Los datos y la fe

10 de octubre de 2018
Post escrito por Enrique Dans, experto en tecnología y profesor de innovación en IE Business School.

A medida que se desarrolla el panorama del machine learning, su evolución ofrece una perspectiva que, para muchos, puede resultar desconcertante. Cuando hablamos de la posibilidad de enseñar a una máquina a aprender y de cambiar, por tanto, el concepto que hemos tenido desde hace muchas décadas sobre lo que es un ordenador, hablamos, seguramente, de una de las mayores revoluciones que ha vivido la humanidad en su conjunto a lo largo de toda su historia, comparable seguramente, como dijo Sundar Pichai, CEO de Google, al impacto que tuvo el descubrimiento del fuego o de la electricidad. Y sin embargo, a pesar de su magnitud, hablamos de un campo que parece tener mucho más de evolución lenta que de revolución, y que periódicamente, además, parece sufrir crisis de fe y vaivenes de todo tipo asociados con su desarrollo.

Imagen de una cabeza humano futurista Figura 1. El machine learning recibe hoy más atención gracias al incremento de potencia de la computación, a la progresiva disminución de su coste, y a la abundancia y disponibilidad de datos.





Desde que Arthur Samuel acuñó el término machine learning en 1959 y desarrolló un algoritmo capaz de jugar a las damas, la disciplina ha combinado décadas de avances febriles con otras de total abandono y desilusión. En la práctica, el pico de atención que hoy vivimos, con un número creciente de compañías haciendo referencia al término en su planificación estratégica, corresponde únicamente a la aplicación de técnicas con décadas de antigüedad convertidas en viables gracias al incremento de potencia de la computación, a la progresiva disminución de su coste, y a la abundancia y disponibilidad de datos. Sin embargo, la ignorancia de muchos medios a la hora de cubrir el fenómeno, la confusión en torno al mismo y la tendencia sensacionalista a ilustrar cada noticia sobre el tema con al menos una imagen de un robot Terminator están contribuyendo a crear una peligrosa inflación de expectativas en torno al asunto que bien podría llegar a generar un nuevo período de escepticismo.

El caso de Google y su CEO resulta especialmente paradigmático: en la conferencia inaugural de la edición de 2018 del Google I/O, la conferencia en la que la compañía intenta agasajar a los desarrolladores que utilizan sus herramientas para que continúen haciéndolo, el término machine learning se repitió de manera constante, casi obsesiva, como si fuera un mantra. Algo por otro lado lógico en una empresa que lleva ya varios años poniendo machine learning en todas partes, repensando y reconceptualizando absolutamente todos sus productos para que la incluyan, y dando formación a la práctica totalidad de sus empleados para que sean capaces de conceptualizar sus ideas en ese ámbito.

La respuesta ante la impresionante fijación de compañías como Google en la mayoría de las empresas suele ser inmediata: “nosotros no somos Google”. Y en efecto: hablamos de una de las compañías más grandes y con mayor crecimiento del mundo, que desarrolla su actividad en un entorno de innovación radical y que resulta difícilmente comparable o utilizable como ejemplo a seguir. Sus circunstancias y problemáticas, simplemente, son vistas como demasiado lejanas por la inmensa mayoría de los directivos, como tiende a ocurrir también con otras compañías de perfil similar como Apple, Facebook o Amazon.

¿Podemos - o debemos - intentar inspirarnos en ellas y en su estrategia?

La respuesta, hoy más que nunca, es un sonoro sí. Hablamos de compañías que son lo que son no porque hayan tenido suerte, sino por la forma que tienen de trabajar cuando se enfrentan a un desafío. Y cuando todas esas compañías consideran el Machine Learning como el actual gran desafío y se organizan para gestionarlo como ventaja competitiva, deberíamos pensar que no es que sean víctimas de algún tipo de alucinación colectiva, sino que, muy posiblemente, sepan de lo que hablan. Tal vez nuestra compañía no sea Google ni se le parezca, pero si no afronta ahora el desafío que implica la adopción del Machine Learning, dentro de pocos años, no existirá, y su hueco en el mercado habrá sido ocupado por compañías que sí supieron verlo.

¿Cómo afrontar el desafío que supone el Machine Learning desde la óptica de una compañía “normal”, no de un gigante de la tecnología? En primer lugar, considerando su aplicación desde una perspectiva abierta, inclusiva y ambiciosa, susceptible de revolucionar completamente el modelo de negocio de la compañía. Cuando comenzamos a pensar en términos de datos y de su análisis, podemos encontrarnos con que terminamos construyendo la ventaja competitiva de la compañía, sus productos o sus servicios en torno a planteamientos completamente distintos a los que históricamente hemos manejado. Una compañía que vende productos podría, por ejemplo, convertirse en una de servicios en función de los datos que el uso de esos productos pueden generar, un reto que la mayoría de los directivos con experiencia en una industria suelen ser incapaces simplemente de imaginar.

image of computers and data equations Figura 2. Una compañía que vende productos podría, por ejemplo, convertirse en una de servicios en función de los datos que el uso de esos productos pueden generar.




Pero además, el reto exige entender que todo proyecto de Machine Learning implica arquitecturas de datos que no todas las compañías tienen, que las fases iniciales del proyecto, como ya comentamos en un artículo anterior, consumen muchísimos más recursos que las finales, y que resulta enormemente importante contar con un socio adecuado que sepa realmente lo que está haciendo. Pero además, implica entender que más pronto que tarde, tendremos que transformar completamente nuestra compañía, que rediseñar todos nuestros productos y servicios en torno al Machine Learning (¿no lo hicimos, acaso, en torno a internet?), que formar a la práctica totalidad de nuestro personal para que adquieran familiaridad con el nuevo contexto, y que pasar a ver el Machine Learning, o el que nuestro Machine Learning sea mejor que el Machine Learning de la competencia, como una parte fundamental de nuestra ventaja competitiva. No, no hablamos simplemente de hacer o plantear Machine Learning: hablamos de automatizarlo, de convertirlo en una parte integrante de nuestros procesos empresariales.

Todo esto, que parece exceder las dimensiones de la mayoría de los cambios que hemos vivido como directivos, tenemos que afrontarlo con una enorme ambición, no como un proyecto más o como “unas pruebas”, sino como algo que tiene la dimensión suficiente como para transformar completamente nuestra compañía.

Y para eso, mucho me temo, hace falta fe. No una fe ciega, porque ya tenemos evidencias suficientes de que hablamos de un cambio que va a transformar ya no nuestra compañía, sino el mundo tal y como lo conocemos, pero fe al fin y al cabo. Si no la tienes, prepárate: vas a necesitarla.