El libro How to Speak Machin How to Speak Machine: Computational Thinking for the Rest of Us de John Maeda se centra en la idea de que es importante aprender a «hablar» la lengua de la tecnología digital para poder interactuar con ella de manera efectiva.
Maeda explica que la IA, la robótica y otros avances tecnológicos están cambiando nuestro mundo de maneras profundas y transformadoras. Para poder adaptarnos a estos cambios y hacerlos trabajar a nuestro favor, necesitamos entender cómo funciona la tecnología y cómo podemos usarla de manera efectiva.
Para lograr esto, Maeda propone un enfoque basado en la comprensión de los conceptos básicos de la tecnología digital, así como en la aplicación de estos conceptos a diferentes ámbitos de la vida y el trabajo.
Por qué leer ahora How to Speak Machine
Es importante leer How to Speak Machine ahora debido a la rapidez con la que la tecnología digital está cambiando nuestras vidas y nuestras sociedades.
Estos cambios están ocurriendo en una escala y velocidad sin precedentes, y es muy importante que las personas tengan un entendimiento básico de estos avances tecnológicos, para poder adaptarse a ellos y hacerlos trabajar a su favor.
El libro puede ayudar a las personas a desarrollar un entendimiento más profundo de la tecnología digital y de sus implicaciones para sus vidas y sus carreras. Esto puede ayudarlas a hacer mejores decisiones sobre cómo usar la tecnología, a adaptarse a los cambios tecnológicos y a beneficiarse de los avances tecnológicos que se están desarrollando.
Qué creencia o teoría desafía?
«How to Speak Machine» desafía la creencia generalizada de que la tecnología digital es complicada, difícil de entender y exclusiva de los expertos.
Maeda argumenta que, en realidad, la tecnología digital es accesible y comprensible para cualquier persona que esté dispuesta a aprender sus principios básicos. De hecho, creer que la tecnología digital es inaccesible para las personas no especializadas puede llevar a una falta de comprensión y un mal uso de estos avances tecnológicos.
Además, el libro desafía la idea de que la tecnología digital es una fuerza externa y hostil, que no puede ser controlada o influenciada por las personas.
Principales ideas de How to Speak Machine
- Las máquinas son buenas para repetir tareas sin cesar.
- Las computadoras piensan exponencialmente.
- Las máquinas se están volviendo cada vez más realistas.
- Las máquinas han cambiado la forma en que las empresas fabrican y venden productos.
- El consumo digital permite a las empresas conocer sus datos de forma más cercana y personal, para bien o para mal.
- Existe un problema de diversidad en el mundo de la tecnología y las máquinas pueden perpetuarlo.
- Las máquinas procesan datos y los datos por sí solos no siempre pueden ofrecer una imagen completa.
Las máquinas son buenas para repetir tareas sin cesar.
Piense en la última vez que corrió alrededor de una pista o corrió en una cinta de correr. Al final, probablemente tu corazón se aceleró y te quedaste sin aliento. Si fueras la persona más en forma del gimnasio o no, eventualmente te habrías cansado. Una computadora, por otro lado, puede correr vueltas figuradas alrededor de una pista para siempre sin tomar un descanso.
La «pista» por la que se ejecuta un programa de computadora consta de líneas de código escritas por un programador humano. El código se basa en la lógica si-entonces , donde si se cumple una condición, sigue otra acción.
Para ilustrar esto, tomemos el primer programa de computadora simple que el autor encontró cuando estaba en séptimo grado. Un amigo le mostró cómo podía hacer que la computadora escribiera su nombre, Colin, una y otra vez hasta el infinito con solo dos líneas de código:
10 IMPRIMIR “COLIN”
20 IR A 10
El programa de Colin es un ejemplo de un bucle simple, que funciona como una cinta transportadora en una línea de montaje. Cada tarea se realiza en secuencia hasta que, eventualmente, se llega a un punto final y se comienza de nuevo. Sin embargo, existe una forma aún más elegante en la que las computadoras funcionan en bucles. Esto se llama recursividad.
Si los bucles son como líneas de montaje, la recursividad se parece más a una matrioska rusa que contiene copias progresivamente más pequeñas de la muñeca original y más externa. Sin embargo, como están hechos de material físico, eventualmente habrás hecho el muñeco más pequeño posible. Sin embargo, las computadoras pueden contener copias infinitamente pequeñas o infinitamente grandes del mismo código.
