1. Introducción
La Inteligencia Artificial nace en la Escuela de verano de Darmouth en 1956 con la idea de hacer máquinas que imiten la inteligencia humana, y ya desde sus orígenes se ha desarrollado en dos ramas, conocidas como la IA simbólica y la IA subsimbólica o conexionista. Mientras la primera pone el foco en la resolución de problemas que requieran inteligencia imitando cómo los resuelve un humano, la segunda pone más bien el foco en obtener mejores y más rápidos resultados que el humano pero no necesariamente siguiendo los mismos mecanismos de razonamiento que utilizamos las personas.
Hace unos años la IA ha invadido de forma intensiva el sector productivo para fomentar la inserción del dato en los procesos de decisión, y lo ha hecho en su nueva vertiente menos simbólica y más dedicada a utilizar la computación intensiva y las tecnologías emergentes (tecnologías de nube, Internet de las Cosas, Datos masivos o Computación de datos números, datos de sensores, imágenes, vídeos, audios, textos…).
2. La expansión de la IA
La IA que se ha hecho famosa últimamente se basa sobre todo en la utilización de mucho dato histórico de todo tipo para aprender los patrones que gobiernan los fenómenos, y poder hacer predicciones anticipadas de cómo irán las cosas (en ventas, stock, facturación, demanda, clientes, bajas de los trabajadores, eficiencia de los procesos productivos, tratamientos o productos recomendados en función del perfil de usuario/ esperados, tiempo de espera, etc). De hecho, en cualquier vertical y en cualquier punto de un proceso o ecosistema, allí hay espacio para que una IA aprenda y ayude a anticiparse. La mayor parte de predicciones se realizan entrenando modelos de lo que se conoce como redes neuronales artificiales, exponente muy representativo de la IA subsimbólica, que con los años ha generado el deep-learning y las últimas evoluciones de la IA generativa. Todos ellos modelos que requieren un elevado consumo de datos de entrenamiento, a cambio de poder captar las estructuras más complejas y las interacciones de mayor grado. Así el BigData se ha hecho protagonista de primera línea en el escenario de la IA y con el tiempo, se ha creado la percepción ilusoria de que la IA se reduce al deep-learning y el BigData y la IA generativa y que sin BigData nadie puede hacer IA de calidad.
Lo cierto es que, mientras las grandes corporaciones han podido adoptar procesos de IA de forma masiva y mejorar de forma muy significativa sus negocios, existe un grueso enorme del sector productivo que todavía se está planteando cómo dar este salto. Fuera de las grandes corporaciones es infrecuente disponer de bases de datos históricas tan largas como estos modelos requieren. Y además, con las nuevas regulaciones, aunque las tuviéramos muchas veces, no podemos utilizarlas sin consentimiento (radiografías pulmonares por ejemplo). En efecto, PYMEs, microempresas, free-lances, autónomos, o empresas medianas de larga tradición (buena parte del comercio más tradicional), ni han iniciado todavía el proceso de transformación digital o no disponen de bases de datos históricas muy largas y se miran esta revolución un poco desde la barrera.
3. Otra mirada
Indudablemente la Sociedad Digital ha llegado para quedarse, y la IA juega un papel clave. Las oportunidades de la IA por la economía y la empresa son enormes, pudiendo aplicarse absolutamente a todos los verticales. Como buena disciplina instrumental que es, el valor de la IA se encuentra justamente en lo que puede aportar a otros ámbitos como el comercio, la salud, el medio ambiente, el trabajo, el turismo, la industria, etc.
Y la realidad es que disponer de BigData para poder entrenar a los más recientes modelos de IA intensiva en computación no es ni tan fácil, ni tan frecuente, ni tan inocuo. Y merece la pena meditar, no sólo si es fácil, sino si es conveniente. Siempre que hablemos de nuevos fármacos, de ensayos en salud, de macetas de resistencia de nuevos materiales (que son destructivos), deberemos huir del BigData, aunque tengamos la mayor organización del mundo. Y siempre que hablemos de organizaciones pequeñas, sencillamente tendremos dificultad para reunir grandes cantidades de datos. Por eso, por ejemplo, que actualmente se están introduciendo nuevos enfoques basados en lo que se denomina datos federados, que permiten coalicionar datos de diferentes organizaciones para hacer, para entendernos, causa común para poder entrenar modelos estables de IA, pero sin mover el dato de la organización original mientras se extrae su máximo valor combinando el entrenamiento de muchas bases de datos independientes, distribuidas y más pequeñas, respetando las privacidades. Y más aún, existen los modelos de transfer learning que permiten especializar una IA entrenada con datos más genéricos en el contexto específico de una compañía determinada aprovechando todo el entrenamiento previo, y haciendo que unos pocos datos propios de la compañía sirvan sólo para redondear el entrenamiento de la IA e incorporar así en el modelo las especificidades de la empresa en cuestión. Por otra parte, es importante plantearse hasta qué punto es necesario el BigData indiscriminado (cuántos Smart Watches miden presión cada 5 minutos de millones de ciudadanos cada día y registran medidas siempre normales para todos durante meses….) sólo las medidas anómalas llevan carga informativa en este mar de datos, y en cambio la huella de carbono de guardarlas y procesarlas todas debería preocuparnos. De hecho, ¿hay que guardar todos los datos masivos?
