Marcelo Rinesi es un joven científico de datos que desarrolló software y modelos matemáticos para empresas de finanzas, juegos, seguridad, e-commerce y marketing en Estados Unidos, Europa y América Latina. Hoy, este profesional argentino es Director de Tecnología del Institute for Ethics and Emerging Technologies y miembro del Instituto Baikal, donde integra el Proyecto Climatológico de Inversión, una iniciativa para mapear la dinámica conceptual de la subcultura del ecosistema empresarial.
“El objetivo no es solo monitorear cuáles son los temas de los que se está hablando en este momento en el mundo de las inversiones, sino entender las dinámicas de cómo cambia. Con herramientas de procesamiento de lenguaje natural es posible obtener los patrones de cambio del uso de diferentes conceptos. Esta es la razón del nombre de la iniciativa: no se trata de clima de inversiones, sino de climatología de inversiones. No acumular datos, sino conocimiento”, se explaya en esta entrevista realizada con Mundo Seguro y que, a continuación, reproducimos a manera de versión periodística,
El procesamiento de lenguaje natural (en inglés, natural language processing, NLP) es una rama de la inteligencia artificial que ayuda a las computadoras a entender, interpretar y manipular el lenguaje humano. Toma elementos prestados de muchas disciplinas, incluyendo la ciencia de la computación y la lingüística computacional, buscando cerrar la brecha entre la comunicación humana y el entendimiento de las computadoras.
¿Cómo se puede aprovechar esa “puja” entre datos y conocimiento a la hora de innovar en los negocios?
RINESI: – Si sabes de lo que están hablando los inversores, podrás hablarles de cosas que les interesan. Si tienes una idea de qué cosas hablarán en un futuro, podrás construir de antemano cosas que vayan a querer. Y si entiendes cuáles son los puntos ciegos culturales de los inversores, podrás explotar ideas en las que no vas a tener competencia. Sin datos, no sabes si lo que estás haciendo está funcionando. Sin un modelo de tu actividad, no sabes si lo que estás haciendo puede funcionar. Y sin un modelo del contexto de tu actividad, no puedes crear procesos radicalmente nuevos.
Con frecuencia señala que en data science suele confundirse la visualización de algo con entender realmente lo que está pasando…
– Es que la visualización o la “historia contada con datos” es el primer paso, pero el objetivo es la construcción de modelos abstractos coherentes de lo que está pasando y de lo que puede pasar, lo que es una actividad más lenta y muchas veces más complicada desde lo institucional, pero profundamente transformadora.
¿Qué papel cumple la ética en este juego?
– Idealmente, uno estructural. En la práctica, es más bien un ítem en una checklist. Que se hable de ética en inteligencia artificial ya es un progreso pero, como en lo climático, hay más gestos simbólicos que cambios efectivos.
Se observa una clara ventaja competitiva entre quien han invertido fuertemente en tecnología artificial…
– Ciertamente. Quienes ya venían utilizando herramientas y procesos más avanzados tienen ventajas comparativas que les permiten reinvertir todavía más en esas herramientas, mientras que los que no lo hacían sufren una contracción económica y estratégica más acelerada que los lleva a sub-invertir, perder todavía más competitividad, y seguir así en un ciclo descendente.
¿En qué radica la diferencia entre estos dos grupos?
– Principalmente, es una decisión cultural y de política interna. Algunas de estas tecnologías requieren recursos humanos o informáticos costosos, pero hay muchos que son extremadamente baratos, sobre todo en instituciones o grupos de bien público. El cuello de botella es el costo político interno y la percepción de que es algo “buenísimo pero para más adelante o para otro contexto”.
Cualquier tecnología nueva de procesamiento de información y toma de decisiones implica un cambio en las formas y en el balance del poder dentro de una institución. Esto es algo que, de manera consciente o inconsciente, frena incluso la exploración inicial de oportunidades de mejora.
¿Entonces?
– Cuando uno la está peleando desde atrás, la única forma de ganar es usar herramientas más nuevas y más extrañas que las de los líderes. No hay que replicar tímidamente y de forma limitada lo que ya hacen. Incluso las empresas y países más avanzados son conservadores en relación a las posibilidades técnicas existentes, pero los países y empresas golpeados por la crisis son todavía más conservadores, y esto lleva a la profundización de la diferencia.
Los eventuales beneficios -económicos, sociales e incluso políticos- de encontrar maneras apropiadas de aprovechar todo el potencial de la inteligencia artificial son incalculables.
¿Cuáles son los modelos de negocios alrededor de la inteligencia artificial?
– Hay una tendencia hacia la concentración. Algunas de las empresas más grandes usan inteligencia artificial de forma más intensiva, lo que les da ventajas competitivas -no solo operativas, sino también en acceso a capital- que pueden explotar de forma sistemática, a la vez que su tamaño les permite desarrollar formas de inteligencia artificial a escala. Al mismo tiempo, aplican inteligencia artificial de formas que tienden a hacer más desigual la distribución de ingresos y control dentro de la misma empresa; es mucho mejor ser dueño de IA que construir IA, y construir IA que trabajar bajo la supervisión de una.
¿Qué nos espera a mediano plazo?
– Hay una ventana de oportunidad enorme para nuevos actores sociales y económicos que estén dispuestos a utilizar inteligencia artificial de formas creativas e intensivas, y no como agregado decorativo, feature de productos o una “iniciativa de innovación”.
Estamos apenas empezando a explotar el potencial de la inteligencia artificial, más limitados por la inercia cultural e institucional que por las posibilidades técnicas. Los eventuales beneficios -económicos, sociales e incluso políticos- de encontrar maneras apropiadas de aprovechar todo este potencial son incalculables.
Fuente: Revista Mundo Seguro (septiembre 2021)