Para visualizar esta recursión infinita, eche un vistazo al nombre de un sistema operativo creado en la década de 1980 por Richard Stallman del MIT. El sistema fue creado para competir con Unix, un sistema operativo diferente, por lo que recibió apropiadamente el nombre de Proyecto GNU, o GNU’s Not Unix. Observe cómo este nombre contiene recursividad. La «G» en sí significa «GNU». Sí, otra sigla. Entonces puedes ver hacia dónde va esto. Si continúa ampliando el acrónimo cada vez, terminará con más de lo mismo. Expanda “GNU” y obtendrá GNUNU. Hazlo de nuevo y te quedará GNUNUNU, y así para siempre.
Estos bucles y recursiones sólo se pueden detener con un comando o mediante un error que se interponga en el camino. Así que puedes imaginar el poder de una máquina que nunca se cansa y hace exactamente lo que le dices que haga.
Las computadoras piensan exponencialmente.
¿Recuerdas cuando aprendiste por primera vez a dibujar un cubo en papel? De repente, convertir un par de cuadrados bidimensionales en un cubo tridimensional con solo unas pocas líneas adicionales probablemente pareció bastante mágico en ese momento. Pero, ¿alguna vez consideraste cuánto espacio nuevo pudiste visualizar con cada dimensión agregada? Cuando conviertes un cuadrado en un cubo, creas la ilusión de una cantidad de espacio exponencialmente mayor: la diferencia entre 100 milímetros cuadrados y 1000 milímetros cúbicos.
Si bien los humanos no solemos ver el mundo en términos de aumentos o disminuciones exponenciales, esta es una forma de pensar totalmente común y natural para las computadoras. Lo hacen mediante anidamiento, en el que los bucles se colocan dentro de otros bucles. Para visualizar esto, piense en una sola unidad de tiempo, como un año. Un año se compone de varios bucles anidados: 12 meses con 30 días cada mes, 24 horas en un día, etc. De la misma manera, el código que trata con detalles más pequeños se puede anidar dentro del código que trata con detalles más grandes, y no hay límite en cuanto a cuán grande o pequeño puede llegar.
Si la capacidad de una computadora para examinar escalas infinitamente grandes y pequeñas no es lo suficientemente impresionante, ¿adivinen qué sucede cuando grupos de computadoras se comunican entre sí? Correcto: su potencia informática colectiva aumenta exponencialmente. Si una computadora no puede realizar una tarea, simplemente la subcontrata a otra máquina o grupo de máquinas a las que está conectada.
Hoy en día, empresas como Google y Microsoft controlan nubes formadas por cientos de miles o millones de ordenadores que requieren cantidades exorbitantes de energía para funcionar. Estas nubes pueden ejecutar bucles en cualquier dimensión y pedirse ayuda entre sí millones de veces por segundo, y todos nuestros dispositivos están conectados a ellas. En cierto sentido, cada computadora individual es un tentáculo conectado de manera invisible al pulpo gigante y poderoso de la nube.
Si trabaja con ordenadores, tenga cuidado: jugar con estas escalas exponenciales puede hacerle perder el contacto con la realidad. Cuando pasas todos los días manipulando detalles en tamaños que la mayoría de la gente ni siquiera puede imaginar, es posible que empieces a sentirte un poco como el dios de tu propio mundo digital. Y una vez que estás atrapado en esa mentalidad, resulta cada vez más difícil escapar.
Las máquinas se están volviendo cada vez más realistas.
¿Alguna vez tú o un amigo le pidieron a Siri o Alexa que les contara un chiste o que los llamaran con un apodo gracioso? Si bien por ahora estos son solo trucos divertidos para fiestas, ¿qué sucederá cuando las respuestas de la IA se vuelvan un poco menos robóticas y un poco más humanas? ¿En qué momento la IA se vuelve tan realista que empezamos a considerarla realmente viva?
Algunas IA ya han podido imitar a los humanos de manera convincente. El famoso programa informático del Dr. Joseph Weizenbaum de los años 60, Eliza, podía mantener una conversación en inglés. Las respuestas de Eliza fueron codificadas para seguir un conjunto simple de reglas si-entonces. Por ejemplo, si mencionabas algo sobre un familiar, como tu madre, Eliza respondería: “Cuéntame más sobre tu madre”. Estas respuestas imitaron una conversación humana real de manera tan realista que los estudiantes de Weizenbaum pensaron que Eliza era una persona real.
