La tecnología nos está dando avances con más promesas que peligros: máquinas con cerebro capaces de tomar decisiones, algoritmos con soluciones para todo, Internet de las cosas, la propiedad de los datos, inteligencia artificial, agricultura tecnificada. 9 Billion Bowls es un informe que publica Thomson Reuters donde relata los trabajos de un grupo de científicos, estudiantes, analistas e inventores que están usando big data y las últimas tecnologías para tratar de cumplir el sueño de alimentar a 9.000 millones de personas en 2050. Este presente, entonces, busca llevarnos hacia un futuro sin hambre.
Seguridad global
La innovación -y datos- para proveer alimentos
Para el año 2050, se calcula que la población mundial llegue a 9.000 millones de personas. Habrá que tener casi el doble de la producción actual de alimentos, forraje y fibra.
La ciencia de las semillas se globaliza. Los avances en datos y las innovaciones tecnológicas pueden desempeñar un papel fundamental en la seguridad alimentaria global.
80% de la tierra cultivable ya está en uso y las estrategias para aumentar su productividad están reduciendo la salud del suelo, debilitándolo y degradando los ecosistemas.
El tema que plantea aquí Kris Carlson, director global de Agricultura y Metales de Thompson Reuters, es cómo hacer para alimentarnos en forma sostenible en el futuro y terminar con la escasez de alimentos.
Innovación y datos
Hay tecnologías disruptivas que llegan para sacudir el statu quo y ofrecen verdaderas soluciones a los problemas.
Usando big data y las últimas tecnologías de modos totalmente novedosos se busca obtener mejores resultados en cada eslabón de la cadena de suministro de alimentos. Más alimentos, mejores alimentos, con menos desperdicio y menos químicos.
En los laboratorios, los campos, las aulas y los almacenes los innovadores están cambiando y ampliando el campo de juego. Muchas de esas soluciones no eran posible hace cinco años. Ahora, poniendo datos inteligentes y tecnologías inteligentes en manos de científicos y pensadores creativos, es posible la revolución.
Semillas, cultivos, tecnología, Big Data
Es posible que no haya semilla que alimente a más gente que el arroz. Hacer más resistente y productivo ese cultivo es el proyecto de Michael Thomson, un genetista molecular del Instituto Internacional de Investigación del Arroz en Manila, Filipinas. Sus investigaciones están llevando a adelantos revolucionarios en el desarrollo de variedades de arroz resistentes al clima y de mayor rendimiento para alimentar a mucha más gente.
Actualmente se pierden entre US$ 5.000 y US$ 7.000 millones en cultivos en todo el mundo por culpa de un agente patógeno que afecta los suelos llamado Phytophthora. Hasta ahora, la única manera de confirmar la presencia de esa enfermedad mortal era después de la infección de la planta, cuando ya era demasiado tarde para el tratamiento. Pero ahora llega FungiAlert, una nueva start-up creada por dos estudiantes del Imperial College London. Su sensor, que cuesta solamente US$ 3, soluciona un problema multimillonario.
Kerry O?Donnelly, cofundador de FungiAlert, explica, “Nuestro producto es único porque permite una lectura inmediata a partir de las esporas de la planta y no requiere trabajo especialista, algo que puede ahorrar a los agricultores una buena cantidad de dinero en pruebas. Además, al conocer la seguridad del suelo que están usando, los agricultores pueden ser más selectivos en el uso que hacen de los fungicidas, lo cual presenta otra oportunidad para bajar costos.”
Por otra parte, big data permite a los agricultores dar un gigantesco salto tecnológico y aumentar notablemente sus cosechas.
El agricultor de hoy sale con su teléfono inteligente cargado con aplicaciones que le facilitan información climática, financiera y tecnológica.
La agricultura, una de las actividades más antiguas del mundo, usa enorme cantidad de información digital para hacer un mejor manejo de sus cultivos. El objetivo es ahorrar dinero, aumentar los rindes y aumentar ganancias.
Detectar cultivos enfermos desde el aire
Ya todos sabemos lo que son los drones y lo que pueden hacer. Amazon los usa para entrega de productos a domicilio y los militares los usan como armas. Pero un grupo de ingenieros aeroespaciales del MIT tiene una idea diferente. ¿Por qué no usarlos para ayudar a la gente?
“Cuando la gente piensa en drones piensa en guerras. Nosotros queríamos hacer algo bueno con ellos, relata entusiasmado Nikhil Vadhavkar. Y entonces crearon Raptor Maps, un sofisticado sistema que usa drones para evaluar cultivos, brindar datos para suplementar la evaluación personal y ayudar a aumentar la producción de semillas. “Estamos usando drones para ayudar a alimentar el mundo”.
