- hace 11 meses
- #documental
Big Data, conviviendo con el algoritmo
#documental
#documental castellano
#documental español
#documental
#documental castellano
#documental español
Categoría
📺
TVTranscripción
00:00:00Un algoritmo es una forma compleja de realizar un cálculo.
00:00:30Un algoritmo es un proceso.
00:00:38Una receta de cocina es un algoritmo.
00:00:41Te dice qué debes hacer primero, segundo, tercero y cuarto.
00:00:44Es un algoritmo para un cierto fin.
00:00:58Un algoritmo depende de los datos que se le entreguen, depende de cómo ha sido diseñado.
00:01:04También depende mucho de la interpretación que se haga de los datos.
00:01:08Un algoritmo no te libera de responsabilidad.
00:01:14Un algoritmo no te libera de responsabilidad.
00:01:30Un algoritmo de todas maneras deja la decisión en manos de quien usa ese cálculo.
00:01:36Un algoritmo no te libera de responsabilidad.
00:01:42Un algoritmo no te libera de responsabilidad.
00:01:46Un algoritmo no te libera de responsabilidad.
00:01:56La tecnología ha tomado nuestras vidas.
00:02:23Eso es lo que ha cambiado.
00:02:25Que hoy en día, nuestro contacto con la tecnología ocurre desde que nos despertamos hasta que acaba nuestro día.
00:02:51Hay más móviles en el mundo que humanos.
00:02:53El móvil está conectado y esa conexión hace que las interacciones con el móvil vayan dejando huellas digitales cuando utilizamos aplicaciones, cuando buscamos, cuando enviamos correo, cuando utilizamos Google Maps, etc.
00:03:05Entonces hay una grandísima cantidad de datos, lo que se llama datos del comportamiento humano, que no han existido hasta ahora en la historia de la humanidad.
00:03:14Y yo creo que es fundamental el que aprovechemos la tecnología para democratizar el acceso a la tecnología, a la educación y a los datos.
00:03:21Se está hablando que por cada persona se pueden conectar mínimo diez cosas.
00:03:38Esto multiplica el mercado del móvil, que es inmenso, como mínimo por diez.
00:03:43Se está hablando, de hecho, de la cuarta revolución industrial.
00:03:46Prácticamente el mundo está lleno de sistemas que están registrando permanentemente la acción de la economía, de las grandes redes logísticas,
00:04:01la posición de todos los aviones en el cielo, los cargos en tarjetas de crédito, las llamadas telefónicas que hacemos.
00:04:06No solamente es una cuestión de la disponibilidad de los datos, no solo es una cuestión de la cantidad de los datos,
00:04:11es la cuestión de un cambio en nuestra capacidad de generarlos, recogerlos, almacenarlos, preservarlos y analizarlos.
00:04:30Esto es lo que viene de alguna manera a generar esta línea o esta transición que nos mete en la lógica del Big Data.
00:04:36Muchos de los algoritmos que se utilizan ahora datan de los años 70 y eran tesis de matemáticas completamente teóricas
00:04:46porque era imposible que un ordenador fuese capaz de ejecutar ese algoritmo por puro coste computacional.
00:04:51¿Qué pasa, señor?
00:05:08La verdad es que tengo ganas de que nos veamos y que me cuentes cosas de nivel muy rápido.
00:05:12Porque si uno mira la capacidad de cálculo que hay en cualquier coche de estos que van solos, es mayor que los supercomputadores de hace 20 años.
00:05:19Y ahí está la informática, está la revolución de los procesadores, la capacidad de memorización, la capacidad de generar información, almacenarla y tratarla.
00:05:29Este es el nuevo cambio.
00:05:30Creo que podríamos salir a dar un paseito.
00:05:32Vale, oye, Sinez, que te tengo que dejar, ¿vale? Que me voy a duchar.
00:05:36¿Vale?
00:05:36Ok, venga, nos vemos luego.
00:05:38Hablamos.
00:05:39Chao.
00:05:40Chao.
00:05:41Chao.
00:05:41Chao.
00:05:41Chao.
00:05:41Chao.
00:05:42Chao.
00:05:43Chao.
00:05:44Chao.
00:05:45Chao.
00:05:46Chao.
00:05:47Chao.
00:05:48Chao.
00:05:49Chao.
00:05:50Chao.
00:05:51Chao.
00:05:52Chao.
00:05:53Chao.
00:05:54Chao.
00:05:55Chao.
00:05:56Chao.
00:05:57Chao.
00:05:58Chao.
00:05:59Chao.
00:05:59Chao.
00:06:01Es que somos capaces de digitalizar nuestra realidad física.
00:06:06Es decir, estamos moviendo lo que pasa dentro del mundo analógico al mundo digital.
00:06:17Los datos en sí mismos, si no somos capaces de entenderlos, es basura digital.
00:06:22¿De qué nos sirve tener zettabytes de datos?
00:06:25Si están ahí, nadie los usa.
00:06:27Entonces la clave es cómo podemos aprovechar esos datos para mejorar el mundo.
00:06:34La manipulación y acceso de los datos nos permite hacernos preguntas en miles de temas
00:06:41y conseguir resultados donde antes simplemente no nos lo podíamos plantear.
00:06:56Nosotros nos presentamos a estos eventos, primero de todo porque nos lo pasamos muy bien.
00:07:17Es muy divertido tener estas 24 horas para competir.
00:07:22Es como un fin de semana donde nos pasamos trabajando al 100%.
00:07:27En mi equipo tenemos Jordi Zamora, que es doctor en física, Jordi Puigde-Giebel, que es matemático,
00:07:36y Luis Ramón, que también es matemático.
00:07:38Gente brillante, aquí hay mucho, mucho talento probando de hacer el mejor algoritmo.
00:07:43La pregunta que están respondiendo aquí es sobre el contenido del juego.
00:07:54El objetivo de Monster Legends es que reconecten y combaten una serie de monstruos.
00:07:59Entonces están tratando de entender si un usuario tiene un tipo de monstruo,
00:08:02qué otros monstruos en el juego que ese jugador también podrá gustar.
00:08:06Estamos en un juego gratuito, es un juego free to play.
