IA: Buscando predecir crisis con inteligencia artificial

EE.UU. crea un algoritmo que predice golpes de estado y crisis financieras

El Pentágono trabaja en una inteligencia artificial de nueva generación capaz de ‘explicar el mundo’

 Inteligencia artificial (Dong Wenjie / Getty) 

Alberto Barbieri |  La Vanguardia


Son tiempos difíciles para refinados estrategas a lo Henry Kissinger o incluso para simples adivinos. Los algoritmos pronto podrían llegar a predecir el futuro o, al menos, interpretar un mundo cada vez más complicado. Es el sueño del Pentágono y de su brazo para la innovación tecnológica, la agencia gubernamental Darpa. De modo que, donde no llega el análisis geopolítico, pronto podría llegar la inteligencia artificial. Si estuviéramos ante la enésima provocación de Elon Musk o la promesa de una nueva startup californiana en busca de inversores, cabría ser escépticos. Pero el hecho de que se trate de un proyecto financiado por el Departamento de Defensa de los EE.UU. obliga a aumentar el nivel de atención.

DARPA es la agencia del Pentágono para el desarrollo de las tecnologías de frontera

The Defense Advanced Research Projects Agency (DARPA) fue creada en 1958, cuando el ritmo de los descubrimientos tecnológicos viajaba a una velocidad espectacular, en el apogeo de la Guerra Fría. Desde entonces, la agencia desempeña la delicada tarea de mantener a los EE.UU. a la vanguardia en términos de tecnologías avanzadas para la seguridad nacional. Prácticamente todas las patentes de tecnologías de frontera más decisivas provienen de aquí. Desde el GPS a los teléfonos móviles. En 1968, en estos laboratorios se inventó Internet, que fue ‘regalado’ al mundo solo en 1991, después del colapso de la Unión Soviética y el triunfo de Washington como única potencia planetaria. Suelen ir en serio.

El proyecto Kairos

El nuevo proyecto de Darpa se llama KAIROS (knowledge-directed artificial intelligence reasoning over schemas) y quiere aprovechar al máximo la habilidad principal de la Inteligencia Artificial (IA): encontrar patrones y correlaciones escondidos en una miríada de datos. Definidos por primera vez por el científico cognitivo Jean Piaget en 1923, los esquemas son unidades de conocimiento que los humanos emplean para dar sentido a los eventos al organizarlos en estructuras narrativas comunes. Por ejemplo, ir a una tienda generalmente implica un esquema de transacción, que pasa por un conjunto de acciones, roles (comprador, vendedor) y secuencias temporales (los artículos se escogen y luego se pagan).

El modelo de funcionamento de Kairos (Darpa.mil)

Acciones fáciles de imaginar para una persona, pero sorprendentemente complicadas de definir formalmente de tal manera que un sistema informático pueda entenderlas. Nos resultan familiares por su uso prolongado y frecuente, pero no son inmediatamente obvias, ni están sujetas a reglas físicas, como la aceleración constante en la caída de una manzana de un árbol. Kairos, asegura Darpa, “tiene como objetivo desarrollar un sistema semi-autónomo capaz de identificar y realizar un seguimiento de las correlaciones entre eventos y datos aparentemente no relacionados, ayudando así a crear narraciones más generales del mundo que nos rodea y a prever cómo evolucionarán”.

Predecir golpes de estado, revoluciones o crisis financieras

El objetivo, por tanto, es crear un sistema de machine learning capaz de tamizar todos los eventos y noticias que cada día invaden los medios de comunicación, internet y las redes sociales, para encontrar un gran esquema común con el que interpretar la actualidad y vislumbrar el futuro. Como en todos los sistemas de aprendizaje automático e inteligencia artificial, la materia prima clave son los datos. Cuanto más datos se recopilan, más posibilidades hay de elaborar patrones; sin embargo, al mismo tiempo, cuanto más y complejos son los datos recopilados, más difícil es interpretarlos.

