Algoritmos cibernéticos: el nuevo oráculo social

Oráculos: comunicación con los dioses

Una constante del ser humano en todas las épocas de la historia radica en su curiosidad por saber cómo será el futuro. Pronosticar lo que vendrá ha sido rasgo humano desde las primeras formas civilizatorias; para ello ha inventado oráculos que, según el tipo de cultura, han sido la manera de adivinación del porvenir. Todo oráculo conecta fuerzas divinas con el ser humano: los dioses hablan con los hombres por medio de artes adivinatorias (la palabra oráculo nace del latín oraculum, derivado del verbo orare, que significa hablar) para decirles cómo será el futuro.

Los egipcios tenían el oratorio de Amón; los griegos contaban con el templo de Delfos; los persas descifraban el fuego para adivinar el futuro; los chinos utilizaban el I Ching; los mayas leían su Calendario; los aztecas empleaban el Tonalámatl… en fin, cada cultura, en diferentes momentos de la historia de la humanidad, ha hecho predicciones del futuro por medio de oráculos donde, como característica primordial, el misticismo se cristaliza y se expresa por medio de prácticas mágico-adivinatorias. La efectividad de los oráculos antiguos radica, en primer lugar, en un voto de fe absoluta del consultante y, grosso modo, a partir de rituales donde se formulaban las preguntas para que el sacerdote interpretase la respuesta de los dioses.

Mircea Eliade, estudioso de la mitología de la Antigüedad, destaca la función social de los oráculos como punto de encuentro entre lo divino y lo humano (profano-sagrado), además de ser centros de poder sagrado pues el conocimiento divino, al revelarse por medio de rituales, es guía espiritual con sumo valor. En consecuencia con Mircea Eliade, se podría señalar que el oráculo antiguo es hierofanía porque lo sagrado se expresa por medio de lo profano: “El objeto [en este caso el oráculo] aparece entonces como un receptáculo de una fuerza extraña que lo diferencia de su medio y le confiere sentido y valor. Esa fuerza puede estar en su substancia o en su forma; transmisible por medio de la hierofanía o del ritual.” (Mircea Eliade, El mito de eterno retorno)

Algoritmos predictivos: ¿pronóstico, prospección o diseño del futuro?

En la sociedad actual, tecnificada digitalmente, las prácticas adivinatorias del futuro ya no se basan sólo en la lectura de los sueños, del agua, de caracoles, tiradas de cartas, huesos de humanos muertos, vísceras de animales o la consulta de arcanos –aunque todavía tienen un gran rating en todos los estratos socioculturales–, sino que el hombre moderno, a diferencia del hombre antiguo, utiliza algoritmos predictivos para conocer o, más bien, diseñar prospecciones de escenarios posibles. Con aplicaciones de alta gama (por ejemplo: Salesforce, SAS Fraud Detection, IBM Watson Financial Services, FICO Credit Scoring, que analizan datos por medio de Inteligencias Artificiales con deep learning [aprendizaje profundo] para detectar y, en su caso, prevenir comportamientos financieros regulares, irregulares o de alto riesgo) se ha transitado de la adivinación mística al pronóstico estadístico (i.e., la previsión del valor de acciones de una empresa a partir de modelos estadísticos) para recaer en la prospección algorítmica (i.e., identificación de usuarios potenciales para plataformas de entretenimiento o votantes para campañas políticas).

Si el pronóstico radica en anticipar situaciones específicas y la prospección explora diversos escenarios posibles (la primera particulariza el terreno mientras que la segunda lo expande), y ambas utilizan información cuantitativa para procesarla en datos cualitativos, entonces son instrumentos de conocimiento que tienen como base la sistematización de información para poder realizar sus tareas. A partir de relaciones medibles entre los datos elegidos se generan modelos de pronósticos o de prospección, con la capacidad de plantear situaciones diversas para radicar las combinaciones óptimas a la finalidad que se persigue.

El pronóstico y la prospección pertenecen al campo de los algoritmos predictivos, pues identifican patrones de comportamiento, los cuales ayudan a adelantar mucho en la toma de decisiones tanto en lo macroeconómico como en la vida cotidiana (i.e., compra automática en Amazon por medio de la vinculación al Smartphone), que son matematizados algorítmicamente. “Esto es todavía más urgente –señala Laurent Alexandre– porque cada día somos más dependientes de la IA. Ya es ella quien elige la información que consumimos en Twitter, Facebook y Google, que son pilotados por la IA.” (Laurent Alexandre, La guerra de las inteligencias) No se debe olvidar que un algoritmo es, en términos generales, “una secuencia de instrucciones que le dice a una computadora qué hacer” (Domingos, 2013). En el ámbito empresarial, son utilizados como técnicas bien sistematizadas que se alimentan de información y datos concretos, con base en parámetros focalizados del pasado o del presente del medio corporativo en cuestión, para generar previsiones, tendencias, directrices de futuros posibles.

