" />
0 COMENTARIOS

Javier González, responsable de soluciones cognitivas de IBM

Somos capaces de simular el comportamiento humano

En 1997, el supercomputador de IBM Deep Blue se hizo famoso en todo el mundo, al competir contra el entonces campeón mundial de ajedrez Gary Kaspárov y derrotarle. Como no podía ser de otro modo, la polémica no tardó en saltar a los medios, ante la posibilidad de que hubiese habido intervención humana. Algo más tarde, en 2004, la experiencia de Deep Blue y la necesidad de encontrar nuevos retos con los que poner a prueba la inteligencia artificial, IBM comienza a desarrollar Watson. El nuevo reto era participar y ganar Jeopardy, compitiendo contra los máximos campeones del concurso. No era un reto sencillo. La estructura de la competición obliga a cualquier participante, no sólo a tener la respuesta a las cuestiones que se plantear, sino también tener un manejo y comprensión extraordinarios del lenguaje.

En 2011 Watson logró derrotar a los campeones de Jeopardy. En 2014, haciéndose pasar por un niño de 13 años, Watson pudo confundir a su audiencia y superar, por primera vez, el test de Turing. Llegamos 2016. Chef Watson se postula como nuevo gurú de la cocina y Jill Watson (o sencillamente, Watson) es presentada a más de 300 alumnos como profesora asistente en un curso online de la Universidad de Georgia pasa 18 meses impartiendo clases y resolviendo dudas. Nadie se dio cuenta de que era una máquina. Lo cual habla muy bien de Watson… o muy mal de los humanos.

https://www.youtube.com/watch?v=lI-M7O_bRNg&feature=player_embedded

Estos son, quizá, los hitos más mediáticos de la inteligencia artificial desarrollada por IBM. Una forma como otra cualquiera de dar a conocer al mundo, y a los potenciales clientes, que existe una herramienta capaz de analizar, procesar, comprender y responder. En la trastienda, la inteligencia de Watson es un potente motor de ayuda a la toma de decisiones clínicas, la atención al cliente, la diferenciación de las empresas, la implantación del IoT, la seguridad… Para conocer mejor las posibilidades y campos de acción de Watson hablamos con Javier González, responsable de Soluciones Cognitivas de IBM.

TNL: Mientras los foros de empresa e innovación hablan de transformación digital y empresa digital, IBM habla de empresa cognitiva. ¿Qué diferencia una de otra?

Hace años que se está hablando de la transformación digital, con el análisis de los datos, el cloud y el cambio en la forma e la que se hace el enganche con los clientes. Esas son las bases de la transformación digital, pero en unos años será un denominador común. La transformación digital es necesaria, pero no es suficiente, y la forma de diferenciarse serán los elementos cognitivos.

TNL: ¿En qué consisten esos elementos cognitivos?

Se trata de sacar partido a los «dark data», como los llaman los analistas. Son todos los datos no estructurados que nuestro sistema de información no es capaz de procesar como los sonidos, los textos en pdf o en email, la imagen, el vídeo… El 80% son dark data. Las empresas que sepan sacar partido a los dark data se diferenciarán de sus competidores. Eso no quiere decir que vayan a desaparecer los sistemas programáticos, sólo que se aprovechará una parte importante de la información que ahora no se aprovecha.

Si podemos sacar partido a toda la información que se vuelca en Twitter, o a la información meteorológica, o a toda la información pública que están contenida en la red, podremos alimentar las herramientas de apoyo a la toma de decisiones, o mejorar la forma en la que sirvo a mis clientes.

TNL: Poco a poco las empresas están viendo la utilidad del big data y contratan a empresas de análisis semántico para conocer mejor su situación respecto a sus clientes, ¿qué aporta Watson aquí?

Desde 2011, a través del concurso Jeopardy se demostró la capacidad de entender semánticamente las cosas. Es un concurso donde se manejan los dobles sentidos, y si preguntan por la «Gran Manzana» Watson sabía que era la ciudad de Nueva York, distinguir la jerga, la ironía… Ahora estamos en varias derivadas posteriores; analizamos el tono para detectar emoción, intención o enfado; hacemos análisis de personalidad sobre texto escrito y sin bien es cierto que estamos en el análisis semántico de textos y lo tenemos muy avanzado, también podemos hacerlo con imágenes, reconocer formas y caras.