Su tecnología produce una serie de imágenes que muestran la progresión de sufrimiento en los cultivos, integradas con datos de otras fuentes como pronósticos de clima. Y los mapas señalan puntos donde luego van los agricultores para evaluar el problema.
El eterno problema
El problema que acosa a la humanidad desde sus mismos comienzos, alimentarnos nosotros y nuestros vecinos, se puede atacar con las soluciones más modernas: big data, tecnología inteligente y pensadores visionarios.
Tim Large, de la Thomson Reuters Foundation, lo explica así:
“Data está desempeñando un enorme papel en ayudar a los agricultores de todo el mundo a hacer frente al problema de la inseguridad alimentaria. Data es el cemento que conecta todos estos puntos diferentes entre inseguridad alimentaria, política, cambio climático, economía, finanzas, lo que sea… Data es el pegamento”.
Sorpresas climáticas
Kris Carlson, director jefe de Agricultura y Metales de Thomson Reuters, afirma que el mundo puede producir los alimentos que necesita para alimentarse pero que aún con los increíbles avances que se han hecho en tecnología para la agricultura sigue habiendo fracasos rotundos en las cosechas de algunos años.
¿El motivo? Las sorpresas climáticas. Contra eso no hay tecnología que valga. Los últimos 10 años, dice, han demostrado que los ciclos de alzas y bajas en los mercados agrícolas no han terminado. El mundo está más tecnologizado, pero también está más cálido. Ha habido años de cosechas increíbles seguidos por otros donde la sequía las arruinó.
La temperatura y las lluvias son los dos elementos que generan la producción de cultivos y que ayudan a predecir cuándo se viene un periodo de crisis. Los científicos hacen lo más que pueden combinando observaciones climáticas que provienen de radares y satélites pero sin datos de tierra las predicciones se vuelven difíciles. El problema es que hay muy poca información física sobre cultivos en el mundo.
“Creemos que en varios de los más importantes países emergentes agrícolas los Gobiernos deberían ayudar a los científicos a mejorar sus modelos climáticos con observaciones reales”, dice Cherr.
La construcción de cerebros pensantes
De la inteligencia blanda a la dura
Aprender no es una capacidad exclusiva de los seres humanos. Desde la mitad del siglo 20, el aprendizaje de las máquinas alcanzó niveles que antes habrían parecido ciencia ficción; hoy ya es realidad y está transformando industrias.
No es novedad que hay autos que se manejan solos o una computadora que ganó hace años un programa de preguntas y respuestas.
Alan Turing, además de ser uno de los pioneros de la computación, fue también de los primeros en trabajar en inteligencia artificial. Dio su nombre al test Turing que mide la habilidad de una máquina para mostrar conducta inteligente equivalente a la de un humano. Quien relata esto es el doctor Andre Fletcher, doctor en química de la Universidad de Oxford, investigador de Thompson Reuters y previamente investigador en compañías como Intel, Microsoft y NEC.
Admitimos entonces que hay máquinas inteligentes. Pero lograr en ellas conductas que no se diferencien de las de un ser humano es un objetivo que siempre se corre un poco más lejos. De los ejemplos ya mencionados se dice que poseen inteligencia artificial blanda. Para ser inteligentes, esas máquinas ni se inspiran ni tratan de imitar el cerebro humano. Usan una enorme cantidad de datos para encontrar resultados que suelen asociarse con inteligencia humana.
Un auto autónomo realiza una tarea importante, pero no sabría qué hacer si de pronto se lo pusiera a cargo de un avión. Una computadora puede ganar el Jeopardy pero no tener idea de qué hacer si le propusiéramos una partida de ajedrez. Eso no desvaloriza sus logros, pero a medida que se corren las fronteras, el punto de referencia para la inteligencia artificial se aleja cada vez más.
¿Qué significa para la gente que haya máquinas con inteligencia artificial?
A medida que las máquinas se van haciendo más inteligentes, sobreviene una pregunta algo perturbadora: ¿Qué significa eso para nosotros? Individuos de alto prestigio como el profesor Stephen Hawking y Elon Musk advierten sobre los peligros de máquinas que puedan pensar por sí solas, superar la inteligencia humana y desarrollarse sin intervención nuestra. En “The Second Machine Age” Erik Brynjolfsson y Andrew McAfee, ambos del MIT, tratan de explicar lo que eso significa para los empleos, dado que ahora también se puede automatizar trabajo no rutinario ni mecánico.