00:08:21Y el hecho de que se puedan organizar estos eventos y estas empresas es porque hay usuarios que pagan.
00:08:30Entonces la idea es qué monstruo recomendamos para que ese usuario acabe pagando.
00:08:36Ok, here is the competition for the accuracy track.
00:08:41We will release to you.
00:08:42Hemos tenido tres fuentes de datos.
00:08:46Primero de datos, primera fuente de datos, los monstruos.
00:08:49Cómo son los monstruos, a qué nivel los consigues, el precio que cuesta en la moneda virtual que ellos tienen.
00:08:55Por otro lado tenemos los usuarios, ¿de acuerdo?
00:08:58¿Cómo es ese usuario?
00:08:59¿Es usuario de qué país es?
00:09:01¿Es un hombre? ¿Es una mujer?
00:09:02¿Se ha conectado a través de Facebook?
00:09:04¿Tiene un iPhone? ¿Tiene un Android?
00:09:05Y luego tenemos la combinación entre ambos.
00:09:08Estos usuarios tienen estos monstruos.
00:09:12We are always looking to grow our team, particularly with talented individuals.
00:09:18So if you are interested in working here at SocialPoint, please talk to me or talk to anybody around the room at any point over the next 36 hours or so.
00:09:29And good luck, let's get started.
00:09:35Actualmente nosotros parece que elegimos el trabajo.
00:09:40Ahora mismo el Data Science es una de las profesiones que más demanda tiene en el mercado
00:09:46porque todas las empresas se están dando cuenta del potencial que tienen las habilidades
00:09:51y el que le diríamos el machine learning en su operativa diaria para la empresa.
00:09:55Estas son las fichas de empresa de tiendas de informática.
00:10:24Hoy en día hablamos con nuestro teléfono.
00:10:26Podemos decirle Siri o Cortana o con Google Voice, ¿dónde está el restaurante más cercano?
00:10:33Reconoce el habla y es capaz de buscar la información y mostrártela.
00:10:38Prácticamente desde que nos despertamos hasta que nos acostamos estamos interaccionando con sistemas de inteligencia artificial que no son robots.
00:10:49La mayoría de los teléfonos hoy en día son capaces de, cuando vas a hacer una foto, detectar caras.
00:11:08Eso es un sistema de inteligencia artificial.
00:11:10Se estima que creo que un coche hoy en día debe tener como unos 70 sensores.
00:11:15Es todo digitalizado, todos en ordenadores.
00:11:17Si utilizamos navegadores, utilizamos mapas, utilizamos sistemas de inteligencia artificial para poder decidir cuál es la mejor ruta o para predecir cómo será el tráfico.
00:11:35Los sistemas de logística de reparto que sean totalmente autónomos, drones para hacer los sistemas de reparto a las casas, el contexto de la salud.
00:11:54¿Qué pasa cuando todos podamos secuenciar nuestro genoma humano?
00:11:57¿Quién va a mirar ese genoma humano?
00:11:59No es viable para un humano mirarlo.
00:12:01Vamos a necesitar algoritmos de inteligencia artificial para mirar todos nuestros diferentes genes, para identificar mutaciones en esos genes, para determinar probabilidades de desarrollar ciertas enfermedades y demás.
00:12:13Creo que una de las grandes ventajas de la tecnología es la escala que puede conseguir, el que pueda procesar billones de elementos de información que nosotros en toda nuestra vida no seríamos capaces de hacerlo.
00:12:29Es un computador muy rápido porque hay muchos procesadores que trabajan conjuntamente resolviendo el mismo problema.
00:12:50Nosotros en el marionostrum tenemos 100 terabytes de memoria central, es una capacidad enorme.
00:12:59Hay expertos que lo usan para ayudar a Repsol a encontrar petróleo en ambientes hostiles, o se utiliza para predecir el cambio climático,
00:13:10o lo utilizan doctores e investigadores del campo de la bio para la medicina personalizada,
00:13:16para ver la influencia de los cambios de los genes en las enfermedades, para predecir, prevenir, curar.
00:13:32Son máquinas que han evolucionado muy rápido y que ahora, la máquina más rápida, que es una máquina que ha hecho China,
00:13:38y que la tecnología es China, básicamente, eso hay otro mensaje detrás de ello, de que hay que dedicar dinero a la ciencia para hacer cosas importantes,
00:13:48pues este supercomputador tiene 10 millones de procesadores trabajando conjuntamente
00:13:52y ahora estamos en el reto de aumentar todavía por 100 la velocidad de esas máquinas,
00:13:58de forma que seguramente necesitaremos centenares de millones de procesadores trabajando conjuntamente.
00:14:08De hecho, en muchos casos han sido artistas, diseñadores, creadores los que nos han ofrecido las claves
00:14:29para entender y para también generar un lenguaje que nos permitiera acercarnos a este tema.
00:14:38Estas imágenes del datacenter que Telefónica tiene en Alcalá de Henares, en Madrid,
00:14:46la instalación más importante que hay en España, que preserva y almacena datos,
00:14:52eran un punto de entrada en Big Band Data a la exposición importante para explicar la materialidad
00:14:57y la huella sobre el mundo de una industria pesada, que de alguna forma es la industria pesada de la era de la información.
00:15:03Los datacenters, que son esos espacios en los que viven y duermen los datos que llamamos están en la nube,
00:15:23nuestros mensajes, nuestras canciones, nuestros documentos personales, nuestras fotos,
00:15:28estamos guardándolos en datacenters que se convierten en cajas negras de servicios que no acabamos de entender.
00:15:37Y Big Band Data explora de qué forma esta transición, este proceso de datificación del mundo,
00:15:45es análogo de alguna manera a la electrificación del mundo en el siglo XIX,
00:15:49una revolución técnica e industrial que alteró todos los órdenes de la sociedad.
00:15:56De alguna manera, la batalla en torno a la posesión, el acceso, el uso y la creación de conocimiento a partir de los datos
00:16:06es una de las grandes batallas de nuestro tiempo.
00:16:08Los ciudadanos tenemos poco acceso a los datos, porque los datos que generan las corporaciones sobre nosotros,
00:16:21se los quedan las corporaciones, y los datos que generan las administraciones públicas, con nuestros impuestos,
00:16:28muchas veces se los quedan las administraciones públicas.
