Cada vez son más las organizaciones que comparten sus herramientas de inteligencia artificial en forma de programas informáticos abiertos. Se prevé que la creación de herramientas o de un servicio social con inteligencia artificial de código abierto alentará la rápida innovación en un área en la que las personas se actualizan y aprenden unos de otros constantemente. Además, este tipo de herramientas permite dar seguimiento a sistemas de información dentro y entre organismos públicos.

La inteligencia artificial puede ayudarnos de muchas formas; puede realizar tareas difíciles, peligrosas o repetitivas, ayudarnos a salvar vidas y hacer frente a catástrofes, entretenernos y hacer más cómoda nuestra vida diaria. Por ejemplo, esta herramienta de código abierto creada por Datos Argentina, permitió a la Secretaría de Relaciones Parlamentarias y Administración de la Jefatura de Gabinete crear informes y atender preguntas de forma más eficiente.

Aún estamos en el proceso de aprendizaje sobre la inteligencia artificial y su potencial para mejorar servicios sociales que impacten en la calidad de vida de los ciudadanos. Siendo así, queremos compartir contigo cuatro consideraciones clave que debes tener en cuenta si eres parte de la comunidad que trabaja en crear servicios sociales a través de la inteligencia artificial:

1. Entender la diferencia entre la causa de un problema y la posibilidad de predecirlo

Uno de los instrumentos de toma de decisiones en política pública es la predicción construida en modelos de regresión. Los modelos de regresión tradicionales ya existían, para ayudar a anticipar un problema y cómo prevenirlo. Al agregar a este análisis técnicas de inteligencia artificial como el aprendizaje automático, un campo dentro de la inteligencia artificial, los resultados pueden ser afinados y mejorados con la introducción de más datos, aunque estos no siempre sean causales del problema a tratar.

Por ejemplo, el Laboratorio de Sustentabilidad e Inteligencia Artificial de Stanford está utilizando el procesamiento automático de imágenes para predecir la pobreza de áreas geográficas específicas, y así poder focalizar iniciativas con mayor impacto que ayuden a erradicarla. Algunos de los datos que utiliza (como la carencia de luz en la imagen de noche) no son causales de pobreza, sin embargo, son variables importantes que pueden ser correlacionadas y ayudan a crear predicciones más precisas. Por otro lado, el valor agregado de la inteligencia artificial para la predicción está en la capacidad de procesar imágenes enormes, o cantidades de datos masivos que los modelos de regresión tradicionales no permitían.

Puedes encontrar el código de este algoritmo en GitHub.

Otros problemas de políticas sí requieren establecer mejor las inferencias causales, como la comprensión de los mecanismos subyacentes.

2. Contar con grandes volúmenes de datos y de buena calidad para entrenar la herramienta

La calidad de los datos disponibles para resolver un problema ha sido un reto histórico para los gobiernos, debido a la fragmentación de datos y el hecho de que no están normalizados y ampliamente distribuidos. La construcción de poderosas herramientas de inteligencia artificial para ayudar en la toma de decisiones depende de la disponibilidad de grandes volúmenes de datos. Es por eso que la alimentación de datos de calidad que provienen de múltiples fuentes es esencial para el desarrollo de estas herramientas.

Por ejemplo, para que una herramienta pueda predecir con mayor certidumbre la incidencia de un delito, el desarrollador debe entrenarla a clasificar entre actividades delictivas y no delictivas. Los algoritmos necesitan datos de entrenamiento suficientes para desarrollar sus capacidades de predicción antes de poder desplegarlos con confianza. Además, el conjunto de datos resultantes debería ser una muestra representativa que capte varias sutilezas de la población estudiada. De no ser así, se puede caer en correlaciones erróneas o simplificaciones espurias.

3. Evaluar la calidad y representatividad de los datos que se incorporan a las distintas bases de datos

El poder de decisión de las herramientas de inteligencia artificial depende de la calidad de los datos con los que se alimentan los sistemas. De hecho, podría decirse que las herramientas de inteligencia artificial que respaldan las decisiones son tan buenas como la calidad de los datos.

Desde el punto de vista de política pública, la representatividad de los datos es una preocupación fundamental debido a la brecha digital y la asimetría de los datos históricos. ¿Cuántas personas tienen acceso a internet o a teléfonos inteligentes para poder aprovechar estos servicios o para ser representados en los datos? Hace tiempo que los diseñadores de políticas lidian con el problema de diseñar servicios electrónicos que atiendan las necesidades de todos los ciudadanos. Si el objetivo es mejorar los servicios al cliente e incluir a las poblaciones marginadas en la toma de decisiones, los organismos públicos deben analizar los datos demográficos de las personas que utilizan servicios públicos facilitados por la inteligencia artificial para validar que sean inclusivos y libre de sesgos.

Por ejemplo, una correlación errónea se puede manifestar cuando una traducción automática asume el género del sujeto con base en su profesión, o predice un alto riesgo de reincidencia basándose solamente en la raza de alguien. Estas correlaciones pueden acentuar existentes discriminaciones.

4. Por último, para potenciar un servicio social con inteligencia artificial, asegúrate de proteger bien estas herramientas con un plan de ciberseguridad integral

A medida que se aprovechan cada vez más herramientas de inteligencia artificial para clasificar, recomendar y tomar decisiones, debemos prestar especial atención a la protección de esas herramientas de los piratas informáticos o hackers. La coordinación de iniciativas en varios organismos públicos es un buen primer paso para proteger los datos de los hackers, en particular a medida que las herramientas de inteligencia artificial se van transformando en un componente fundamental para la prestación de servicios públicos. Los organismos públicos también deben pensar en diseñar sistemas y procesos de flujo de datos que tienen elementos de privacidad incorporados por defecto.

Es importante tener en cuenta que una herramienta segura no significa una herramienta cerrada. Para entender más sobre la naturaleza del código y su impacto en la seguridad, puedes leer este artículo.

Por: Cristina Pombo, Ravi Gupta y Mirjana Stankovic

Ravi Gupta

Ravi es estratega en comercialización de innovación, propiedad intelectual, finanzas empresariales y la Industria 4.0. Es miembro de Cornerstone Angels, un club de ángeles inversionistas con sede en Chicago, y mentor de varias empresas en economías emergentes. También asesora al Center for HealthCare Innovation y recientemente fue nominado mentor del Small Business Innovation Research (SBIR) del Departamento de Energía de Estados Unidos. Es autor de numerosos informes sobre innovación y tecnologías emergentes (Industria 4.0)

Mirjana Stankovic

Mirjana es abogada y economista con amplia experiencia internacional y multidisciplinaria en la conexión de los aspectos políticos, legales, científicos y éticos de la legislación en propiedad intelectual, la transferencia de tecnología y las tecnologías emergentes (industria 4.0, inteligencia artificial, impresión 3D). Ella ha sido consultora del Banco Mundial, la ONUDI, el BID, la Comisión Europea y otras organizaciones internacionales y ha escrito numerosas publicaciones sobre propiedad intelectual internacional, innovación y política.