La inteligencia artificial (AI según siglas inglesas) crece rápidamente como una herramienta que forma una parte fundamental del trabajo de conocimiento. Pronto vamos a exigir que los profesionales usen todas las herramientas a su disposición para hacer mejor su trabajo. En finanzas la inteligencia artificial no es nada nuevo. La detección del fraude hace tiempo que utiliza sistemas automatizados para identificar operaciones irregulares.
Para los profesionales en finanzas el volumen y variedad de fuentes de datos que pueden usar para tomar decisiones crece a un ritmo desenfrenado.
Los drones y satélites ofrecen cobertura global relacionada con producción de alimentos en tiempo casi real; mapas interactivos en Eikon muestran datos sobre commodities y embarques para hacer predicciones sobre oferta. Pero más datos y más complejidad no hacen otra cosa que subrayar la importancia del trabajo humano. Las máquinas aportan información automatizada, pero es el cerebro humano el que sopesa los hechos y toma las decisiones.
El proceso de crear cerebros
Entonces, la gran pregunta es: ¿será alguna vez la inteligencia artificial tan avanzada que las máquinas ya no nos necesiten? Se dice que las máquinas son superiores y que con ellas no habrá ya temor al error humano. El historial de los autos sin conductor esconde la cantidad de veces que la mano humana ha tenido que tomar el volante. Ha habido muchos ejemplos trágicos en los que los pilotos humanos de los aviones tuvieron que intervenir de pronto debido a fallas en el piloto automático. Los humanos necesitan oportunidad de practicar y estar listos para el momento en que tengan que intervenir. De otro modo las consecuencias serán una pérdida catastrófica de conocimiento y habilidad.
Para tener inteligencia artificial completa una máquina necesita un cerebro, pero también necesita saber cómo usarlo. De otro modo, las máquinas serán falibles, aunque de diferente manera, y un “error de máquina” será por lo menos tan peligroso como un “error humano”.
Búsqueda de talento
Un algoritmo decide quién será el mejor
La doctora Vivienne Ming, emprendedora, profesora de neurociencia teórica en la Universidad de Berkeley y experta en cognición humana y aprendizaje de máquinas, cuenta aquí sus experiencias con máquinas inteligentes y explica por qué cree que el aprendizaje de las máquinas cambiará el mundo.
Vivienne Ming
Ming fue catalogada como una de las 10 Mujeres a Observar en Tecnología por la revista Inc, en 2013. Explica que en el laboratorio donde trabaja desde hace años, el Machine Perception Lab, comenzaron tratando de recrear inteligencia natural estudiando inteligencia artificial. Buscaban algoritmos que pudieran hacer lo que hace el cerebro.
Todo este interés en redes neurales y lo que hoy se llama aprendizaje profundo surge del mismo campo de tratar de entender el cerebro. El laboratorio fue fundado justamente para crear máquinas que aprendan a entender el cerebro y luego para ver cómo se puede aplicar eso. El actual reconocimiento de la voz de Google y Microsoft, el reconocimiento de imágenes de Microsoft, todo eso está basado en la investigación de todos esos años de los neurocientistas teóricos.
Dice Ming: “Me interesa entender cómo piensa la gente para entender lo que quiere, lo que necesita y cuándo. Mi interés personal es académico: averiguar si podemos lograr que la gente sea más inteligente conectando sus cerebros directamente con tecnología.
“Yo estuve durante algún tiempo al frente del grupo de científicos de una compañía llamada Gild. Y uno de los fundadores tuvo la idea de usar un producto que habíamos desarrollado que tenía un algoritmo para clasificar los códigos de la que gente buscaba trabajo y escribía contestando preguntas sobre sus habilidades. Luego presentábamos eso como producto. ¿Quiere contratar un ingeniero? Nosotros le podemos decir quién es el mejor para hacer esto o aquello.
Hoy ya hemos aprendido a predecir quiénes son los mejores y reconocer patrones que representan talento específico.
Hace un tiempo comencé a trabajar en esta idea de cómo el aprendizaje de las máquinas podía revolucionar el reclutamiento de personas, y no hacerlo en abstracto sino combatiendo algunos de los elementos perniciosos como la simpatía hacia una persona y la discriminación, hábitos tan arraigados en el sistema.