  La inteligencia artificial puede ser capaz de prever el futuro (eclipse_images / Getty) 


La intención del Pentágono es eliminar la arbitrariedad y el margen de error de los analistas políticos, militares y económicos y capacitar una tecnología que pueda averiguar con anticipación la próxima crisis en los mercados financieros, un golpe de estado o una revuelta popular para informar a tiempo los organismos para los que trabaja. Las aplicaciones militares y de defensa son bastantes obvias, si pensamos, por ejemplo, en el fracaso de los servicios secretos occidentales en el período de las Primaveras árabes, pese a las señales que corrían abundantes en las redes sociales. Los expertos en servicios de inteligencia, de hecho, concuerdan en que el 90% de la información útil a entender la realidad no es secreta, sino que se encuentra disponible públicamente. Basta con saberla leer e interpretar. Tal vez una máquina lo haga mejor que todos los 007.

“Kairos pretende crear narraciones más generales del mundo que nos rodea y prever cómo evolucionarán” Darpa

“Descubrir conexiones relevantes a través de montañas de información y los elementos estáticos que subyacen requiere información temporal y patrones de eventos, que pueden ser difíciles de capturar a escala con las herramientas y sistemas disponibles actualmente”, explica el Dr. Boyan Onyshkevych, gerente de Darpa en su página web. El proyecto Kairos se encuentra todavía en su etapa teórica. Lo que sí es seguro es que, al principio, el sistema se limitará a asimilar una gran cantidad de información, multimedia y multilingüe, comenzando con crear una biblioteca de esquemas básicos. En una segunda fase, el algoritmo se probará con la información en circulación, con el objetivo de reconducir los diversos datos dentro de patrones predefinidos.

El papel clave de la inteligencia artificial en la geopolítica

En un futuro próximo, el uso de la inteligencia artificial representará un aspecto decisivo en el campo bélico y en los equilibrios entre potencias. Gracias a las enormes inversiones de los últimos años, en 2025, China quiere adelantar a los EE.UU. en el dominio de la IA. La apuesta por la tecnología, de hecho, es una forma mucho más rápida de la militar para reducir la diferencia existente entre la potencia hegemónica y su contrincante asiático. En este contexto, Darpa ha anunciado la inversión de 2 mil millones de dólares para la puesta en marcha de una nueva generación de IA, la tercera. Con el programa ‘ AI Next ’, que también incluye el proyecto Kairos, la agencia pretende “explorar nuevas teorías y aplicaciones que podrían permitir a las máquinas adaptarse a situaciones cambiantes”.


El proyecto AI Next de Darpa (Darpa.mil)

El estudio de la inteligencia artificial por parte del gobierno de los EE.UU. comenzó ya en los años sesenta. En esos años nació la que se define como ‘primera ola’, que incluye principalmente software basados en reglas, como aquellos capaces de desafiarnos al ajedrez. La segunda generación, a partir de los años 90, se basa en algoritmos que aprenden, extrayendo de una rica muestra de ejemplos las lógicas que luego usan para proporcionar una respuesta. Así es como funcionan los programas de reconocimiento de imágenes, que pueden identificar a un gato porque han ‘asimilado’ cientos de imágenes de gatos asociadas con la palabra gato. Darpa ahora tiene ambiciones mucho más elevadas y financiará la investigación de nuevas tecnologías capaces de motivar los mecanismos y las lógicas utilizadas. Los nuevos algoritmos tendrán que reconocer la presencia de un gato en una foto, pero también deberán poder explicar su deducción, diciendo, por ejemplo, que se trata de un animal de cuatro patas, con cola y pelaje, etc. La crisis de liderazgo y educación al pensamiento estratégico se intenta solucionar también así.

Inteligencia artificial (Caiaimage/Rafal Rodzoch / Getty)

Machine Learning e IA en las actividades económicas del futuro

Efectos del aprendizaje automático y la IA sobre el estilo de comercialización y la economía en general

Outsourced CMO

Nuestra vida se ha transformado a medida que pasamos de un mundo analógico a uno digital. Estamos conectados 24 x 7 a través de la tecnología. Aparte de los dispositivos conectados, la computación en la nube y la inteligencia artificial (AI), nuestro mundo parece digitalizado en más de un sentido. Nuestro lugar de trabajo se ha transmutado debido al impacto de la digitalización. Los ciclos de planificación de negocios se han reducido de años a meses y ahora semanas. El lugar de trabajo se ha transformado en pasar más tiempo con computadoras portátiles y aparatos en lugar de personas que trabajan en la misma oficina.

