X AVISO DE COOKIES: Este sitio web hace uso de cookies con la finalidad de recopilar datos estadísticos anónimos de uso de la web, así como la mejora del funcionamiento y personalización de la experiencia de navegación del usuario. Aceptar Más información

El aprendizaje automático cambiará el trabajo pero no acabará con él

26/12/2017 - 

MADRID (EP). Los sistemas de aprendizaje automático transformarán la economía como lo hicieron las máquinas de vapor y la electricidad. Podrán superar a las personas, pero es poco probable que las reemplacen.

Así lo dicen Tom Mitchell, de la Universidad Carnegie Mellon (CMU, por sus siglas en inglés), y Erik Brynjolfsson, del Instituto Tecnológico de Massachusetts (MIT, por sus siglas en inglés), en Estados Unidos, en un comentario del Foro de Políticas que se publicará en la edición de este viernes de la revista 'Science'.

Mitchell, quien fundó el primer Departamento de Aprendizaje Automático del Mundo en CMU, y Brynjolfsson, director de Iniciativa sobre Economía Digital en la Escuela de Gestión Sloan del MIT, describen 21 criterios para evaluar si una tarea o un trabajo es susceptible de aprendizaje automático o Machine Learning (ML).

"Si bien los efectos económicos de ML son relativamente limitados en la actualidad, y no nos enfrentamos al inminente 'fin del trabajo' como se proclama a veces, las implicaciones para la economía y la fuerza de trabajo en el futuro son profundas", escriben. Las habilidades que las personas eligen desarrollar y las inversiones que hacen las empresas determinarán quién prospera y quién flaquea una vez que ML se arraigue en la vida cotidiana, argumentan.

ML es un elemento de lo que se conoce como inteligencia artificial. Los rápidos avances en ML han producido mejoras recientes en reconocimiento facial, comprensión del lenguaje natural y visión por ordenador. Ya se emplea ampliamente para la detección de fraude con tarjetas de crédito, sistemas de recomendación y análisis del mercado financiero, con nuevas aplicaciones como el diagnóstico médico en el horizonte.

Predecir cómo ML afectará a un trabajo o una profesión en particular puede ser difícil porque ML tiende a automatizar o semi-automatizar tareas individuales, pero los trabajos a menudo implican múltiples funciones, solo algunas de las cuales son susceptibles de enfoques de ML.

"No sabemos cómo se desarrollará todo esto", reconoce Mitchell, profesor de la Facultad de Ciencias de la Computación de CMU. A principios de este año, por ejemplo, los investigadores demostraron que un programa de ML podía detectar el cáncer de piel mejor que un dermatólogo; eso no significa que ML reemplazará a los dermatólogos, que hacen muchas cosas además de evaluar las lesiones.

"Creo que lo que les va a suceder a los dermatólogos es que se convertirán en mejores dermatólogos y tendrán más tiempo para pasar con los pacientes --apunta Mitchell--. Las personas cuyos trabajos implican interacción de persona a persona van a ser más valiosas porque no pueden ser automatizadas".

No todo se puede aprender

Las tareas que son susceptibles de ML incluyen aquellas para las que hay muchos datos disponibles, escriben Mitchell y Brynjolfsson. Para aprender a detectar el cáncer de piel, por ejemplo, los programas de ML pudieron estudiar más de 130.000 ejemplos etiquetados de lesiones cutáneas. Del mismo modo, los programas de detección de fraude con tarjeta de crédito pueden ser entrenados con cientos de millones de ejemplos.

ML puede ser un elemento de cambio para las tareas que ya están en línea, como la programación. Los trabajos que no requieren destreza, habilidades físicas o movilidad también son más adecuados para ML. Las tareas que implican tomar decisiones rápidas basadas en datos son una buena opción para los programas de ML; no es así si la decisión depende de largas cadenas de razonamiento, conocimiento de fondo diverso o sentido común.

ML no es una buena opción si el usuario necesita una explicación detallada de cómo se tomó una decisión, según los autores. En otras palabras, ML podría ser mejor que un médico para detectar cánceres de piel, pero un dermatólogo es mejor para explicar por qué una lesión es cancerosa o no. Sin embargo, se está trabajando en sistemas ML "explicables".

Entender la aplicabilidad precisa de ML en la fuerza laboral es crítico para entender su probable impacto económico, dicen los autores. A principios de este año, un estudio de las Academias Nacionales de Ciencias, Ingeniería y Medicina estadounidenses sobre tecnología de la información y la fuerza de trabajo, copresidido por Mitchell y Brynjolfsson, señaló que los avances en tecnología de la información han contribuido a la creciente desigualdad salarial.

"Aunque hay muchas fuerzas que contribuyen a la desigualdad, como el aumento de la globalización, el potencial de cambios grandes y rápidos debido a ML, en muchos casos dentro de una década, sugiere que los efectos económicos pueden ser altamente disruptivos, creando ganadores y perdedores --escriben--. Esto requerirá una atención considerable entre los responsables políticos, líderes empresariales, tecnólogos e investigadores".

next