Machine Learning, Deep Learning and who's Learning too

El jueves pasado tuve la fortuna de que Manubens^[1] me invitara a asistir a una presentación titulada Machine learning en la abogacía. Desde un punto de vista con los pies en la tierra. Dado que llevo tiempo metido en esto de las tecnologías y la abogacía, primero con Manubens como cliente y luego gestionando Pragma International^[2], creía que sería interesante ver que nos tienen que decir sobre la tecnología, y sobretodo, las siglas, jergas y demás palabras que van y vienen como si fuera una pasarela de moda, hoy colección primavera verano y dentro de cuatro meses, toca la de otoño invierno.

Las conferencias las organizaba ESADE Alumni^[3], que quieras que no suena a abolengo, y si encima se hacía en el Circulo Ecuestre^[4] pues ya que te animas porque no siempre tienes la oportunidad de meter un pie dónde las familias bien juegan a ser el club Bindenberg^[5] local.

La conferencia al final solo tenía un ponente que curiosamente trabaja en una empresa que comercializa soluciones asadas en machine learning. No estoy diciendo que por estar razón Francisco^[6] nos quisiera vender las maravillas de su empresa^[7], pero estaremos de acuerdo que la parcialidad podía discutirse.

Para no irme por las ramas, se hablaron de tres conceptos fundamentales que ahora están más o menos en la prensa, lo cual no es sinónimo de realidad y lo que actualmente se está comercializando entre las empresas, lo cual tampoco es signo de utilidad, y de lo que se está desarrollando en el campo de la ciencia, a lo que aplico el mismo criterio que a los dos puntos anteriores. Los tres puntos eran los siguientes:

• Inteligencia Artificial
• Machine Learning
• Deep Learning

La mayor parte del tiempo se hablo del segundo punto, pero dejó huecos para repartir un par de rascas a las dos restantes para dejar claro que lo importante es lo segundo. Sobre la Inteligencia Artificial casi hace el chiste que corre hace tiempo que más o menos reza así antes de hablar sobre la inteligencia artificial habría que preguntarse si hay inteligencia sobre la faz de la tierra. Con lo que queda claro que no apuesta demasiado por este área. En el Deep Learning, no me acabó de quedar claro el concepto pero si que la palabra altos y costes se me quedaron grabados en la mente.

Resumiendo, que la IA no existe y que el Deep Learning era más caro que un master en la prestigiosa universidad que patrocinaba el evento, con lo que nos convertimos en unos Toni Blair cualesquiera y apostamos por la tercera vía, que en este caso era el Machine Learning.

Según mi interpretación de lo que dijo, el truco es meter muchos datos en un sistema y base de modelos estadísticos predictivos se generan patrones que pasan desapercibidos al ser humano. Esto nos permite ver soluciones que no veíamos, correlaciones que estaban escondidas, y sobretodo, itinerar los datos una y otra vez para intentar incrementar el ratio de acierto del modelo. O sea, un uso intensivo de la estadística predictiva.

Obviamente, hacer un modelo que funcione necesitas a gente que sepa un poco de estadística, muchos datos, los que saben algo de estadística conocen el truco de las correlaciones, que si no funciona aumenta la muestra.

Lo fundamental, lo que a mi impactó es que estos modelos se usan no solo para temas financieros, de costes, o cualquier área más o menos numérica como puede ser la perdición de tiempo de los proyectos -tenemos la fantasía de que sabemos gestionar el tiempo mejor de lo que realmente hacemos sino que se usan para medir personas.

Según comentaba, en los EEUU se usa un sistema que se llama Compass^[8] y que se usa en algunos tribunales, que da información al juez para determinar la posibilidad de reincidencia en función de ciertos criterios. El problema fundamental se podría mirar desde dos ejes, primero que no se sabe que datos o criterio o modelo se usa, y segundo, es dar un paso en la delegación de tareas que deberían de ser humanas en máquinas.

Este momento me recordó una conversación con un grupo de abogados de Álvarez Valenzuela^[9], sobre si la justicia podía ser reducida a un algoritmo o no es posible buscar funciones que expliquen el ser humano y el cumplimiento de la ley.

Primero, asumiríamos que nos cargamos el sistema legal ya que si lo dice un algoritmo no hay posibilidades de error, según algunos, y por lo tanto una vez eres condenado ya no puedes apelar. Otro punto fundamental es incremento de sesgo, ya que si el model te dice que si hoy es domingo mañana tropezarás, es más posible que ocurra y se suele llamar la profecía autocumplida.

En todo caso, y más allá de las implicaciones éticas, es una metodología que puede ser útil para mejorar ciertas áreas en cualquier negocio, el problema es de tiempo e inversión. Hace falta personas que se dediquen a preparar y analizar los datos, sin entrar en el tema del coste de estos sistemas, que si queremos algo que nos funcione y no algo estándar, no es barato.

Película^[10]

[1] Manubens Abogados

[2] Pragma International. A International Network of Law and Consulting Firms.

[3] ESADE Alumni. Antiguos alumnos de ESADE, pero en latín suena mejor.

[4] En todos los países desarrollados existe una tradición característica de la civilización occidental: la de los clubs privados. Unas asociaciones de carácter exclusivo a las que suelen pertenecer las personalidades más destacadas e influyentes de la sociedad. +

[5] El club, conferencia, grupo o foro Bilderberg es una reunión anual a la que asisten aproximadamente las 130 personas más influyentes del mundo, mediante invitación +

[6] CEO at BigML Inc. A technologist passionate about machine learning, distributed systems, and endurance sports. +

[7] BigML: Machine Learning made beautifully simple. A company-wide platform that runs in any cloud or on-premises to operationalize Machine Learning in your organization. +

[8] Sent to Prison by a Software Program’s Secret Algorithms

[9] Álvarez Valenzuela Abogados