00:16:31España es un país en el que no tenemos cultura de transparencia.
00:16:34Ahora tenemos una ley de transparencia que ayuda a que el ciudadano pueda pedir algunos datos públicos
00:16:43y obliga a algunas administraciones a publicar ciertos datos.
00:16:51El problema es qué tipos de datos abres, si abres datos agregados o abres datos concretos.
00:16:57Y eso es un debate que hemos tenido desde hace mucho tiempo, por ejemplo, con el tema del crime mapping,
00:17:01el mapear delitos. Desde los años 80 en Estados Unidos, ahí existen páginas web donde salen todos los delitos de un año
00:17:09donde han ocurrido. Esto puede parecer muy bien a quien va a comprarse una casa en un barrio o una ciudad que no conoce
00:17:15y puede saber qué espacios son más inseguros y cuáles no.
00:17:18Pero cambiemos un poco la perspectiva. Y la perspectiva de la persona que vive en ese barrio.
00:17:22Alguien que de repente ve cómo el precio de sus casas baja porque alguien ha hecho un mapa mapeando este tipo de delitos
00:17:29y que además se siente doblemente victimizada. Es alguien que es víctima también de esa delincuencia,
00:17:34pero además es víctima de una presencia policial, del estigma, etcétera, etcétera.
00:17:38El Open Data nunca se tendría que hacer con datos personales, por ejemplo.
00:17:42Siempre anonimizar y anonimizar de forma robusta, de forma que yo pueda saber procesos o cómo se mueven los coches en una ciudad,
00:17:50pero sin saber que el coche de fulanito o menganita a tal hora, cada día, sale de su casa.
00:18:00La página web del Banco Mundial publican PDFs, publican informes que nunca se leen.
00:18:07Eso habla de la gran cantidad de información que hay a nuestro alrededor y de la gran necesidad de ponerse a analizarla.
00:18:14Lo bueno de la tecnología es que nos ayuda a ser escalables y a tener, de alguna manera, superpoderes
00:18:22para poder lidiar con información que antes no podíamos.
00:18:25Nosotros, en el caso de la investigación del Banco Mundial, aprovechamos diferentes programas
00:18:33que nos ayudaban a buscar y a determinar si el documento era interesante para ser leído o no,
00:18:37porque si no era muy difícil ponerse a mirar todos los documentos.
00:18:46Pero a veces nos enfrentamos a grandes retos, como con los papeles de Panamá.
00:18:50Los llamados papeles de Panamá son ya la mayor filtración de documentos de la historia.
00:19:02140 políticos y altos funcionarios de todo el mundo figuran como presuntos titulares de sociedades opacas.
00:19:09Nos llegó un disco duro con 2,6 teras de información, el equivalente a 11 millones y medio de documentos.
00:19:21Creamos un ejército de servidores temporales, entre 30 y 40 servidores,
00:19:26que procesaban estos documentos de manera paralela.
00:19:29Y de ahí creamos un gran buscador que podía acceder cualquier persona del equipo desde cualquier parte del mundo.
00:19:36400 periodistas en 80 países buscando en cualquier momento todos esos documentos.
00:19:43Pero hubo mucho que se nos quedó por hacer.
00:19:46Amazon me recomienda productos que comprar.
00:19:50Todavía estamos por aplicar estas tecnologías de recomendación, por ejemplo, al periodismo.
00:19:55¿No sería fantástico que este buscador de documentos me dijera
00:19:59has buscado esto, has encontrado al primer ministro de Islandia,
00:20:03¿te interesaría mirar esta otra persona también?
00:20:05Igual que me recomienda un producto, pues que me recomiende personas para investigar.
00:20:35Hola, bueno, mira, al final me estiré un poquito más.
00:20:51Al principio los ordenadores, que a la gente no les gustaban, que parecían unos extraños,
00:21:11que están haciendo estas máquinas robando unos trabajos.
00:21:14Y ahora es básico para nuestro día a día.
00:21:16Yo creo que hoy en día estamos cerca a ese punto, ¿no?
00:21:20Estos algoritmos pueden sonar como cosas extrañas que están fuera, que nos están invadiendo,
00:21:25pero en unos años yo creo que será muy normal trabajar, ¿no?
00:21:29La opinión de lo que sería el humano y la opinión de lo que sería la máquina.
00:21:32Cuando miráis las pantallas que hay delante nuestro, lo que veis son matrices, ¿no?
00:21:49Tenemos matrices, por ejemplo, matrices de 2,2 millones de registros por 3 columnas
00:21:55o de 100.000 usuarios por 20 columnas.
00:22:00Eso es lo que se ve ahí.
00:22:01Entonces nosotros cogemos todas estas matrices y miramos cuáles son los cálculos
00:22:07que me permiten explicar mejor lo que pasará.
00:22:10Los algoritmos son muy útiles, ¿no?
00:22:15Cuando tenemos que detectar patrones en comportamientos, en caras,
00:22:24o un algoritmo la gran mayoría de veces vencerá al humano.
00:22:29Cuando abrimos el navegador web y nos salta un banner que con nuestra cookie
00:22:38hace un cálculo en milisegundos de qué anuncio te tengo que enseñar,
00:22:42son extremadamente útiles.
00:22:46Lo que hemos estado haciendo ahora es intentar ser los mejores que predicen lo que pasará.
00:22:53Entonces ahí vemos el ranking, como si fuera la liga, ¿no?
00:22:57¿Quién va primero en esta jornada?
00:22:58Pues este equipo, porque el algoritmo que ha entrenado está dando mejor resultado.
00:23:04En este caso el equipo alfa llega al 33-34.
00:23:07Y tú dices, caray, ¿qué han hecho, no?
00:23:11Entonces te piensas a plantear, ostras, ¿cómo han conseguido mejorar el algoritmo?
00:23:16Perdón, chicos.
00:23:17Ahora vamos a ir para el almuerzo.
00:23:19Así que por favor, comencem a mover.
00:23:21Cuando ves que está fallando algo, que no se está llegando al objetivo, es decir,
00:23:44chicos, ¿por qué no nos apartamos y pensamos todos juntos?
