Blue fue creada y programada por un equipo de maestros del ajedrez que le “enseñaron las reglas y las movidas ganadoras; AlphaGo fue programada por ingenieros informáticos con conocimientos básicos del juego de Go, y todas las tácticas y estrategias para poder vencer a un Gran Maestro las infirió el software por sí solo, algo así como “el software se programó a sí mismo los algoritmos para jugar cada vez mejor .

Entonces: ¿dónde impacta la Inteligencia Artificial en el día a día de las organizaciones?

El software creado mediante técnicas de ML o de DL tiene cada vez mayor y mejor capacidad de predicción o anticipación. La predicción no es más que una recomendación (output) a la que el software llega a partir del análisis (motor) de variables con información, datos, estímulos (inputs).

Conocida la recomendación, el paso siguiente es decidir qué hacer, o sea tomar una decisión.  En muchos contextos, también se delega en el software elegir la mejor alternativa (o sea, decidir): es lo que conocemos como “decisiones automatizadas , porque no hay intervención humana. Ejemplos: desde el sensor de lluvias que enciende el limpiaparabrisas de nuestro automóvil hasta los vehículos de navegación autónoma que se manejan solos guiándose por sensores y cámaras. Pero hay muchas otras decisiones que, partiendo de recomendaciones hechas por software, quedan en manos de los humanos.

Luego de la toma de decisión prosigue la acción, es decir, el destino de la predicción y la decisión. También aquí la acción en sí misma puede quedar íntegramente en manos de una persona (el operario de una máquina), o de una intervención manual para hacer algo a través de un medio mecánico o digital (un usuario que confirma una operación presionando un botón en una pantalla o un equipo).

Este esquema general de Análisis + Predicción + Decisión + Acción funciona muy bien con los procesos operativos o transaccionales de una organización: compras, facturación, pagos, despachos, recepción, fabricación, etc. Pero en toda organización hay también dos niveles más de procesos, por encima de los operativos, que no responden tan bien a este modelo: son los procesos de planificación y los de gestión. La planificación contempla la formulación estratégica de largo plazo, la planificación de ventas y stocks, la elaboración del presupuesto anual, la proyección financiera, etc. Por su parte, la gestión incluye todos esos procesos de supervisión, revisión y ajuste de los procesos operativos, y qué ocurre en el día a día.

En ambos tipos de procesos (planificación y gestión) la experiencia, intuición y creatividad tienen mucho más peso en la toma de decisión que simplemente contar con datos e información. El software basado en ML y DL está mucho más avanzado y evolucionado para imitar el pasado (input) en base al contexto actual (input) y así recomendar (motor) un curso de acción (output) que cumpla con esas reglas. La planificación y la gestión requieren hacer recomendaciones intuitivas o creativas que no se aprendieron en el pasado.

Nuestros “asistentes electrónicos empezaron siendo muy rudimentarios y progresaron enormemente: agendas electrónicas (Casio), BlackBerry, smartphones con correo, calendario y contactos integrados, asistentes digitales que interpretan nuestra voz… Pero la decisión de correr una reunión y bloquear un espacio para almorzar con nuestra familia responde a otro tipo de “motor interno que no ha podido ser programado en un software… aún.

¿Te parece que falta mucho para que esto cambie?Mientras tanto, las organizaciones seguirán dependiendo del Human Learning…

Tags relacionados
Noticias del día

Compartí tus comentarios