Si esta IA de la década de 1960, que obedece a una lógica básica de si-entonces, puede imitar la vida de manera convincente, imagine lo impresionantes que se volverán las IA a medida que avance la tecnología. Las computadoras ya pueden aprender a completar tareas con muy poca participación humana. Consideremos el aprendizaje profundo, un tipo de aprendizaje automático en el que se enseña a las computadoras a “pensar” observando repetidamente un comportamiento y luego descubriendo cómo ejecutarlo por sí mismas. El aprendizaje profundo solía ser inviable debido a la enorme potencia informática que requiere, pero esto ya no es un problema. Y ahora, la IA puede vencer a los grandes maestros humanos en el ajedrez con solo verlos jugar.
Entonces, ¿significa esto que la inteligencia artificial eventualmente superará a la inteligencia humana? Este punto teórico en el tiempo, conocido como la Singularidad, suena mucho a ciencia ficción. Sin embargo, si comprendes que las computadoras piensan y crecen exponencialmente, empieza a parecer más realista. Los expertos en informática también lo creen así: el científico e inventor Ray Kurzweil ya fundó la Singularity University de Silicon Valley, donde él y otros estudian este futuro potencial.
Basándonos en nuestro conocimiento de que las computadoras nunca se cansan y trabajan constantemente para ejecutar sus tareas de manera más efectiva, podemos adivinar qué sucederá cuando la IA se vuelva indistinguible de la inteligencia humana. Cuando los dispositivos de inteligencia artificial nos hablan, analizan nuestras reacciones mientras sonríen, insertan un nervioso «umm» parecido al de un humano o incluso coquetean.
Mientras que los humanos a veces interpretan incorrectamente las emociones de los demás, la IA no lo hace, lo que significa que serán muy agradables. Y no sólo podrán vencernos en juegos como el ajedrez: nos vencerán en casi todo. Pronto, los humanos que hablan máquinas tendrán el poder de diseñar y mantener la IA destinada a reemplazarnos.
Las máquinas han cambiado la forma en que las empresas fabrican y venden productos.
Imagine un cuadro de comentarios en la cocina de su empresa que permita al personal de todos los departamentos sugerir mejoras. Estos cuadros de comentarios son geniales, pero se necesita tiempo para que alguien lea todas las sugerencias, y mucho menos las implemente. Sería mucho más fácil si todas las sugerencias se recopilaran, leyeran y clasificaran automáticamente para poder responderlas fácilmente, ¿verdad?
En la época de los productos digitales, las empresas de tecnología pueden hacer precisamente eso.
Cuando las empresas solo vendían productos físicos, el objetivo era crear un producto lo más perfecto posible antes de enviarlo a cualquier cliente. Pero sin apenas costes de fabricación asociados, las empresas tecnológicas pueden lanzar diferentes variaciones de un producto antes de decidirse por la versión final. Esto se llama prueba A/B y permite a las empresas ver a cuál responden mejor los clientes.
El equipo de recaudación de fondos del presidente Obama llevó a cabo un ejemplo exitoso de prueba A/B durante su campaña de 2012. El equipo seleccionó grupos aleatorios de personas de su lista de correo para probar los efectos de diferentes líneas de asunto de correo electrónico, con el objetivo de determinar cuál es más rentable para enviar al resto de la lista. ¿El ganador? “Me gastarán más”, lo que finalmente generó más de $2 millones más en ingresos que otra variante, “¡Lo único en lo que acertaron las encuestas…!”
Pero si bien los costos mínimos de fabricación hacen posible este tipo de pruebas, también significan que los modelos antiguos de un producto se vuelven obsoletos rápidamente. Esto ha dado lugar al modelo de negocio ágil o esbelto, en el que los productos se lanzan en un estado básico, o al menos algo incompletos, y luego se mejoran. Lean se refiere a mantener el producto lo más simple posible, mientras que ágil se refiere a que una empresa sea capaz de responder rápidamente a las necesidades de los clientes.
Gracias al modelo ágil y eficiente combinado con información de las pruebas A/B, las empresas pueden enviar actualizaciones incrementales de sus productos a lo largo del tiempo. Si bien estos permiten mejorar constantemente su dispositivo, también pueden brindar a las empresas una ventaja injusta. Considere Apple, que publica periódicamente actualizaciones de software que se descargan mientras duerme. Esto es muy conveniente, hasta que la última versión haga que su dispositivo funcione con lentitud, lo que le obligará a comprar un modelo nuevo y caro con un procesador más rápido.