00:23:48Entonces ahí debatimos las diferentes líneas de algoritmo que podía seguir uno o podía
00:23:54seguir otro.
00:23:56Yo estoy bastante descansado.
00:23:57Al final nuestro último Submit fue para un sistema de recomendación basado en los usuarios
00:24:03sino en los monstruos y eso nos dejó en tercer lugar con un 33%, pero no llegamos con
00:24:10lo que se diría la idea feliz que tuvieron el primero y el segundo equipo.
00:24:13Un algoritmo puede tener prejuicios, pero son prejuicios objetivos.
00:24:43Son prejuicios basados en las experiencias de diferentes usuarios que se parecen a ti.
00:24:49Entonces puedes decir, pues una persona de esta edad, con este sexo, con este coche,
00:24:56con estas prestaciones, pues tiene más probabilidad de tener un accidente.
00:25:01Entonces su seguro de coche ha de ser más caro.
00:25:04Esto puede ser que te discrimine o que te cotabilice, pero en el fondo, cuando tú coges
00:25:10un grupo grande de personas, eso es cierto.
00:25:13El que da la predicción es el algoritmo.
00:25:17Entonces, en base a eso, el humano elige.
00:25:20Vale, ¿a partir de qué probabilidad yo considero un buen conductor o yo puedo considerar un mal
00:25:26conductor?
00:25:26Es el humano el que decide el punto de corte, podríamos decir.
00:25:29Pero también lo podría decidir el algoritmo.
00:25:32Ahora todo el mundo ya tiene asumido que el análisis de datos puede mejorar su toma
00:25:42de decisiones porque se ha convertido en un tema mucho más extendido y conocido.
00:25:47Y ahora están en el punto de cómo saco un rendimiento de estos datos.
00:25:51Y lo que se han dado cuenta es que son muy valiosos para entender tanto sus dinámicas
00:25:55internas y ganar eficiencia como para entender mejor el comportamiento de sus clientes.
00:26:01Es decir, cada uno de nosotros somos tratados de manera diferencial en función de las cosas
00:26:05que hemos comprado o por aquellas que hemos mostrado interés, clicando o marcando como
00:26:12que nos interesaban.
00:26:14A partir de ahí, las empresas naturalmente utilizan esta información para personalizar
00:26:18la experiencia de usuario que tienen cada uno de nuestros clientes, para generar más
00:26:22interés, para fidelizar a los clientes y naturalmente para aumentar sus ventas.
00:26:27Esto lo hemos observado en grandes empresas como Amazon y Netflix y ahora sencillamente
00:26:34estamos viendo cómo se convierte en masivo en empresas mucho más pequeñas que sencillamente
00:26:39son más ingeniosas a la hora de utilizar estos datos a unos costes realmente accesibles.
00:26:52Bueno, Jovan Talent es una aplicación para encontrar empleo donde los candidatos se pueden inscribir
00:27:05y pueden encontrar ofertas de empleo que se adaptan a su perfil y las empresas pueden encontrar
00:27:10candidatos a partir de las ofertas de trabajo que publican en ella.
00:27:13Las aplicaciones como Infojobs o como LinkedIn requieren mucho esfuerzo a la hora de introducir
00:27:23tu currículum, requieren tener una experiencia previa muy amplia, están muy pensadas para
00:27:27alguien que tiene un currículum muy extenso.
00:27:31Con lo cual quedaba un hueco enorme para toda la gente que está empezando a trabajar, para
00:27:34estudiantes, un servicio a candidatos, un servicio de empleo para trabajos de baja cualificación
00:27:39y trabajos temporales a todo el mercado que había y que estaba sin cubrir de alguna
00:27:44manera.
00:27:50Nuestro algoritmo lo que trata es de aprender de las interacciones entre candidatos y empresas
00:27:55para saber cuándo una empresa tiene una probabilidad alta de sentirse interesada por un candidato
00:28:00y viceversa.
00:28:01Para eso lo que tenemos que hacer es observar básicamente, observar todas esas interacciones
00:28:05y a partir de ahí hay un procesamiento estadístico que aprende cuáles son los factores importantes.
00:28:16Web SES es lo que dice la web.
00:28:18Web SES permite a empresas e instituciones entender la opinión pública en las redes sociales
00:28:24y en Internet.
00:28:25Piensa que hay 200 millones de blogs ahora mismo en el mundo, cientos de millones de comentarios
00:28:38de restaurantes, de hoteles, cada minuto 30 millones de mensajes en Facebook y mucha de
00:28:44esa información es pública.
00:28:45Hacer algoritmos sobre el lenguaje humano es muy complejo, es mucho más difícil que
00:28:54tratar números o datos cuantitativos.
00:28:57Por ello utilizamos la técnica que llamamos de aprendizaje automático.
00:29:01En vez de escribir nosotros el algoritmo, utilizamos un meta-algoritmo que va él a escribir
00:29:08sus propios algoritmos.
00:29:09Por ejemplo, la palabra fría, si siempre aparece en quejas, acabará siendo un marcador de queja.
00:29:16Pero si vemos frases que dicen la pizza estaba fría y es una queja, la cerveza estaba fría
00:29:22y es algo positivo, el ordenador no se quedará solo con la palabra fría, sino que buscará
00:29:27un contexto mayor.
00:29:29Esto llevado a un nivel de complejidad enorme es lo que nos permite desarrollar algoritmos
00:29:34de tratamiento del lenguaje natural.
00:29:35Una de las aplicaciones de esto, por ejemplo, es la medición en tiempo real de la opinión
00:29:41sobre unas elecciones.
00:29:46Cabify es una aplicación de movilidad que te permite solicitar un vehículo personalizado
00:29:52en función de la necesidad con conductor.
00:29:54Una cosa curiosa que nosotros hacemos es construir nuestra propia cartografía a partir de información
00:30:03que hay de los institutos nacionales de estadística o institutos geográficos de cada una de las
00:30:08ciudades donde operamos.
00:30:09Construimos nuestra propia cartografía que inyectamos en nuestros datos y podemos hacer
00:30:13no solo análisis normal clásico, sino también análisis geospacial.
00:30:18Pero la magia está en poder explotar los datos y que de manera automática, mediante algoritmos,
00:30:22se tome la decisión y se le haga la recomendación al conductor de dónde posicionarse.