Los modelos de negocios están siendo perturbados. La tecnología como la inteligencia artificial, el análisis de datos y la computación en la nube están cambiando la forma en que pensamos y respondemos a nuestros clientes. El tiempo de respuesta se ha reducido drásticamente y la definición de competencia ha cambiado. Lo que hoy es imposible, se hace realidad mañana. Nuestros clientes y competidores se están redefiniendo después de la digitalización revolucionaria.




El uso de la Inteligencia Artificial fue pensado como una tecnología de marketing que solo las grandes empresas podían usar, pero hoy en día, incluso las empresas más pequeñas pueden aplicar la inteligencia artificial para ayudar a los iniciados de marketing a lo largo de los ciclos de vida de los clientes a un costo razonable. Y, mientras la cantidad de información sobre consumidores potenciales crece, las ciencias de la computación relacionadas con la IA (como el aprendizaje automático y el aprendizaje profundo) serán de la mayor importancia al tomar decisiones basadas en datos. Por ejemplo, la televisión anterior era un canal de marketing muy importante, pero sus beneficios no estaban centrados en los datos. Sin embargo, ahora, después de la revolución digital, se pueden configurar los datos para el público objetivo y al mismo tiempo podemos medir el número de visitas. Entonces, ahora la tasa de éxito, en la mayoría de las ocasiones, se puede medir. Los sentimientos de los consumidores pueden medirse estadísticamente y se están formando estrategias con flexibilidades para incorporar el análisis de datos en tiempo real. De hecho, en Outsourced CMO desarrollamos estrategias para los planes de mercadotecnia de nuestros socios utilizando diversas técnicas centradas en los datos. El enfoque ha aumentado significativamente el ROI objetivo para la mayoría de nuestras campañas.

AI no solo es capaz de generar datos sino también de curarlos. La curación del contenido implica reunir, gestionar y presentar los datos recopilados en una interpretación significativa. Esta tecnología se usa comúnmente para hacer recomendaciones de contenido personalizadas que el usuario puede encontrar interesantes, como la típica, "las personas que compran X también compran Y" como vemos constantemente en Amazon. De hecho, este estilo de marketing definitivamente afecta las opciones de los consumidores, ya que las personas se detienen y consideran esas opciones ante ellos mientras buscan productos en línea. De manera similar, el sistema de recomendaciones de Netflix también puede ofrecerle sugerencias para películas y programas de televisión que le puedan interesar. Y es bastante preciso.

Las marcas están utilizando el poder de la inteligencia artificial para personalizar las campañas de marketing por correo electrónico según las preferencias y los comportamientos de los usuarios. Esto permite conectarse mejor con ellos y, con un poco de suerte, convertirlos en clientes. El aprendizaje automático o automático puede analizar millones de datos sobre el consumidor para luego determinar la mejor hora y día de la semana para comunicarse con el usuario, la frecuencia recomendada, el contenido que llama su atención y qué temas y títulos de correo electrónico generan más clics.



La publicidad digital es, sin lugar a dudas, el área del marketing digital que hoy en día ha implementado la inteligencia artificial. Por ejemplo, las plataformas de publicidad de Facebook y Google utilizan el aprendizaje automático y la inteligencia artificial para encontrar personas más propensas a realizar la acción deseada del anunciante. Para lograr esto, analizan la información del usuario, como sus intereses, datos demográficos y otros aspectos para aprender y detectar la mejor audiencia para su marca. El equipo de Outsourced CMO es uno de los más experimentados en términos de publicidad digital y el uso de datos generados a través de inteligencia artificial. La prioridad siempre es ofrecer consultoría de calidad formando parte del equipo de marketing existente o crear un equipo que refuerce la marca de la firma en todos los puntos de contacto con la clientela actual y futura.

Toda esta digitalización y orientación de la máquina es buena en general para los trabajos y la economía. Sin embargo, hay un hecho real de que habrá algunas dislocaciones, ya que algunos de los trabajos y roles se desplazarán en el futuro y la máquina asumirá completamente la mayoría de las tareas orientadas a los seres humanos dentro de una organización. Existe una necesidad real de centrarse en la educación y la capacitación para asegurarnos de que estamos preparando a la fuerza laboral actual para la transición que se avecina.

