Inteligencia artificial y big data están íntimamente relacionados: la una necesita de datos para aprender, y los datos necesitan ser analizados de manera más eficiente conforme aumenta su volumen.
Para empezar a hablar de inteligencia artificial en el sector del agua, necesariamente hay que hablar de datos. No tanto de la información poseída, sino de aquella a la que podemos acceder y utilizar. Y probablemente sin duda, Google es quien tiene más de esto. De ahí la pregunta ¿Qué sabe Google del agua?
La respuesta es fácil, probablemente todo. Porque seguramente intuya incluso la elaboración de un trabajo aún no publicado, a través de las búsquedas de los investigadores, del tráfico que transita por las redes, del uso de sus aplicaciones en red.
Entonces la pregunta hay que cambiarla… ¿Qué nos dice que sabe Google del agua?... pues lo que cree que nos va a gustar más, simplemente.
Si abres el navegador y vas a la página del buscador, en función del historial de navegación y las cookies, al teclear la palabra “agua” puede mostrarte diferentes resultados. Por lo general comienza con la Wikipedia. En mi caso a continuación aparece la página web Aquavall, no sé muy bien si porque han detectado que trabajo allí, o bien porque es el servicio municipal de mi localidad, y a continuación el enlace al portal iAgua.
Probemos haciendo esa misma búsqueda desde Starpage. Es un buscador que utiliza el motor de Google y les paga por ello, pero que garantiza a los usuarios la privacidad en las búsquedas. Esta vez los resultados no incluyen la página de Aquavall, aunque sí la de iAgua…. Hum… Sigo en casa, así que parece que en Google al menos conocen mis vínculos laborales… (cuando indexen este post no tendrán dudas ;-)
Sigamos con otra prueba, esta vez con el navegador Tor, que además de privacidad, permite simular nuestro acceso desde una ubicación remota aleatoria. Como por defecto usa el buscador DuckDuckGo, en primer lugar vamos a la página de Google. Según Tor estoy saliendo desde una IP de Italia: vuelvo a escribir “agua” en español. Esta vez Google me responde con la Wikipedia en italiano, varios vídeos y dos traductores, al español y al portugués. Luego resultados bastantes dispersos: alguien en Facebook, un libro… Como Tor me permite cambiar la ubicación, vuelvo a hacerlo y salto a una IP de Alemania. Y una más: acabo en Canadá. Los resultados son similares: cambia la Wikipedia o el traductor en primer lugar, alguna empresa y poco más…
En un primer momento, Google me parecía muy listo porque intuía lo que yo buscaba… Y lo sabe gracias a su forma de aprender, reforzada. No necesita saber de antemano para buscar las respuestas correctas (aprendizaje supervisado), tampoco parte solo de las observaciones con un desconocimiento absoluto de lo que busco (aprendizaje no supervisado). Usa datos generales para ofrecer un resultado, que vá personalizando cada vez más cuanto más sabe de mí.
Por ello también, cuando me oculto, no es tan listo…. En sus respuestas introduce unos sesgos según los datos que tiene sobre mí, no sobre el agua. Es un error humano pensar que tras este tipo de respuestas hay una inteligencia arpía: la máquina no tiene intencionalidad, sino que en cualquier caso, también es víctima de sus propios sesgos. Y el primero le provoqué yo cuando solo le di una palabra, “agua”. Si no se comprende y se controla la introducción de sesgos el error del resultado puede crecer exponencialmente.
Pero no hay que alarmarse: estas limitaciones aparecen tanto en los sistemas de inteligencia artificial como en las personas. No basta saberlo todo: aún más importante es saber qué conocimiento resulta útil, según el problema y la ocasión.
Podemos tener acceso a todos los datos, pero de nada valen sin análisis. Podemos crear sistemas de inteligencia artificial que nos ayuden a tomar decisiones… pero erraremos con sus resultados si no comprendemos cómo funcionan. En última instancia, incluso ante predicciones aparentemente correctas, es necesario nuestro “conocimiento humano” para validar los resultados de la máquina y para responsabilizarnos de la decisión. Hoy no quería entrar en la web de Aquavall, sino en la de iAgua.
En unos pocos próximos post iré explorando la aplicación de los sistemas de aprendizaje automático en nuestro sector del agua, tratando de explicar su funcionamiento. Siempre bajo la premisa de que, por muy inteligentes que parezcan, no son más que calculadoras. Creo que la experiencia en el sector y los conocimientos específicos no podrán ser reemplazados por las ya imprescindibles matemáticas. Pero también creo que conforme los algoritmos digitales vayan enraizando en nuestros procesos, y los sistemas big data integrándose en nuestras estructuras organizativas, más esencial será descubrir y comprender qué puede hacer la IA por nuestras operaciones, nuestra estrategia y nuestra competitividad.
Es hora de sacar estas técnicas de los laboratorios de innovación y comenzar a ponerlas al alcance de los técnicos y profesionales, como salieron los ordenadores hace más de tres décadas, o internet hace 25 años. Incorporar estos conocimientos de manera transversal en los estudios STEM es necesario… pero para mantener el empleo y aprovechar la experiencia, es aún más importante ayudar a actualizarse a los trabajadores maduros en activo… Así que cada post de ejemplo incluirá todo el código para que un lector inquieto pueda al menos replicar lo expuesto, e incluso intentar sus primeras evoluciones. Atentos pues...