00:30:27Sin necesidad de que sea una persona al que le diga, tienes que ponerte en el distrito
00:30:31de, por ejemplo, centro.
00:30:35Lo que yo creo que ha cambiado ha sido el poner los datos disponibles para todo el mundo.
00:30:40Cualquier persona puede tener los datos de su propia empresa y tomar una decisión, esta
00:30:44vez basada en datos, no tomar una decisión por ser un referente moral o por tener mucha experiencia.
00:30:52Una persona puede tener un móvil y, por tanto, puedes conectar a una persona con una persona
00:31:08o con mucho dos, pero hay múltiples cosas que se pueden conectar.
00:31:13Entonces, la dimensión, el crecimiento es exponencial y se está hablando que es uno
00:31:17de los mercados más grandes y de mayor crecimiento del mundo hoy en día.
00:31:22Aquí tenemos un lorrión de deslizos que coge los deslizos con lluvias lluvias.
00:31:42Esto es inteligente, es conectado.
00:31:44Todas las lluvias lluvias son también conectadas.
00:31:46Este conjunto de tecnologías que permite el desarrollo del IoT, de Internet de las
00:32:02Cosas, no es caro.
00:32:05A veces lo que cuesta más es el cambio mental o de estrategia de algunas empresas o de nosotros
00:32:10mismos, de adopción de tecnología, que el aplicar la tecnología.
00:32:14Tiene un retorno rapidísimo.
00:32:16La tecnología está ahí, el momento es ahora y lo que falta es aplicarlo a cada uno de
00:32:28los negocios, de los mercados, de los verticales de negocio y de las personas.
00:32:32Lo que tenemos que ver es en la aplicación de IoT para cada uno de los verticales, qué
00:32:37beneficios da la sociedad, en qué repercute a nuestra forma de trabajar, a nuestra forma
00:32:42de vivir, cómo se aplica la ética en la aplicación y el desarrollo de esta tecnología y cómo
00:32:47el marco legal va acompañando este desarrollo también tecnológico.
00:32:50La eclosión de dispositivos conectados y el ámbito donde los tenemos implantados, que va
00:33:02desde el ámbito del hogar, los juegos, los niños, hasta las cosas que pueden tener más
00:33:08peligro.
00:33:08El pilotaje de aviones, los coches conducidos, los sistemas de emergencia, etc., es tan grande
00:33:15y tan complejo a día de hoy que como no empecemos a tomarnos las cosas serias desde la base y
00:33:21empecemos a diseñar sistemas seguros, privados y con una ética y unos límites desde el principio,
00:33:27va a ser muy complicado parar esto.
00:33:29No es algo que lo vayamos a poder arlar una vez que ya se haya implantado.
00:33:34Muchas veces hemos oído de, a mí me da igual que lo sepan todo, yo no tengo nada que ocultar.
00:33:38Cuando se decía, cuidado con lo que pones en las redes sociales, ahora ya no es en las
00:33:41redes sociales, ahora es cuidado con la información que revela sobre ti tu ropa, cuidado con la
00:33:46información que revela y envía sobre ti tu reloj, tu teléfono, tu coche, tu lavadora.
00:33:52No estamos preparados.
00:33:54Y para que te hagas una idea, hace un mes aproximadamente una mujer denunció a la compañía que le había
00:34:03vendido, que había fabricado el vibrador que utilizaba en su intimidad, porque el vibrador
00:34:11estaba enviando información a unos servidores de cada vez que lo utilizaba, qué potencia
00:34:14lo estaba utilizando, etc.
00:34:15Y todo eso sin haberla informado a ella.
00:34:19Estaba haciendo un perfil de esa persona sin que ella se hubiera dado cuenta.
00:34:35Tenemos que tener cada vez más en cuenta que si hiperconectamos todo, podremos estar hipervigilados.
00:34:41Pero lo vamos a estar permitiendo nosotros.
00:34:44No es que la tecnología sea mala, es que nosotros lo estamos regalando.
00:34:47Tener las cámaras de seguridad de tu casa, conectadas con tu móvil, con tu televisión,
00:34:51con tu teléfono, con tu nevera, ¿realmente necesitamos eso?
00:34:56¿Realmente es tan beneficioso como nos dicen?
00:34:59¿Realmente es tanta la seguridad que nos van a ofrecer?
00:35:02Un dato por sí mismo puede ser valioso, como por ejemplo tu edad, tu sexo o la ubicación
00:35:31en donde vives y hay otros datos que tienen valor cuando se analizan agregados o en series.
00:35:37Saber la ubicación exacta donde estás por las noches le puede permitir a una aplicación,
00:35:43consultando el cadastro, que es una información que está pública y disponible,
00:35:47saber si tienes comprada la vivienda o si está en alquiler o si es una casa grande
00:35:51o si es una casa pequeña, con lo que se va generando esa alimentación de tu perfil.
00:35:57Si aparte tenemos un sistema que está recogiendo tu ubicación y estás en un determinado concierto
00:36:05o un determinado día y se hace un perfil de tus gustos musicales,
00:36:09pero también lo podemos encontrar con partidos políticos, que atiendas a un meeting político
00:36:13o que vayas a una reunión ideológica o que estés en una manifestación,
00:36:16todo eso puede quedar recogido dentro de tu perfil simplemente porque ha habido una aplicación
00:36:22o un sistema que ha conseguido hacerse con el dato de tu ubicación.
00:36:27En los datos quien gana es quien más datos tiene.
00:36:41La empresa que tiene más datos en el mundo es una empresa que no conocemos nadie.
00:36:45Hablamos de Apple, de Google, de Facebook.
00:36:48La que más datos tiene es Axiom, es un data broker.
00:36:50Es una empresa especializada en recopilar datos, juntar bases de datos y crear conocimiento en base a estos.
00:36:56Tiene datos de 500 millones de ciudadanos del mundo.
00:37:00Emplea 6.000 personas.
00:37:02Un volumen de negocio de 1.000 millones de euros al año.
00:37:07Es brutal.
00:37:08Y esa gente lo que hace es vender datos, pero vende datos agregados.