Revolución neuroprotésica
Lo que viene en las próximas décadas, y ya está en camino, es una revolución neuroprotésica cognitiva. O sea, una revolución que hará más inteligente a la gente. Al principio, serán cosas como preservar las capacidades mentales de los pacientes de Alzheimer y reparar daños cerebrales traumáticos. De por sí, ya todo eso es increíble, pero luego vendrá más. Ahora se está trabajando con animales pero pronto se comenzará con humanos. ¿Será posible que prestemos atención a más cosas, ser más creativos, manejar nuestras emociones? Esa es la convergencia final que buscamos entre el aprendizaje de las máquinas y el aprendizaje de los humanos.
Lo segundo es la Internet de las Cosas. En este momento, todos esos pequeños dispositivos que estamos comenzando a conectar entre sí no son inteligentes y además son “propietarios”, que es una forma algo extraña de decir que tienen dueños. Hasta el teléfono más sofisticado envía los datos crudos a algunos grandes servidores como Apple, Google o Microsoft donde los procesan. ¿Y si todos hicieran su propio procesamiento inteligente?, ¿y si hablaran entre sí?
Esto es bastante profundo. Mi hijo tiene diabetes tipo 1. Lleva puesta una bomba de insulina inalámbrica que permanentemente le mide los niveles de glucosa en sangre. Yo construí un algoritmo que anticipa si el azúcar en sangre va a subir o bajar. Pero tuve que hackear el hardware de la bomba para poder sacar los datos de allí y poder crear mi algoritmo. Esos son datos que salen del cuerpo de mi hijo y yo ni los tenía ni tenía acceso a ellos; iban directo a la compañía.
Eso es parte de lo que tiene que cambiar. Si la información es compartida por todos esos dispositivos, lo que estamos describiendo es una gran red neural distribuida. Los mismos dispositivos se convierten en pequeños nodos de procesamiento en una gigantesca red neural y hablan como hablan las células de nuestro cerebro, comparten información, sacan conclusiones y luego aprovechan eso para hacer observaciones. Creo que la próxima cosa grande que se viene con eso de las máquinas que aprenden es “encender” el mundo a nuestro alrededor.
El eje, Internet de las Cosas
Economía del algoritmo
La “data”, o información, es el petróleo del siglo 21. Con todo su valor, el petróleo no es nada hasta que no se lo refina y se lo convierte en combustible. La versión big data del combustible refinado ?los algoritmos propietarios que resuelven problemas específicos que traducen en acciones? serán el ingrediente secreto de las organizaciones exitosas del futuro.
Internet de las Cosas dará origen a la economía del algoritmo, vaticina Peter Sonodergaard, vicepresidente Senior y director global de Investigaciones de Gartner, la compañía de asesoramiento e investigación en tecnología de la información.
Numerosos algoritmos sofisticados y propietarios ya están por todos lados afectando las decisiones que tomamos a diario. El ejemplo más claro es que cuando hacemos una búsqueda de un producto ?digamos, una licuadora? en alguno de los sitios populares, luego en Facebook nos aparecen cafeteras, tostadoras, pavas eléctricas y cualquier otro adminículo para la cocina con algo de relación con nuestra búsqueda. No es coincidencia. Nuestra página ya nunca estará divorciada de nuestros intereses. Estará relacionada con nuestros clics, nuestros “me gusta” y con las experiencias que compartimos.
Nuevo mundo de oportunidades
¿Hacia dónde nos lleva esto? Según Sonodergaard, hacia la inteligencia artificial, o sea un software que piensa y que hace. Un software cognitivo que motiva interacciones entre máquinas.
Pero ya, con lo que tenemos, las oportunidades para las organizaciones y los proveedores de tecnología son enormes.
Para las organizaciones, la oportunidad se centrará primero en monetizar sus algoritmos propietarios ofreciendo licencias a organizaciones no competidoras. Para los proveedores de tecnología existe una nueva oportunidad para desarrollar y vender algoritmos que ayuden a conectar lo que actualmente ofrecen a sus clientes con otras cosas a través de Internet de las Cosas, o sea un verdadera “malla-ternet” y así diferenciarán sus servicios en el mercado. Las oportunidades de crecimiento y las ventajas en eficiencia que existen cuando cosas inertes pueden comunicarse autónomamente para realizar acciones sin la intervención humana, será algo que todo CEO y CIO deberán explorar.
La economía del algoritmo
Inevitablemente esto creará mercados totalmente nuevos para comprar y vender algoritmos, generará enormes ganancias para las compañías que ya los tienen y una nueva generación de start-ups tecnológicas especializadas.