Cabe señalar aquí que los humanos aún tienen una ventaja sobre los sistemas de inteligencia artificial actuales en ocupaciones que requieren inteligencia social / emocional, creatividad o altos niveles de destreza manual. Al mismo tiempo, muchas industrias ya están viendo el impacto humano de las tecnologías inteligentes con un mayor número de despidos debido a la automatización.



Es hora de desafiarnos a nosotros mismos. La tecnología digital se ha inventado para hacer nuestra vida mejor y más cómoda. Depende de nosotros utilizar la tecnología de manera efectiva. Para concluir, la economía, las políticas gubernamentales y la actitud social desempeñarán un papel importante en la aceptación y la transición a una cultura dominada por la IA.

La economía simple del Machine Learning

La economía simple de la inteligencia de máquinas
Ajay AgrawalJoshua GansAvi Goldfarb - Harvard Business Review



El año 1995 fue anunciado como el comienzo de la "Nueva Economía". La comunicación digital estaba destinada a superar los mercados y cambiar todo. Pero los economistas en general no compraron el bombo. No era que no reconociéramos que algo había cambiado. Fue que reconocimos que la vieja lente de la economía seguía siendo útil para mirar los cambios que ocurren. La economía de la "Nueva Economía" se podría describir a un alto nivel: La tecnología digital causaría una reducción en el costo de la búsqueda y la comunicación. Esto llevaría a más búsqueda, más comunicación, y más actividades que van junto con la búsqueda y la comunicación. Eso es esencialmente lo que sucedió.

Hoy estamos viendo un bombo similar sobre la inteligencia de la máquina. Pero una vez más, como economistas, creemos que se aplican algunas reglas simples. Las revoluciones tecnológicas tienden a implicar que alguna actividad importante se vuelva barata, como el costo de la comunicación o la búsqueda de información. La inteligencia de la máquina es, en su esencia, una tecnología de predicción, por lo que el cambio económico se centrará alrededor de una caída en el costo de la predicción.

El primer efecto de la inteligencia de la máquina será bajar el costo de los bienes y servicios que dependen de la predicción. Esto es importante porque la predicción es un insumo para una serie de actividades, incluyendo el transporte, la agricultura, la sanidad, la fabricación de energía y el comercio minorista.

Cuando el costo de cualquier entrada cae tan precipitadamente, hay otras dos implicaciones económicas bien establecidas. En primer lugar, vamos a empezar a utilizar la predicción para realizar tareas que anteriormente no lo hicimos. En segundo lugar, el valor de otras cosas que complementan la predicción aumentará.

Muchas tareas se volverán a dibujar como problemas de predicción

A medida que la inteligencia de la máquina disminuye el costo de la predicción, comenzaremos a usarla como una entrada para cosas que nunca antes habíamos hecho. Como ejemplo histórico, consideremos los semiconductores, un área de avance tecnológico que causó una caída significativa en el costo de una entrada diferente: la aritmética. Con los semiconductores podíamos calcular a un precio bajo, por lo que las actividades para las que la aritmética era un insumo clave, como el análisis de datos y la contabilidad, se volvieron mucho más económicas. Sin embargo, también empezamos a usar la aritmética recién barata para resolver problemas que no eran historicamente problemas aritméticos. Un ejemplo es la fotografía. Pasamos de un enfoque cinematográfico orientado a la química a un enfoque basado en la aritmética. Otras nuevas aplicaciones para la aritmética barata incluyen comunicaciones, música y descubrimiento de fármacos.

Lo mismo ocurre con la inteligencia y la predicción de la máquina. A medida que disminuye el costo de la predicción, no sólo las actividades que se orientaron a la predicción se volvieron más baratas -como la gestión de inventarios y la previsión de la demanda- sino que también utilizaremos la predicción para abordar otros problemas para los que la predicción no era históricamente un insumo.