00:37:20Comprar tuits por 100 euros, podemos comprar varios millones de tuits.
00:37:24El tema no es el valor del dato puro, sino qué podemos hacer con ello.
00:37:29Yo puedo en Facebook decir, bueno, quiero poner este anuncio, pero que solo lo vean chicos que le gusta el fútbol.
00:37:35Claro, eso lo puede hacer Facebook porque tiene esos datos.
00:37:38El valor potencial de esas segmentaciones es enorme.
00:37:42Son muchos millones de... cientos de millones de euros.
00:37:44Imaginemos un cerrajero.
00:37:56Para un cerrajero es muy importante estar disponible para servicios de urgencia.
00:38:03Ser consciente de que alguien el domingo por la mañana o el domingo a las 3 de la mañana se ha quedado a la puerta y necesita ese tipo de servicio.
00:38:09Eso tiene muchísimo valor para un cerrajero.
00:38:11Y Google, por ejemplo, cobra cerca de 40 o 50 euros por un clic en un anuncio de un cerrajero en ese tipo de horarios.
00:38:19Tiene muchísimo valor porque no hay otra forma de que el cerrajero acceda a ese segmento.
00:38:23Hay un estudio de la Universidad Carlos III que se ha hecho dentro de una iniciativa que se llama Data Transparency Lab,
00:38:39donde tiene como objetivo que todas las instituciones educativas traigan herramientas para hacer Internet más transparente.
00:38:46Pues ha hecho un ejercicio muy sencillo.
00:38:48Ha puesto un add-on, un plugin, un pequeño programito en tu navegador que cuando tú utilizas tu sesión de Facebook,
00:38:56te va contabilizando los anuncios que están poniendo, las veces que haces clic en esos anuncios y te va diciendo el valor que tú estás generando a Facebook por utilizarlo con tu perfil.
00:39:07Es decir, puedes llegar a ver cómo cada día que utilizas Facebook, dependiendo del tiempo que estés, pues estás generando dos o tres dólares a la compañía.
00:39:17Así que más o menos te puedes hacer una idea de cuál es el valor que tiene para una empresa los datos que está recogiendo de ti.
00:39:25Hay mucha gente, por ejemplo, que no sabe o que durante mucho tiempo ha ignorado que los mensajes que ve en su muro de Facebook
00:39:41no son automáticamente los últimos mensajes que sus amigos han escrito en orden cronológico inverso.
00:39:47Son determinados mensajes que un algoritmo ha escogido en función de determinados parámetros.
00:39:51Entonces es consciente, y creo que es muy importante, que en esos procesos en que no somos conscientes de que hay alguien más,
00:39:59hay alguien que de alguna manera está mediando entre la información y nosotros,
00:40:02sepamos identificarlo y sepamos saber que no son agentes neutros, que no responden a principios objetivos inapelables,
00:40:09sino que son sistemas tecnológicos que pueden obedecer a distintas clases de incentivos y de intereses.
00:40:17Ahora existe un algoritmo que se usa en Estados Unidos, en algunos estados, que se llama COMPASS.
00:40:25Ese algoritmo lo que hace es determinar el riesgo de reincidencia de una persona que está en prisión.
00:40:32Está basada en las respuestas a un cuestionario, que tiene más de 100 preguntas,
00:40:36y que lo que produce es una predicción de cuál es la probabilidad de que esta persona reincida dentro de los próximos cinco años.
00:40:44El uso de estos algoritmos ha sido bastante cuestionado, porque esos algoritmos, si bien cometen la misma cantidad de errores
00:40:51para la gente que es de raza blanca o de raza negra, no los cometen en el mismo sentido.
00:40:57Específicamente el algoritmo COMPASS lo que hace es que normalmente da a las personas de raza blanca
00:41:02una menor peligrosidad de la que tienen, y a las personas de raza negra una mayor peligrosidad de la que tienen.
00:41:07Más profundamente que eso, los algoritmos lo que hacen es que tienden a reproducir las desigualdades que hay en los datos que observan.
00:41:17Los algoritmos son alimentados por datos y, por lo tanto, si uno no utiliza técnicas de algoritmos no discriminatorios que existen,
00:41:25uno lo que puede hacer es simplemente reproducir los estereotipos y los riesgos que hay en los datos de entrada.
00:41:37Los algoritmos son alimentados por datos y, por lo tanto, si uno no utiliza,
00:42:07Aunque parezca muy complejo, el mundo del aprendizaje automático, del Big Data, es una simplificación.
00:42:12Son soluciones simples a problemas muy complejos.
00:42:14Nunca van a dar una versión completa o real de nosotros.
00:42:18Quizá lo más importante es tener en cuenta que las decisiones que está dando el algoritmo
00:42:23no las está haciendo en función de quién eres, sino de lo que sabe de ti en ese momento en el contexto en el que te encuentras,
00:42:29que puede no tener nada que ver con lo que sabe de ti y lo que estás haciendo en otro momento distinto.
00:42:34¿Cómo funciona un algoritmo un sábado por la mañana?
00:42:38Un algoritmo de aprendizaje no tiene nada que ver con cómo funciona un jueves por la noche.
00:42:43Y seguramente para ese algoritmo la misma persona son dos perfiles distintos.
00:42:47Un algoritmo de aprendizaje no tiene nada que ver con lo que sabe de ti y lo que está haciendo.
00:43:17El perfil automatizado no responde a la realidad.
00:43:30Con lo cual una decisión tomada en base a un algoritmo, si no está valorada en el momento
00:43:37y bajo las circunstancias subjetivas de la persona concreta, realmente no va a servir de nada.
00:43:43Aún así se utiliza y a veces hasta con consecuencias jurídicas.
00:43:46Tenemos la suerte de tener una normativa que lo prohíbe, no solo en España.
00:43:52Se acaba de aprobar un reglamento en Europa que tiene un artículo 22 en el que existe
00:43:56y se protege el derecho de oposición del ciudadano a la toma de decisiones automatizadas
00:44:02en base a este tipo de perfiles que se han creado bajo un algoritmo.
00:44:06Nosotros tenemos derecho a oponernos.
00:44:11¿Cómo nos enteramos de que la decisión ha sido tomada en base a algo tan frío como la automatización de datos personales?