Información como edad, escolaridad, ingresos, sexo, ubicación geográfica…, después de ser procesada de manera predictiva o prospectiva, con base en un ciclo cibernético de ajustar progresivamente la información recabada en función de los resultados obtenidos (deep learning), se convierte en dato que segmenta a la población en potenciales consumidores estratificados. Laurent Alexandre lo explica bien: “La información es la materia prima de la IA. ¿De dónde viene? De nosotros mismos que hacemos miles de millones de búsquedas en Google o depositamos 10 mil millones de imágenes en Facebook. Para el deep learning, la avalancha de imágenes y de datos que se extiende en la web constituye una materia prima casi infinita y que se renueva cada día.” (Laurent Alexandre, La guerra de las inteligencias). Ernesto Priani lo glosa:

El resultado ha sido el desarrollo de un sinnúmero de aplicaciones con las que hoy nos relacionamos a diario. Por ejemplo, para que una inteligencia artificial logre reconocer correctamente nuestras fotos en Facebook, se necesitan no sólo las maravillas que hacen los algoritmos de redes neuronales, sino una montaña de datos etiquetados de los que pueda aprender. Es decir, al subir fotos y etiquetar a nuestros amigos en esa plataforma, no únicamente compartimos ese recuerdo con ellos, sino también con la Inteligencia Artificial. ¿Qué clase de intimidad estamos creando con ella? (Ernesto Priani, “Máquinas que escriben: nuestras fantasías y las humanidades”.)

Dicho en otras palabras: el pronóstico y la prospección con algoritmos predictivos son procesos que completan información ausente que encierra cualquier operación que obtenga datos pues, de manera consciente o no, dejamos rastros digitales por todas partes. Roberto Aparici y Manuel Álvarez Rufs señalan el rasgo algorítmico central para hacer predicciones, es decir, gestionar información para alcanzar resoluciones:

Los algoritmos son una herramienta poderosa, tremendamente efectiva en la realización de tareas complejas y repetitivas. Gracias a su capacidad para gestionar grandes cantidades de información de manera rápida y precisa, pueden tomar decisiones y realizar análisis complejos que serían imposibles para los seres humanos. Esto les permite tener un impacto significativo en muchos aspectos de nuestra vida, como la tecnología, la economía, la medicina, la comunicación o la educación. (Aparici y Álvarez, La invasión del algoritmo.)

Hasta aquí no hay nada de novedoso en este tipo de prácticas básicas de estadística empresarial. El riesgo brota cuando los datos de las personas, recabados de manera legal o ilegal, son procesados con algoritmos entrenados para identificar patrones de comportamiento y, en su caso, modelarlos a partir de pautas de consumo, creencias o hábitos. Ante tal estado de la cuestión es válida la siguiente interrogante: ¿Los algoritmos predictivos realmente pronostican el futuro con base en una prospección de reconocimiento de patrones o modelan el futuro a partir de perfilar conductas humanas orientadas con base en escenarios sociales prediseñados?

¿Cómo hacen los algoritmos predictivos para que suceda lo que predicen?

Si la fe del consultante es la madera del fuego de los oráculos antiguos, entonces el tipo de datos es la electricidad de los algoritmos predictivos, es decir, según la calidad de los datos, el algoritmo funcionará correctamente o no. Ya es lugar común –y odioso por momentos– afirmar que el smartphone y las tarjetas bancarias, entre otros como redes sociales, datos gubernamentales, transacciones bancarias…, alimentan el big data (enormes cantidades de datos), así como sensores en tiendas de ropa o espacios públicos, como vialidades, están diseñados para identificar tipos de comportamientos y echar andar algún algoritmo predictivo.

Algoritmos predictivos tan básicos que están en el smartphone, como indicación de palabras mientras se escribe un mensaje en WhatsApp (ojo: Meta AI que, sin pedir permiso a nadie, está instalada en nuestra mensajería cotidiana del WhatsApp) o que promueven alguna aplicación de App Store o Google Play Store, a partir de los hábitos del usuario; la tan trillada playlist de música o actividad física a partir de los sensores de acelerómetro o giroscopio para esta última; algoritmos predictivos un poco más sofisticados como traducción de un idioma a otro en tiempo real o identificación de emociones a partir del
análisis del tono de voz, textos o tipo de navegación en la red; algoritmos predictivos de recomendación de ropa según nuestra talla, color de piel, edad o gustos personales a partir del historial de compras, tendencias de consumo… nos hacen comprender que el big data más operaciones lógicas dan como resultado algoritmos predictivos (en una de sus estrategias de manipulación de masas “conocer mejor a la persona que ella misma”, Noam Chosmky se adelantó por mucho a la tecnificación digital).

Toda esta analítica predictiva obliga a preguntar: ¿Qué es y cómo funciona la caja negra de los algoritmos cibernéticos? Sin caer en honduras teóricas extensas, la recopilación de datos para procesarlos en patrones es la clave de arranque, es decir, el empleo de técnicas estadísticas univariadas o multivariadas, con base en minería de datos, genera marcos de decisiones a partir de patrones de comportamiento identificados. En esto hay un sentido organizacional, donde los datos se computan siguiendo patrones de selección y combinación que pueden generar agrupaciones semánticas.

La ciencia de datos interpreta el mundo a partir de extraer información que permita establecer propiedades de o entre conjuntos para reconocer patrones de comportamiento. Puede utilizar enfoques de reconocimiento de patrones como el estadístico (supone que del conjunto por reconocer sus patrones hay medidas numéricas); reconocimiento sintáctico (se basa en encontrar relaciones estructurales por medio de lenguajes formales para radicar una gramática); reconocimiento por redes neuronales (organización y combinación de la información); reconocimiento lógico (combina patrones a partir de la modelación del problema). Con estos tipos de reconocimientos de patrones, la selección de variables, las clasificaciones supervisadas y no supervisadas, entre otros elementos, ayudan a decidir cuáles características representan mejor el patrón de comportamiento.

Bajo este contexto, se pregunta: ¿los algoritmos predictivos son la nueva hierofanía que nos conecta con la divinidad de la Inteligencia Artificial para guiar nuestras conductas?