Considere la navegación. Hasta hace poco, la conducción autónoma se limitaba a entornos altamente controlados, como almacenes y fábricas, donde los programadores podían anticiparse a la gama de escenarios que un vehículo podía encontrar, y podían programar algoritmos de decisión de tipo if-then-else en consecuencia (por ejemplo, El vehículo, luego la desaceleración "). Era inconcebible poner un vehículo autónomo en una calle de la ciudad porque el número de escenarios posibles en un ambiente tan incontrolado requeriría programar un número casi infinito de declaraciones if-then-else.

Inconcebible, es decir, hasta hace poco. Una vez que la predicción se volvió barata, los innovadores replantearon la conducción como un problema de predicción. En vez de programar interminables declaraciones if-then-else, en vez de eso preguntaron a la AI: "¿Qué haría un conductor humano?" Equiparon vehículos con una variedad de sensores - cámaras, lidar, radar, etc. Millones de millas de datos de conducción humana. Al enlazar los datos ambientales de entrada de los sensores en el exterior del coche a las decisiones de conducción tomadas por el ser humano dentro del coche (dirección, frenado, aceleración), la IA aprendió a predecir cómo los humanos reaccionarían a cada segundo de datos entrantes sobre su ambiente. Por lo tanto, la predicción es ahora un componente importante de la solución a un problema que antes no se consideraba un problema de predicción.

El juicio será más valioso

Cuando el costo de un insumo fundacional se desploma, a menudo afecta el valor de otros insumos. El valor sube para complementos y abajo para sustitutos. En el caso de la fotografía, el valor de los componentes de hardware y software asociados a las cámaras digitales aumentó a medida que el coste de la aritmética disminuyó debido a que la demanda aumentó - queríamos más. Estos componentes eran complementarios a la aritmética; Se usaron juntos. En contraste, el valor de los químicos relacionados con la película cayó - queríamos menos de ellos.

Todas las actividades humanas pueden ser descritas por cinco componentes de alto nivel: datos, predicción, juicio, acción y resultados. Por ejemplo, una visita al médico en respuesta al dolor conduce a: 1) radiografías, análisis de sangre, monitoreo (datos), 2) diagnóstico del problema, como "si administramos el tratamiento A, entonces se predice el resultado X , Pero si administramos el tratamiento B, entonces predecir el resultado Y "(predicción), 3) opciones de pesaje:" dado su edad, estilo de vida y situación familiar, creo que podría ser mejor con el tratamiento A; Vamos a discutir cómo se siente acerca de los riesgos y efectos secundarios "(juicio); 4) administración del tratamiento A (acción) y 5) recuperación completa con efectos secundarios menores (resultado).

A medida que la inteligencia de la máquina mejora, el valor de las habilidades de predicción humana disminuirá debido a que la predicción de la máquina proporcionará un sustituto más barato y mejor para la predicción humana, tal como lo hicieron las máquinas para la aritmética. Sin embargo, esto no significa una condena para los trabajos humanos, como muchos expertos sugieren. Eso es porque el valor de las habilidades de juicio humano aumentará. Usando el lenguaje de la economía, el juicio es un complemento a la predicción y por lo tanto cuando el costo de la predicción disminuye la demanda de juicio aumenta. Queremos más juicio humano.

Por ejemplo, cuando la predicción es barata, el diagnóstico será más frecuente y conveniente y, por lo tanto, detectaremos muchas más condiciones tempranas y tratables. Esto significará que se tomarán más decisiones sobre el tratamiento médico, lo que significa una mayor demanda para la aplicación de la ética y para el apoyo emocional, que son proporcionados por los seres humanos. La línea entre el juicio y la predicción no está clara - algunas tareas de juicio serán incluso reenfocadas como una serie de predicciones. Sin embargo, en general el valor de las habilidades humanas relacionadas con la predicción caerá, y el valor de las habilidades relacionadas con el juicio aumentará.

Interpretar el auge de la inteligencia de la máquina como una caída en el costo de la predicción no ofrece una respuesta a cada pregunta específica de cómo se desarrollará la tecnología. Pero da lugar a dos implicaciones clave: 1) un papel ampliado de la predicción como insumo para más bienes y servicios, y 2) un cambio en el valor de otros insumos, impulsado por la medida en que se complementa o sustituye a la predicción. Estos cambios están llegando. La velocidad y el grado en que los gerentes deben invertir en capacidades relacionadas con el juicio dependerá de la rapidez con que lleguen los cambios.