00:44:18Es muy complicado enterarse de que han cogido tus datos, han hecho un mix y lo han puesto en un programa informático
00:44:27para que decidas si tú vales o no vales.
00:44:30Sí, sí, ya está todo más o menos.
00:44:33Más bien la línea de metro y el barrio se llaman así por ahí.
00:45:01¿Está en peligro?
00:45:02Arguelles se ha alistado con los voluntarios asturianos para luchar contra Napoleón y no sabemos dónde está.
00:45:08En Europa también nos piden desde hace mucho tiempo el algoritmo que nos permita decir
00:45:11si combinando la nota que sacaste en matemáticas en cuarto grado más tu lugar de origen
00:45:17más la condición socioeconómica de tus padres puedo saber tu potencialidad de radicalización, por ejemplo.
00:45:22Eso nos lo piden, eso es una demanda real y aquí nuestra responsabilidad es decir, eso no se puede hacer.
00:45:30Es como en la película esta de Minority Report, donde unos algoritmos predicen que tú vas a cometer un delito.
00:45:36Pues esto podría ser algo lo que nos encontremos en el futuro,
00:45:40que alguien prediga que tú no vas a ser un buen cliente por el historial de los datos que tienen
00:45:46o que alguien te niegue un crédito porque no tiene referencias tuyas,
00:45:51porque eres pobre en datos históricos y no tiene ninguna referencia tuya
00:45:56y por tanto no te va a dar un servicio.
00:45:59O te niegan una hipoteca porque viendo la actividad que haces en las redes sociales
00:46:05y viendo que tus familiares han tenido determinadas enfermedades,
00:46:09pues una red social donde se ha publicado toda esa información
00:46:11le ha dicho a tu banco que probablemente en cinco años mueras.
00:46:19Si yo dijese que soy consciente de haber dictado un montón de normas a mis hijos,
00:46:25no lo soy, pero sí que soy consciente que puede que mi comportamiento
00:46:30haya sido el que ha educado a mis hijos.
00:46:36¿De acuerdo?
00:46:37Y esto le pasa lo mismo a los sistemas.
00:46:40Pero no vamos a dejar que cualquiera enseñe al sistema.
00:46:44Tenemos que dejar que sean los expertos de la materia
00:46:46y aquellos expertos que tienen los valores que nosotros queremos transmitir,
00:46:52los que enseñen al sistema.
00:46:58Yo soy un desgraciado tecnológico.
00:47:01Esta mañana leí más de 4.000 artículos sobre la leucemia.
00:47:04Un sistema como Waxon lo primero que hace es entender.
00:47:13El siguiente paso es ¿y qué hago con estos datos?
00:47:21Tengo que razonar con ellos.
00:47:29Y por último, tiene que aprender.
00:47:35Cuando yo pongo todas estas capacidades juntas, creo un nuevo sistema de inteligencia artificial, que es un sistema cognitivo.
00:47:57Y un elemento importante, es un sistema cognitivo que además se adapta a la conversación con las personas.
00:48:04Por ejemplo, en el ámbito de la conversación, estamos hablando de una relación que lo que somos capaces ahora de aplicar es una relación de pregunta-respuesta.
00:48:34¿En qué estamos investigando? En otros tipos de formato de conversación. Por ejemplo, el debate.
00:48:43¿Podríamos introducir un sistema de este tipo en una toma de decisiones en el contexto del equipo de dirección de una compañía?
00:48:57Estos son escenarios más complejos. Tengo que identificar diferentes voces, tengo que identificar diferentes intenciones en las vibraciones de las voces, tengo que identificar diferentes movimientos.
00:49:12En eso estamos investigando. ¿Cómo hacer real la introducción de un sistema en estas conversaciones naturales que nosotros tenemos?
00:49:21Yo no soy capaz de leer ceros y unos, pero un sistema sí. Y el sistema es el que me aumenta mi conocimiento para que yo pueda tomar la decisión correcta o la más adecuada.
00:49:39El cruzar una calle nunca tiene una decisión correcta, tiene una decisión adecuada al contexto.
00:49:45Cuando yo diseño un sistema cognitivo tengo que tener una intención en su diseño, que son unos principios de diseño que estén de acuerdo con la ética que yo quiero transmitir.
00:50:02Empresas como Facebook, Google, IBM, han decidido hacer un consorcio para justamente afrontar de forma responsable este crecimiento de la inteligencia artificial.
00:50:20En el caso de las redes sociales, entender lo que piensa la gente en tiempo real, lo que quiere, tiene un potencial enorme para una gran cantidad de cosas muy éticas y muy provechosas para la sociedad.
00:50:37Pero estamos viendo ejemplos de mal uso en campañas electorales, en campañas de marketing, en las que se crean personas falsas, se compran seguidores, se hace guerra sucia y esto debemos luchar contra ello.
00:50:50En Gran Bretaña, la idea de digitalizar los registros médicos y poderlos compartir con terceros, incluso con empresa farmacéutica, fracasó porque se descubrió que cada día se filtraban por parte de piratas o de hackers hasta 2.000 historias médicas que se vendían posteriormente en eBay.
00:51:13Es decir, hemos financiado, hemos tenido unas expectativas en base a la tecnología que muchas veces no se cumplen.
00:51:20Hoy en día matar a una persona podría ser tan sencillo como poner un sistema, un dron automático que lo busque y ya está.
00:51:28Como hemos visto que se ha hecho en las últimas guerras que hemos tenido.
00:51:37Entonces, si esa inteligencia artificial la seguimos alimentando con un fin como el de la guerra, etc., podría ser un problema.
00:51:47Y de hecho ya ha habido muchos hackers y pensadores tecnológicos que han estado levantando la bandera para alarmar a la sociedad.
00:51:56Y estamos en los albores. Esto va a crecer muchísimo en los próximos 15 años.
00:52:00La ética lo que hace es eso, es parar un momento esta fascinación tecnológica que tenemos, sentémonos, pensemos, esto a quién va a beneficiar y a quién va a perjudicar.
00:52:11Y protejamos a quienes va a perjudicar. La robótica, por ejemplo, puede aportar muchas cosas muy positivas a la sociedad, pero también va a eliminar muchos lugares de trabajo.