Otro reto ligado a este tipo de modelos es que, si bien hacen predicciones lo suficientemente buenas y rápidas, no facilitan el por qué de la predicción (o al menos no directamente), y dificultan poder justificarla. En efecto, si no hablamos de decisiones muy operativas como subir una persiana o la temperatura de un horno industrial, esta carencia de argumentario resulta más limitante cuando hablamos de decisiones estratégicas (donde abrimos la próxima filial o qué nuevo producto sacamos la próxima temporada), o de la elaboración de políticas públicas basadas en modelos de datos (como cuáles). Es por eso que la IA ha desarrollado una nueva rama de investigación que se llama Explainable AI (Explicabilidad), que busca las formas de poder argumentar por qué una IA hace una predicción u otra, contribuyendo así a la adopción real de la IA en los procesos de decisión. Pues sin argumentación de las decisiones es difícil poder asumirlas.
La IA tiene otras ramas que no son el deep-learning, ni los modelos predictivos del aprendizaje automático basado en datos (grandes o pequeñas, federadas o no, con entrenamiento propio o transferido….) y que abordan la comprensión de fenómenos complejos en estadios más primigenios de la transformación digital, cuando por ejemplo, todavía no nos preocupa anticiparnos funcionamos como organización o cómo son nuestros clientes, o nuestros proveedores y poder planificar el propio proceso de transformación digital de forma inteligente. Es aquí donde herramientas de la Inteligencia Artificial más clásica como los modelos de representación del conocimiento, la ingeniería del conocimiento, o el aprendizaje no supervisado pueden ser una oportunidad inigualable para activar la palanca de cambio en organizaciones más pequeñas que no pueden, por ahora, y solas, subir al carro del Bigdata, el deep learning o la IA generativa.
Creo que desde el sector de la IA tenemos una gran responsabilidad, no sólo en disparar el crecimiento de las empresas más tecnificadas, que están realizando la transformación digital sin impedimentos porque su nivel de madurez en datos y tecnología ya les permite, sino en ayudar a que las que están en niveles más prematuros de madurez o tienen estructuras más modestas puedan igualmente enfrentarse a los retos de la sociedad. En este sentido, Cataluña tiene una estrategia de IA lanzada en febrero de 2020 y cuenta con alianzas como CIDAI, AIRA, OEIAC o la DCA y el DIH4cat que permiten a las pequeñas empresas acceder a fondos de innovación para realizar prototipaje y testeo de sistemas de IA éticos.
La IA es una tecnología de alto impacto que aporta enormes beneficios para el desarrollo económico y social, pero también comporta unos riesgos, mayormente ligados a los usos y cómo configuramos los datos que lo alimentan. Riesgos que pueden revertir en la vulneración de derechos fundamentales o en el incremento de las desigualdades sociales en distintos aspectos. Por eso la Comisión Europea trabaja desde 2018 al establecer un marco ético para las aplicaciones de la IA y en una Ley Europea de la IA que permita regular el sector. El pasado 14 de junio de 2023, el Parlamento Europeo aprobó el Reglamento Europeo de la Inteligencia Artificial por 499 votos a favor, 28 en contra y 93 abstenciones. Se enviará ahora la propuesta al Consejo de Europa y los Estados miembros podrán dar su opinión. Se prevé que el Reglamento (que no requerirá transposición, ni adaptación) pueda entrar en vigor en junio de 2026. España mientras tanto, encabeza el primer y único piloto (sandbox) previsto en Europa para ensayar lo fácil que es crear e implantar sistemas de IA alineados con este Reglamento. El sandbox, presentado el pasado mes de junio, se lanzará en octubre de 2023 con el objetivo de generar guías de buenas prácticas y directrices para la aplicación del Reglamento, y enviará feedback sobre la operatividad del mismo desde las empresas hacia la propia Comisión Europea, que se tendrá en cuenta para la redacción reglamento definitivo.