Imaginemos un mercado donde hay miles de millones de algoritmos para vender o licenciar, que cada uno representa una pieza única de código de software que resuelve un problema o crea una nueva oportunidad para el crecimiento de Internet de las Cosas. Los algoritmos se van a crear y vender como activos que pueden cambiar el juego para las empresas grandes y pequeñas y que costarán según el valor que prometen. Así como las apps han revolucionado la interacción entre el humano y la máquina, la economía del algoritmo será el próximo gran salto en la evolución máquina a máquina y revolucionará la forma en que vivimos.
Los productos se definirán por la sofisticación de sus algoritmos. Las organizaciones serán valuadas no por su big data sino por los algoritmos que convierten esa data en acciones que impactarán en el consumidor. El resultado final es que los CEO deberán concentrarse ahora en sus algoritmos propietarios, no solo en big data.
Manías especulativas
Cómo entender las burbujas especulativas
Parecería que son una realidad más de la vida actual. Antes ocurrían raramente, una vez por generación probablemente; pero ahora se inflan y se desinflan con mucha más frecuencia, en parte por obra del dinero que fluye con mucha más facilidad entre país y país y por la gran difusión de información sobre mercados e inversiones.
Este análisis pertenece al Dr. Richard Peterson, CEO de MarketPsych Data que produce datos macroeconómicos y psicológicos derivados de análisis de textos de noticias y medios sociales, también conocidos como los Thomson Reuters MarketPsych Indices.
Es bastante probable que muchos recuerden la burbuja de las puntocom entre 1996 y 2000, luego la burbuja inmobiliaria de 2004-2006, la burbuja de las acciones chinas en 2006 y la burbuja de bitcoins en 2013. Otras no concitan tanta atención pero igualmente atraen inversores, como la de 2006-2008 por el precio del rodio, un extraño elemento químico.
Una “burbuja” es una manía especulativa, una suba en el precio de un activo que no está justificada por elementos fundamentales y que termina cuando la sensación del mercado se da vuelta y el precio del activo colapsa y vuelve a su media. Las burbujas son muy difíciles de detectar, complicadas para cuando se quiere comprar y para cuando se quiere vender. Como ocurren con mucha más frecuencia que antes, es importante que los inversores las entiendan y sepan cómo reaccionar cuando aparecen.
Los analistas pueden destilar el sentimiento colectivo sobre determinadas compañías y clases de activos aprovechando la enorme cantidad de noticias disponibles online, archivos de medios sociales y también aplicando sistemas sofisticados de analytics. Con todo eso es posible que puedan detectar la siguiente burbuja.
Percepciones del mercado
Los índices de sentimientos reflejan percepciones en el mercado. MarketPsych LLC recolectó 17 años de datos sobre sentimientos del mercado, tanto de las noticias como de las redes sociales. Uno de los elementos fundamentales que inciden en el precio de la acción es la confianza que sienten los inversores hacia una compañía.
MarketPsych desarrolló los Ãndices Thomson Reuters MarketPsych (TRMI según siglas inglesas) en 2012, usando análisis lingüístico y psicológico en tiempo real de noticias y medios sociales para cuantificar cómo considera el público las diferentes clases de activos según docenas de sentimientos, como optimismo, temor, confianza e incertidumbre. Al inicio, el TRMI cubrió cinco clases de activos: productos agrícolas, materiales y energía, países, acciones y monedas. Algunos sentimientos se orientan a determinadas clases de activos más que a otras, por ejemplo, el pronóstico de inflación es relevante al entorno macroeconómico de los países y puede influir en el precio de la moneda.
El lado opuesto de la burbuja es cuando un activo se vende por debajo de su precio, a menudo como una reacción exagerada a una mala noticia y los inversores corren el riesgo de perder una oportunidad cuando el precio de un activo rebota. Peterson subraya que los inversores pueden exagerar su reacción cuando ocurre algo que contradice su visión normal de un mercado o activo.
Petrobras, la compañía energética brasileña mixta es un ejemplo. El centro de un reciente escándalo de sobornos, Petrobras pasó de gozar el segundo sentimiento más alto del mercado entre las primeras cuatro compañías latinoamericanas comprendidas por el TRMI entre junio 2014 y mayo 2015, al último lugar. Sin embargo, después de que sus acciones oscilaran durante los cuatro o cinco meses que duró lo peor de los escándalos, subieron 75% en menos de dos meses, de marzo a mayo 2015, cuando la compañía anunció el descubrimiento de un gran yacimiento frente a las costas de Río de Janeiro y se acercó a un acuerdo con los reguladores brasileños sobre la valuación de los costos relacionados con el escándalo de los sobornos.
