Los últimos avances en Inteligencia Artificial por medio de técnicas como el ‘deep learning’ (aprendizaje profundo) están creando sistemas realmente útiles que se disponen a darle un importante meneo a nuestro tambaleante mercado laboral. Algunas de las tareas que se pueden ya automatizar por este procedimiento son impresionantes, como el coloreo de imágenes en blanco y negro, el añadido de sonidos a vídeos mudos, la descripción de imágenes por medio de palabras o los sistemas de traducción (de texto o incluso desde imagen), que no paran de mejorar. Este tipo de técnicas es también el usado para entrenar a AlphaGo, el programa desarrollado por Google que ha conseguido derrotar a los campeones humanos de este complejo juego oriental con un estilo propio e innovador. Pronto sistemas expertos creados por métodos similares serán capaces de diagnosticar enfermedades, realizar gestiones financieras o legales, lidiar con la atención al cliente u optimizar el consumo de electricidad de una factoría, como ha conseguido Google con sus centros de datos ahorrando hasta un 40% en la factura de la luz. Y lo harán mejor, más rápido y más barato que cualquier humano, con las cataclísmicas consecuencias económicas y sociales que se derivarán de ello.

Y entre esas consecuencias surgirán algunas verdaderamente peculiares y novedosas que van a poner a nuestros legisladores y gobernantes ante problemas sin precedentes. Por ejemplo, asignar responsabilidades ante posibles disfunciones derivadas del mal entrenamiento de inteligencias artificiales, o manejar nuevos análogos de ‘propiedad’ intelectual.  Y todo ello derivado del modo como aprenden este tipo de inteligencias artificiales.

Las técnicas de ‘Deep Learning’ consisten en suministrar a un programa informático una base de datos, por ejemplo de fotografías etiquetadas, a partir de la cual el software genera relaciones. Las reglas de asociación no están predeterminadas, sino que surgen del conjunto de datos: el programa conecta la palabra ‘coche’ con la imagen de un vehículo por sus propios medios y usando sus propios sistemas, que los humanos no conocen ni comprenden. Así AlphaGo se entrenó jugando millones de partidas contra sí mismo y generando sus propias estrategias y sistemas de juego diferentes de los que cualquier persona ha creado anteriormente, y de este modo los nuevos expertos virtuales pueden clasificar correctamente incluso lo que nunca han visto antes. La idea es potente y da lugar a programas de enorme utilidad.

Pero también puede dar lugar a grandes problemas, sobre todo porque nosotros tendemos a pensar que las decisiones tomadas por una máquina carecen de prejuicios, cosa que sólo es cierta si la base de datos de la que se alimenta es perfectamente igualitaria. Si esto no ocurre podemos crear sin querer una inteligencia artificial sexista o racista con gran facilidad. Un ejemplo simple: si queremos crear una IA para localizar criminales por su imagen y en la base de datos con que la alimentamos hay más criminales negros que blancos es probable que la IA acabe por considerar el color negro de la piel como indicador de criminalidad. Es lo que le ocurrió a Tay, el ‘chatbot’ de Microsoft que a las pocas horas de lidiar con trolls acabó por convertirse en racista, sexista y clasista.

La cuestión es: si esto sucede en un programa puesto a disposición del público, ¿quién es el responsable? ¿Se puede evitar que ocurra, quizá desarrollando un sistema de evaluación previa? ¿Habrá pólizas de seguro para cubrir los posibles daños por sesgos incorporados en la mente de una máquina? Y si la base de datos usada para el entrenamiento pertenece a alguien, ¿debería el creador de la nueva IA pagar un nuevo tipo de derecho de autor? Está claro que los legisladores del futuro van a tener mucho trabajo con la inminente revolución de la inteligencia artificial; y no del fácil.