00:52:20Esta Elena es blanca, mi esposa.
00:52:30Una situación de amor.
00:52:34Esta Elena...
00:52:50Esta Elena...
00:52:55Esta Elena...
00:52:55Estaatha ...
00:53:13Esta Elena...
00:53:17Las presentaciones es más un poco un arte, ¿no?
00:53:34¿Cómo coges tú los datos, cómo los tratas, cómo los procesas
00:53:37y qué preguntas te suscitan y cómo las intentas responder?
00:53:41Podemos dar ideas novedosas, ideas diferentes,
00:53:44ideas que viene alguien de fuera de la empresa,
00:53:46que es algo que ellos se pueden llevar, ¿de acuerdo?
00:53:50Pero adicionalmente también las presentaciones nos sirven
00:53:53entre los diferentes equipos para ver cómo piensan las personas,
00:53:57no cómo han enfocado diferentes equipos los problemas.
00:54:12Por la parte de por qué los usuarios pagan,
00:54:15hemos visto que el ratio en que van ganando las diferentes batallas
00:54:21que se les plantea con sus monstruos afectan al hecho de convertir el usuario,
00:54:27la conversión es cuando pasa de no pagador a pagador.
00:54:31Entonces nosotros hemos hecho recomendaciones para incentivar más al usuario
00:54:36a que juegue más, y también hacer promociones especiales para aquellos monstruos
00:54:42que hacen que el usuario luego pueda comprar otro monstruo diferente.
00:54:47Nuestra presentación ha gustado,
00:55:11si en este caso hemos ganado el premio a los mejores insights,
00:55:15nuestros hallazgos se los han encontrado bastante interesantes.
00:55:18A veces encontrar este talento que te daste esta mejora,
00:55:22esta idea feliz de su algoritmo,
00:55:27claro, puede suponer monetizar un 4% más un videojuego premium,
00:55:31podemos estar hablando de millones de euros.
00:55:33Estamos en la previsión del marco épico
00:55:41que deba tener la ciencia de los datos,
00:55:44estamos en la creación de tecnologías
00:55:47que permitan que la minería de datos sea privada,
00:55:50estamos en la creación de tecnologías
00:55:52que permitan hacer algoritmos que no discriminen, etc.
00:55:56O sea, de alguna manera,
00:55:57las mismas fuentes de estos problemas
00:55:59son también la fuente de ciertas soluciones a ellos.
00:56:03Yo personalmente estoy muy preocupado
00:56:09por la ética del uso de la tecnología
00:56:12y ahí lo tenemos muy mal
00:56:14porque la tecnología avanza mucho más rápido que las leyes
00:56:17y ahí sí que la solución son leyes, leyes, leyes,
00:56:22control, control, control.
00:56:27Todo ese tipo de información y de algoritmos
00:56:30de inteligencia artificial lo estamos utilizando
00:56:32también para hacer la vida mejor a las personas.
00:56:35Así que no hay que demonizar ni mucho menos
00:56:36las tecnologías de Big Data
00:56:38porque como toda tecnología bien utilizada
00:56:41puede dar muchos resultados positivos al ser humano.
00:56:44El problema del Big Data, del Internet of Things
00:56:53del momento actual es que tenemos los coches
00:56:55pero aún no hemos hecho el debate
00:56:57de cuáles serán los cinturones de seguridad
00:56:59de la sociedad de los datos.
00:57:01Y aquí es donde tenemos un problema grave
00:57:02porque este debate debe promoverse
00:57:04y el cambio legislativo necesario
00:57:06debe empezar a tomar forma por la tecnología
00:57:09y hasta aquí los coches del Big Data
00:57:11ya están circulando.
00:57:12¡Gracias!
00:57:14¡Gracias!
00:57:15¡Gracias!
00:57:17¡Gracias!
00:57:18¡Gracias!
00:57:20¡Gracias!
00:57:21¡Gracias!
00:57:23Durante los campeonatos de Rusia, corrí tres veces dopada.
00:57:50Yo pensaba que nunca me pillarían. Siempre pensé que cogerían a otros antes que a mí.
00:57:56¿Puedo hacerle una pregunta sobre el dopaje en la Federación Rusa?
00:58:00No, no, no. No es solo Rusia. Es un problema mundial.
00:58:05Las estrellas del deporte de alto nivel pueden invertir hasta 100.000 euros al año para someterse a tratamientos de última generación y tomar sustancias que les permitan conseguir marcas insólitas.
00:58:16Esa gente no actúa sola. Suelen estar rodeados de un equipo médico relativamente sofisticado que les ayuda a hacer trampas.
00:58:24Los métodos de detección cambian constantemente y los periodos en los que las sustancias son detectables son cada vez más cortos.
00:58:32Armstrong hizo un cálculo egoísta y racional.
00:58:34Si no se hubiera dopado, habría sido un corredor anónimo con unos ingresos de unos 300.000 euros al año, mientras que sus ganancias fueron de 23 millones de euros.
00:58:44EPO, transfusiones de sangre, testosterona, cortisona, hormonas del crecimiento, han llegado a todas las disciplinas deportivas.
00:58:51Pero ¿quién está interesado en desenmascarar las trampas y acabar con el lucrativo mercado del dopaje, que genera unos 30 millones de euros al año?
00:59:00Hay deportes en los que hay mucho dopaje, como la Fórmula 1, el fútbol, el golf, el tenis, que están completamente protegidos por razones incomprensibles.
00:59:10La guerra contra el dopaje es de hecho una guerra económica.
00:59:13Y los que ostentan el poder en la actualidad son los que financian el deporte de élite.
00:59:19Algunos deportistas se han atrevido a luchar contra el dopaje, y han denunciado estas prácticas ilícitas, impulsadas por entrenadores, federaciones, médicos, patrocinadores, que raramente están expuestos a responsabilidad y sanción alguna.
00:59:34Los que toleran el dopaje, los que lo promueven, los que lo alientan y los que lo saben y miran hacia otro lado, deben pagar, igual que he tenido que pagar yo.
00:59:43La carrera contra el dopaje, la próxima semana en Documentos TV.
00:59:49¡Gracias por ver el video!
Comentarios