¿Podemos crear soluciones tecnológicas que asuman las más importantes tareas que gestionan a la sociedad? ¿Datos cuya interpretación mejora de tal forma la administración y el tejido productivo que podemos soñar con el fin de la pobreza y muchas enfermedades? Defensores y detractores del análisis de datos, la inteligencia artificial, etc. mantienen uno de los debates científicos más apasionantes de los últimos años. Una parte cada vez más grande de la comunidad científica piensa que el mundo necesita el análisis de datos.
Una superinteligencia de origen artificial sigue siendo un horizonte tecnológico, cuya base no es otra que el trabajo con datos, en el territorio de la literatura. Los proyectos más avanzados y que buscan enseñar a las máquinas a procesar de una forma parecida a la psique humana se enfrentan hoy a preguntas que casi se tocan con la Filosofía. El hecho de que no contemos todavía con un algoritmo maestro que desencadena la idea que tenemos sobre la inteligencia plantea controversias en torno a la posibilidad real de copiar los procesos físicos del cerebro con origen biológico.
Desde cierta lógica estructural copiar procesos físicos o reacciones químicas es un problema que se relaciona con las ingenierías, pero esto es ilusorio en gran medida. En inteligencia artificial nos topamos con una realidad terca: la emergencia de una subjetividad de base electrónica parece esencialmente restringida a tareas complejas pero específicas. Mientras que la capacidad mental humana es profundamente múltiple.
En la actualidad, los modelos en inteligencia artificial desarrollan su aprendizaje a través del análisis de grandes volúmenes de información, encuentran patrones y trazan sistemas de predicciones. Las aplicaciones de lo anterior están resultando enormes en investigaciones aplicadas al clima, la economía o las ciencias médicas. Sin embargo, los siguientes pasos son de gigante: la construcción de sentido y la soberanía interpretativa. Estamos hablando de convertir aquello que, entre otros factores, define a la subjetividad humana en un problema de Estadística.
Podemos encontrar ejemplos en las situaciones más obvias. Los niños y niñas pronto terminan por entender que existen diversos tipos de coches, pero les costará algo más comprender que no pueden viajar en todos ellos. En ese mismo orden, el desarrollo mental les permite generar simbolizaciones, dibujos o trazos generales, totalmente basados en su imaginación. Es a esto último a lo que llamamos soberanía interpretativa. Nos referimos a una Hermenéutica que tendría que traducirse algorítmicamente en un problema de Estadística para que produzca un salto hacia una posible subjetividad electrónica.
Pero, aunque lo anterior se consiguiera, continuamos teniendo un desafío en torno al propio análisis de grandes volúmenes de datos. Los humanos no tenemos ese problema, dado que nuestro aprendizaje se basa en la observación del entorno y la causa – consecuencia. La articulación de una imaginación desarrollada alrededor de una “imagen” nueva a partir de lo conocido no es del todo posible en océanos de datos cuya utilidad está, entre otros factores, en la búsqueda de la pauta.
ANÁLISIS DE DATOS
Dicho lo anterior, parece evidente que en el análisis de datos están codificadas las claves para seguir avanzando en algunos de los campos más prometedores. Pero para responder a los desafíos involucrados posiblemente debemos partir de cierta excelencia académica en las técnicas que permiten sacar el máximo partido al análisis de datos.
En efecto, las conclusiones a las que podemos arribar tras de estudiar una matriz de datos, con el fin de apoyar un proceso de toma de decisiones, va a depender de la forma como enfoquemos el trabajo. Para esto es indudablemente necesario contar con las herramientas y conocimientos que únicamente se consiguen con la mejor formación en la materia.
Como podemos deducir, en la actualidad no solo demandamos extraer riqueza de los datos para mejorar la toma de decisiones. Además existe una parte cada vez más grande de la comunidad científica y la sociedad en su conjunto que confía en el análisis de datos para resolver algunas de las grandes problemáticas del mundo (lo que, naturalmente, implica seguir avanzando en las investigaciones sobre inteligencia artificial).
En sentido de lo anterior, es claro que una formación de calidad (destacando el esfuerzo de la Universidad pública española, como el programa modular de la UNED) extiende una mayor plasticidad y rigurosidad al profesional del análisis de datos, por ejemplo, cuando debe sintetizar los interrogantes dirigidos a esos datos. Pero también cuando tiene que afinar las técnicas a utilizar, se enfrenta a la fuente y calidad de la información. En conclusión: Sí, el mundo necesita el análisis de datos… pero en realidad demanda profesionales con formación científica aplicada a tales datos.
Experto, Especialista y Máster en Big Data y Data Science de la UNED:
CONVOCATORIA 2024 - MATRÍCULA ABIERTA