Te pongo un ejemplo. Se puede entrenar al sistema para que diferencie, a la entrada de una obra, la gente que lleva casco y la que no, para permitir el acceso sólo a la gente que lleve casco. Es capaz incluso de reconocer que un pañuelo o un sombrero no es un casco, y no permitir el paso. Reconocer las intenciones implica que si alguien escribe en el help desk «no puedo entrar», entiende la intención y el contexto, y sabe que se refiere a la aplicación, no a un edificio. Una reacción rápida mejora la relación con las personas, y eso se consigue detectando la intención, así no hay que dar rodeos en la conversación o andar preguntando a qué se refiere la persona. Igual pasaría en el chatbot de una agencia de viajes. Si reciben el mensaje de un cliente diciendo «no voy a llegar», la máquina infiere que de los dos billetes que había comprado, teniendo en cuenta la fecha, la persona se refiere a que no va a poder tomar el vuelo de regreso, entonces la máquina se adelanta y le ofrece ya la solución: «Si lo desea tiene otro vuelo a las 17:00 h. ¿Desea que se lo reserve?»

TNL: ¿Qué es capaz de hacer Watson?

Nuestros laboratorios siguen investigando en todas las áreas que pueden ser interesantes para la empresa, y lo interesante es que vamos a otras derivadas, a la información no estructurada como el tratamiento e interpretación de imágenes médicas, o aplicaciones vinculadas a la seguridad. Por ejemplo, hay cámaras de vigilancia en una estación de autobuses tengo que saber que una persona no está tranquila si su equipaje está a más de dos metros de ella. Así que si la máquina detecta a alguien alejándose más de esa distancia, puede dar la alerta de maleta o mochila abandonada.

Las posibilidades implican todo tipo de información, pero la diferencia fundamental de Watson está en el tratamiento de la información no estructurada, y la seguridad no es estructurada, por eso estamos incluyendo la tecnología de Watson en el portfolio de seguridad. El reto en este sentido es la gran cantidad de variantes que se producen al mismo tiempo, por lo que su posibilidad de contextualizar lo hace muy potente. Ahí también tenemos aplicaciones frente a las amenazas de marca, el robo de información corporativa, etc. algo muy importante para los CEOs.

TNL: Vemos que, como inteligencia, Watson puede llegar a ser un sustituto eficaz en contact center pero, ¿cómo se toma el cliente el tener que tratar con una máquina en lugar de con una persona?

En el nivel de madurez que tenemos, con el caso de Jill Watson nadie se planteó si estaba hablando con una máquina o una persona; no vemos si la conversación le gusta o no, pero somos capaces de simular el comportamiento humano.

Uno de los valores de esta tecnología es la capacidad de homogeneizar respuestas. Eso, en un help desk o contact center es importante, porque mientras que las respuestas humanas son diferentes según los estudios o capacidades de la persona, la máquina puede dar, ante un mismo problema, siempre la misma respuesta. Todos alguna vez hemos colgado desesperados al operador del call center y vuelto a llamar, con la esperanza de que ahora nos toque el listo, el que entienda lo que le estamos diciendo.

TNL: ¿Existe algún tipo de brecha entre las posibilidades de Watson que las empresas contratan y el uso real que luego hacen de ellas?

Nosotros trabajamos sobre casos de uso. Las empresas no compran nada sin un propósito claro, y ayudamos a las empresas a coger la tecnología que les va a dar un retorno claro. Trabajamos con propósitos específicos que permitan eso, ver el retorno de inversión, por eso tiene que merecer la pena para las empresas. Por muy aplicable que sea la tecnología de Watson para una empresa, entrenar a la máquina para un proceso puede ser más caro que el proceso que quieren solventar. Al analizar la complejidad de aplicar la tecnología y el beneficio que se va a obtener, se podría ver que Watson no es lo mejor para aplicar en un caso concreto

Tecnológicamente no es de uso indiscriminado. Hay unos sistemas que hay que entrenar para que te den valor, y eso lleva tiempo y esfuerzo. Existen rolls models según el tipo de función, pero hace falta que el experto, junto con el área de innovación de la compañía que contrata trabajen juntos para entrenar al sistema, y eso requiere que se trabaje conforme a un proyecto concreto.

También tenemos APIs en la nube a disposición de nuestros clientes, con las que desarrollan otros componentes y usos; a veces desarrollan nuestros clientes y otras veces desarrollamos nosotros. El expertise lo pone el cliente, él es entonces el que aporta valor.

TNL: ¿Cómo fue la experiencia de Jill Watson? La interacción fue por chat pero, ¿habría obtenido los mismos resultados de haber sido una interacción de voz, como la que se da en una conversación telefónica?