El consumo digital permite a las empresas conocer sus datos de forma más cercana y personal, para bien o para mal.
Abra Netflix o cualquier otro servicio de transmisión de video y será recibido con una página de inicio llena de programas y películas que ya ha visto, además de recomendaciones sobre qué ver a continuación. A veces, estas recomendaciones son acertadas, mientras que otras veces están muy equivocadas. Esto se debe a que los algoritmos que predicen lo que le gustará y lo que no le gustará aún no son perfectos. Pero eso podría cambiar pronto, a medida que las empresas puedan recopilar cada vez más datos sobre sus preferencias, antecedentes y creencias específicas.
En los primeros días de la tecnología, los clientes compraban CD-ROM que contenían piezas de software terminadas. Pero ahora, el software y otros productos digitales se lanzan antes de que estén completamente completos y su contenido cambia constantemente según los comentarios de los consumidores. Por lo tanto, los clientes pagan unos pocos dólares al mes por el acceso regular a un servicio en lugar de realizar una costosa compra única. Para las empresas, esto significa que los clientes deben estar satisfechos con su producto repetidamente a lo largo del tiempo. Y la mejor manera de hacerlo es aprender todo sobre ellos, para que las empresas sepan exactamente lo que los consumidores realmente quieren.
Que una empresa sepa todo sobre usted suena bastante aterrador. Pero tenga en cuenta los beneficios. Es esta comunicación bidireccional entre los datos de un cliente y una empresa la que permite a Netflix recomendar nuevos programas, ayudándote a descubrir más cosas que disfrutarás, o permite que Gmail aprenda tu estilo de escritura y te ofrezca respuestas automáticas por correo electrónico solo para ti.
A cambio, cada acción que realice en una computadora puede convertirse en datos y enviarse a alguien, en algún lugar de la nube. Si recibe una encuesta emergente, por ejemplo, es posible que sus respuestas reales a las preguntas no sean la información más importante para el remitente de la encuesta. Quizás el cursor permaneció sobre una imagen durante mucho tiempo, lo que indica que estaba interesado en ella. Luego, la empresa puede anunciarle en función de lo que cree que le gusta.
En este punto, usted puede estar pensando: «¿Cómo puedo evitar que las empresas aprendan todo esto?» Pero no hay forma de desactivar completamente la comunicación bidireccional y actualmente no existen muchas regulaciones legales sobre cómo las empresas pueden recopilar y utilizar sus datos.
El primer paso real fue el Reglamento General de Protección de Datos (GDPR) de 2018 de la Unión Europea, que obliga a las empresas a reconocer el hecho de que están recopilando sus datos y solicitar su consentimiento. Pero Estados Unidos todavía no cuenta con una legislación similar. Más formuladores de políticas necesitarán aprender a hablar a máquina si queremos evitar la explotación de nuestros datos en el futuro.
Existe un problema de diversidad en el mundo de la tecnología y las máquinas pueden perpetuarlo.
Cuando piensas en científicos informáticos famosos, probablemente te viene a la mente Alan Turing de inmediato. ¿Pero sabías que muchos de los primeros programadores informáticos fueron mujeres?
Desafortunadamente, muchas mujeres trabajadoras han sido excluidas de la historia de la informática y, en la actualidad, están siendo excluidas de la industria tecnológica moderna. En este momento, sólo el 21 por ciento de las personas empleadas en la industria tecnológica estadounidense son mujeres, aunque el porcentaje general de mujeres en Estados Unidos ronda el 50 por ciento. De manera similar, los afroamericanos y los hispanos representan el 7,4 por ciento y el 8 por ciento del sector tecnológico respectivamente, mientras que su representación en el sector privado es el 14,4 por ciento y el 13,9 por ciento.
Entonces, ¿qué podría explicar esta brecha? Por un lado, la razón más citada para abandonar la industria tecnológica es el acoso. Las mujeres y las personas de color son los grupos con mayor probabilidad de experimentar esto en el trabajo. Al mismo tiempo, las empresas se esfuerzan por preservar una “cultura adecuada” dentro de sus equipos. Desde su perspectiva, los avances en tecnología avanzan a una velocidad vertiginosa, por lo que cuanto más rápido se puedan tomar decisiones empresariales, mejor. Los nuevos empleados que ya son “como nosotros” probablemente compartirán una mentalidad que resultará en menos desacuerdos.
