El MIT y la importancia de la inteligencia artificial
El MIT anuncia la creación de un nuevo centro, el Stephen A. Schwarzman College of Computing,
dedicado a reorientar la institución para llevar el poder de la computación y la inteligencia artificial a todos los campos de estudio, posibilitando que el futuro de la computación y la inteligencia artificial se forme a partir de ideas de todas las otras disciplinas. La idea es utilizar la AI, el machine learning y la ciencia de datos con otras disciplinas académicas para “educar a los profesionales bilingües del futuro”, entendiendo como bilingües a personas en campos como la biología, la química, la política, la historia o la lingüística que también tienen experiencia en las técnicas de computación moderna que pueden ser aplicadas a ellos. El centro se crea con un presupuesto de mil millones de dólares tras la aportación de $350 millones de la persona que le da nombre, Stephen A. Schwarzman, CEO de The Blackstone Group, la trigésima cuarta persona más rica del mundo según el ranking de Forbes, y convierte a la institución en la que más claramente identifica el potencial futuro de una disciplina llamada a cambiar completamente el mundo tal y como lo conocemos. La idea de establecer el centro como una estructura propia y con un carácter fuertemente multidisciplinar refuerza la frase que llevo utilizando bastante tiempo tras leerla en un muy recomendable artículo de Erik Brynjolfsson y Andrew McAfee titulado “The business of , y que afirma que Artificial Intelligence“ … durante la próxima década, la IA no reemplazará a los directivos, pero los directivos que utilizan la IA reemplazarán a los que no lo hacen” El planteamiento de un centro multidisciplinar completamente independiente abre este planteamiento más allá del management, y afirma que un proceso similar, el desplazamiento de los profesionales tradicionales a manos de aquellos que saben utilizar herramientas como la AI, el machine learning o la ciencia de datos, ocurrirá en prácticamente todas las disciplinas. Un proceso de este tipo lo podemos ver ya en campos tan diferentes como el ya citado management, en el que compañías de todo el mundo adquieren herramientas analíticas para llevar a cabo la predicción y la automatización inteligente de procesos a partir de sistemas que aprenden de los datos, o las ciencias de la salud, en las que los profesionales se preguntan qué van a hacer cuando una buena parte de su trabajo, como los diagnósticos, sean llevados a cabo por herramientas algorítmicas. La semana pasada, Google presentó estudios que demuestran que sus algoritmos de análisis de imagen son capaces ya de identificar tumores en cánceres de mama con un 99% de precisión. Otros estudios publicados en journals de prestigio afirman que pruebas diagnósticas como los ecocardiogramas pueden ya ser interpretados de manera completamente automática. El pasado año, cuando en el evento de innovación de Netexplo en París me pidieron que presentase a uno de los ganadores, la compañía india de diagnóstico de imagen médica Qure.ai, mi conversación con una de sus fundadoras en el escenario trató de explorar precisamente el aspecto de la supuesta sustitución: ¿cómo se sentían los radiólogos cuando, tras haber cedido sus archivos de imágenes a la compañía para que adiestrase su algoritmo, veían que este era capaz de diagnosticar tumores con mayor precisión que los propios facultativos? La respuesta fue clara: tras un breve período de adaptación, los profesionales de la medicina decidían que estaban mejor dejando que fuese el algoritmo el que llevase a cabo ese trabajo – algunos diagnósticos suponen, en ocasiones, examinar decenas o cientos de imágenes muy parecidas – y decidían dedicar su tiempo a otras tareas que consideraban más productivas. De hecho, algunos manifestaron que en la próxima generación de médicos, la habilidad de tomar una radiografía, mirarla y aventurar un diagnóstico sobre ella se perdería completamente, y sería vista como algo peligroso que los médicos hacían en la antigüedad. De nuevo, la misma respuesta: en los hospitales de todo el mundo, los algoritmos no sustituirán a los radiólogos, a los mamografistas ni a los ecocardiografistas… pero los profesionales que sepan utilizar inteligencia artificial y machine learning en sus diagnósticos sustituirán a los que no lo hacen, que incluso pasarán a ser vistos como un mayor riesgo para los pacientes. El MIT no ha sido la única institución académica en entenderlo así, pero sí ha sabido ser la primera y la más visible a la hora de embarcarse en una iniciativa tan profundamente ambiciosa sobre el tema: en IE University llevamos muchos años haciendo que los profesores de nuestros programas más especializados en analítica y ciencia de datos se conviertan en una fuente de cursos para otros programas generalistas en disciplinas completamente diferentes, planteando grados con doble titulación que solapan ambas disciplinas, e introduciendo las humanidades como una parte fundamental del curriculum en todos los grados, como una manera de reflejar esa misma preocupación e intentar dar forma a los profesionales del futuro. Tratemos de plantearlo así: en cada profesión, la inteligencia artificial y el machine learning encontrarán aplicaciones que, al cabo de un cierto tiempo, mejorarán las prestaciones de los humanos llevando a cabo esas mismas tareas. Para educar a esos nuevos profesionales, será fundamental que entiendan el funcionamiento de los algoritmos de inteligencia artificial y machine learning que utilizan, no solo para evitar un posible mal funcionamiento como el de ese algoritmo que, en Amazon, decidió dejar de contratar mujeres basándose en los datos históricos de la compañía, sino también para poder idear y diseñar nuevos procesos de innovación que apliquen la potencia de esos nuevos desarrollos tecnológicos y de otros aún más potentes que surgirán en el futuro. El paradigma de la sustitución es, de por sí, autolimitante y peligroso. Nadie en su sano juicio entendería que insistiésemos en que le diagnosticase un médico humano en lugar de un algoritmo capaz de hacerlo con mucha más precisión, del mismo modo que muy pronto, nadie entenderá que pretendamos conducir nuestros automóviles sabiendo como sabemos que somos la fuente de la inmensa mayoría de los accidentes, cuando existen algoritmos capaces de hacerlo muchísimo mejor y de manera infinitamente más segura. Tratar de preservar empleos a costa de hacer mejor las cosas es una estrategia perdedora.