Cuando Watson se enfrenta a conversaciones orales lo tiene que traducir a escrito. Lo escrito entonces lo digitaliza y eso es lo que usa para entender el contexto y el sentido. Estamos desarrollando módulos específicos de análisis de intenciones, emociones y sentimientos dentro del laboratorio, analizando los matices del audio, la conversación hablada, etc.

Si Jill Watson hubiera sido una voz dependería de la interfaz. Watson se puede integrar con cualquiera, pero si la interfaz está mejor lograda, es menos metálica y más humana, la simulación parecerá también más humana. Los sistemas, como decía, se entrenan para una determinada función. Cuando hay preguntas que se escapan del universo de datos que se han trabajado, tienes que preparar al sistema para que reaccione adecuadamente, por ejemplo, remitiendo a un asistente humano, a otro asistente virtual o contestando sencillamente que no conoce la respuesta. En ese sentido da igual que la consulta sea por texto o por voz, lo que importa es el universo de datos que entrenas y preparas.

En el caso de un asistente de hotel, el robot puede entrenarse para responder todo tipo de cuestiones de los clientes, pero si alguien le pregunta por ejemplo si tiene un cargador para iPad, y yo no lo he entrenado para responder a eso, ¿qué hace? Está entrenado para dar respuesta sobre las habitaciones, las actividades de ocio en la ciudad, pedir que envíen una cerveza a la terraza, etc. A la hora de entrenar al sistema también hay que prever qué hacer cuando no se sepa qué hacer.

TNL: Hay casos como la asistencia en la toma de decisiones médicas que está claro que Watson supone una ventaja para el profesional, y le ayuda a hacer mejores diagnósticos, pero hay otros casos, como los call center que se trata directamente de sustituir a una persona por una máquina. En la actual situación de desempleo, ¿no cree que es innecesario enfocar Watson hacia estas tareas? 

Es una cuestión de eficiencia. La revolución industrial supuso cambiar el músculo por la máquina para una determinada tarea, y eso produjo rechazo y miedo, como ahora. Es normal para la naturaleza humana ese rechazo, pero hay que ver la oportunidad de que las personas puedan estar ocupándose de tareas de mucho más valor añadido.

Un médico con el que trabajamos me dijo que sólo en leer y entender los 70.000 artículos sobre el tratamiento del cáncer que hay publicados le llevarían 35 años de su vida, sin contar los 7.000 nuevos que aparecen cada año. Watson lo hace en segundos. No hay cabeza humana que pueda sacar partido a toda esa información, ¿le causa eso rechazo al oncólogo? al contrario, lo ve como una ayuda inestimable. Si tienes un sistema de apoyo, tienes una ayuda valiosa, pero la decisión última sobre un tratamiento la va a tomar siempre el profesional, no se le va a sustituir en eso. La máquina puede asesorar, puede hacer comentarios, pero el oncólogo es el que tiene la capacidad de valorar. El planteamiento que hacemos en esto es que ayuden en la toma de decisiones del profesional.

Dentro de los procesos del departamento de Recursos Humanos tiene también importancia, y hay que quitar el miedo a estos procesos. Si soy un experto en comercio exterior y me piden que ayude a entrenar al sistema, hay que ver que la máquina me puede ayudar a despejarme de todos los trabajo repetitivos, de aquello en lo que no aporto valor. Eso hará que me pueda dedicar a aquello en lo que sí aporto valor. Por eso hay que enfocar la educación de la gente para que vean estas revoluciones como una oportunidad de crecer profesionalmente.

TNL: ¿Qué garantías tienen de que esta tecnología no se usa para fines no éticos o para manipular la opinión pública?

Nosotros, como he dicho, desarrollamos proyectos para un fin específico. Puede ocurrir que la información que le doy a Watson no sea verídica. Por ejemplo, de un libro de historia que esté sesgado o sea partidista. Entonces, si le pregunto a Watson por una cuestión histórica y usa la información de ese libro, las respuestas no serán reales. Digamos que no es culpa de Watson, no es culpa de la herramienta, porque el sistema hace lo que le dices.

TNL: Pero si llega un cliente y les pide que desarrollen un sistema para un propósito poco ético, ¿aceptan el encargo?

Los principios y los compromisos éticos de IBM impiden que entremos en determinados tipos de proyectos, al igual que nos impiden trabajar con determinados países y en determinados sectores.

No comments yet.

Deja un comentario