Pero las personas con ideas afines que toman decisiones rápidas también dejan que los problemas pasen desapercibidos. Un equipo más diverso podría reconocerlos y abordarlos. Considere el ejemplo de una popular empresa de redes sociales que lanzó dos filtros de imágenes ofensivos en tiempo real con apenas unos meses de diferencia. Un filtro agregó ojos rasgados al rostro del usuario, caricaturizando los ojos asiáticos, mientras que otro filtro oscureció la piel más clara para que pareciera negra. Esto no sólo causó dolor y ofensa, sino que también provocó una costosa reacción de relaciones públicas, todo lo cual podría haberse evitado.
Hay problemas de diversidad en la tecnología que son aún más profundos, ya que la discriminación está codificada en las propias máquinas. Tomemos como ejemplo la herramienta de contratación de Amazon, descartada desde entonces, creada en 2014 y programada para ayudar a elegir candidatos potenciales. Con base en los datos sobre los empleados existentes de la empresa, el programa terminó demeritando cualquier currículum que incluyera la palabra «mujeres», como en «universidad de mujeres».
Sin un entorno en el que los empleados se sientan cómodos expresando diferentes puntos de vista, las empresas tienen menos oportunidades de innovación y crecimiento. Afortunadamente, algunos ejecutivos de empresas tecnológicas están trabajando ahora para abordar el problema de la inclusión. Un ejemplo es Annie Jean-Baptise, directora de la nueva iniciativa de “inclusión de productos” de Google, que actualmente está trabajando para aumentar la diversidad en los proveedores de equipos de la empresa y poblar su base de datos de imágenes con una representación más diversa.
Iniciativas como esta permiten a las empresas prestar un mejor servicio a sus clientes y ampliar su base de usuarios, además de abordar las desigualdades sociales.
Las máquinas procesan datos y los datos por sí solos no siempre pueden ofrecer una imagen completa.
Sabemos que las máquinas pueden ejecutar bucles infinitos sin cansarse nunca, a escalas que apenas podemos imaginar. Sin mencionar que todos están conectados entre sí, por lo que poseen un enorme poder colectivo. A medida que ese poder crecer y su inteligencia incluso supera la nuestra, ¿dónde nos deja eso a los humanos?
Afortunadamente, hay muchos aspectos en los que seguimos siendo superiores a las máquinas. Uno particularmente importante es nuestra capacidad para interpretar datos cualitativos, mientras que las máquinas sólo pueden recopilar datos cuantitativos.
Tomemos el ejemplo de una famosa empresa de sopas cuyos mejores operadores de fábrica estaban envejeciendo y jubilándose. Para reemplazar a estos empleados humanos, la empresa creó una IA codificada con reglas si-entonces para preparar una sopa perfecta de la misma manera que los jubilados. Pero cuando se probó la IA, la sopa que preparó tenía un sabor terrible. ¿Cómo pudo haber sucedido eso, cuando siguió las instrucciones perfectamente? Los evaluadores le pidieron a uno de los operadores humanos que explicara por qué la sopa había salido tan mal, y él respondió simplemente: «¡Huele mal!».
A veces, las máquinas aparentemente hacen todo perfectamente y aun así fallan. Otras veces, logran hacer exactamente lo que les programamos para hacer, lo que puede ser igual de malo. Consideremos COMPAS, un algoritmo que sugiere sentencias por delitos. Utiliza datos de sentencias pasadas para fundamentar sus decisiones, lo que, lamentablemente, le lleva a sugerir castigos más severos para los acusados negros.
Lo que estos contratiempos de las máquinas muestran es que debemos evaluar cuidadosamente los datos generados por computadora y no solo prestar atención a los números brutos.
Una computadora puede generar una estadística como «el 90 por ciento de los usuarios pasan la mayor parte de su tiempo revisando las estadísticas de visualización de su blog». Como diseñador web, esto podría llevarle a pensar que el contador de vistas es una característica importante para los usuarios y debería mejorarse. Sin embargo, un usuario real podría explicarle que el contador de vistas está justo en el medio de la página de destino cuando visita el blog. Y lo que es peor, el recordatorio constante de cuántas personas han visto sus publicaciones (o no) las disuade de seguir usando el sitio.
Así que no te preocupes demasiado por quedarte obsoleto todavía. Incluso con todas sus fortalezas, las máquinas siguen siendo imperfectas, al igual que los humanos que las crean.
Foto de Darlene Alderson