LA NECESIDAD FUNDAMENTAL DE LAS PERSONAS DE RENOVARSE

Estas ansias de renovación llevaron al arquitecto berlinés, Walter Gropius, a fundar una escuela que modernizaría y serviría a la sociedad mezclando dos disciplinas, el arte y el diseño. Sería el reflejo de sus ideas sobre la arquitectura y la creación; se llamaría Bauhaus (casa de la construcción en español). Hoy, tiene más de 100 años y se mantiene como un símbolo de vanguardia, de cómo, a través de una nueva visión, se dio respuesta a una necesidad del contexto gracias al diseño accesible. Su espíritu innovador nos sigue inspirando, es el reflejo de cómo toda una sociedad, hundida y deprimida, supo reinventarse y participar de manera colaborativa aportando su talento para reconstruirse.

En un contexto similar al de la Bauhaus, como sociedad, también sentimos esta necesidad de renovación. Nuestro contexto va a la velocidad de Usain Bolt y nosotros vamos despacito, suave, suavecito.

Y ES QUE, ¿CUÁNDO FUE LA ÚLTIMA VEZ QUE APRENDISTE ALGO NUEVO POR PRIMERA VEZ?

Nuestra última revolución viene de la mano de la digitalización; un nuevo origen. La 4ª revolución industrial no se limita solo a incorporar nuevos conceptos, sino a incorporarlos en todas las áreas de nuestra vida. Quien más quien menos ya conoce los beneficios de la automatización y envía mails automáticos gracias a la RPA (Automatización de Procesos Robóticos).

Desde que Klaus Schwab, presidente ejecutivo del Foro Económico Mundial (WEF), presentó este término oficialmente en 2016, se entiende como una estrategia esencial para potenciar el avance de todas las naciones y personas. Sin embargo, para el resto de los mortales nos suena medio lejano, o incluso nos da miedo, porque esta es la primera vez que vemos cómo una revolución de nuestro modelo socioeconómico y productivo empieza a rivalizar con nuestras capacidades cognitivas.

Y, ¿POR QUÉ ESTO NOS DA TANTO MIEDO?

A finales de los 50, coincidiendo con los primeros ordenadores (oh, vaya, qué casualidad), comenzó a originarse la psicología cognitiva, la cual mostraba interés en los procesos mentales que intervienen cuando procesamos información. Como un ordenador con ojos y boca, se empezó a comprender que las personas aprendíamos adquiriendo y procesando conocimiento y comprensión a través del pensamiento, la experiencia y los sentidos. Trataban de descubrir cómo nuestra CPU humana percibía el entorno y, en consecuencia, desarrollaba habilidades para resolver problemas y almacenar recuerdos.

Cada persona aprende de una manera. Existen tantas teorías del aprendizaje como personalidades en el mundo, con sus seguidores y sus haters.

Entonces, ¿qué es aprender? Quitando la complejidad del asunto, podemos decir que aprendemos detectando patrones. Cuando observamos un fenómeno (recibimos información) intentamos comprenderlo buscando la relación entre las diferentes variables del acontecimiento (lo transformamos en conocimiento).

Según Goel Gaurav, storyteller y experto en ciencia e ingeniería de los datos:

“Todo aprendizaje humano consiste en observar algo, identificar un patrón, construir una teoría (modelo) para explicar este patrón y probar esta teoría para comprobar si se ajusta a la mayoría o a todas las observaciones”.

Siempre se ha dicho que, si sabes más de un idioma es mucho más fácil aprender el resto, pero ¿por qué? ¿Qué tendrá que ver el alemán con el chino? A priori, es como comparar peras con manzanas. Sin embargo, según el artículo “Aprender un segundo idioma está predicho por la capacidad de aprender patrones” de la revista Psychological Science de la Association for Psychological Science, tiene más que ver con la capacidad de detectar patrones entre lenguas.

Uno de los hallazgos del psicólogo e investigador Ram Frost, de la Universidad Hebrea, fue que los y las alumnas que sacaban mejores resultados en las pruebas para identificar patrones (incluyendo pruebas de detección de patrones visuales) aprendieron mejor el idioma (en este caso, hebreo) al final del semestre.

Y es que nuestro cerebro también necesita atajos, básicamente, como nos recuerda Gaurav en su artículo:

“el aprendizaje es un modelo que expresa un patrón en un conjunto de observaciones. Si no hay patrón, no hay marinero, ni aprendizaje”.

Así visto no distamos tanto de la IA, ¿no? Retomado la nostalgia cincuentera para entender los procesos cognitivos de estas maquinitas tan listas, nos damos cuenta de que, al fin y al cabo, el machine learning (ML) sigue paradigmas de aprendizaje que permiten que puedan procesar toda aquella información que se convertirá en conocimiento, y es realmente parecido a los nuestros.

Saber cómo funcionan estos mecanismos es fundamental dentro del campo del ML, de hecho, todos los algoritmos y técnicas dentro de este campo se pueden clasificar en tres grandes grupos según sea el paradigma de aprendizaje que estén aplicando: puede ser supervisado, no supervisado y por refuerzo.

Centrándonos en el primero, nos referimos a un tipo de aprendizaje que se basa en descubrir las relaciones entre unas variables de entrada y unas de salida. Como las personas, necesita observaciones, es decir, datos, muchos datos etiquetados y clasificados. Así, le mostramos qué resultado queremos obtener para un determinado valor inicial.

Imaginemos que tenemos una serie de números dónde para un valor 1 tengo un resultado 2, para 2 tengo 4, para 4 tengo 8, para 8 tengo… ¿? Exacto, 16. Aquí, tu cerebro ha generado conocimiento mediante la observación. Parecido a aprender un nuevo idioma, has generado una relación entre las variables de entrada y de salida, observando que el patrón repetido es multiplicar el valor de entrada por 2. Y esto, tan parecido y cotidiano para nuestra masa gris, es la base del aprendizaje supervisado.

En este punto parece que la IA a través del ML aprende haciendo cuadernitos Rubio en verano y que pronto nos dará mil vueltas en cualquier ámbito que se proponga.

Y, ¿POR QUÉ NO DEBERÍA DARNOS MIEDO?

No competiremos contra las máquinas, ellas aprenden constantemente y relacionan mucho más rápido y con menos margen de error que nosotros y nosotras. Pero sí nos volveremos más relevantes para maximizar su potencial. He aquí una de las paradojas de la automatización, que dice que cuanto más eficiente es el sistema automatizado más importante es la contribución humana.

Siendo honestos, ni el indomable Will Hunting ni Kathering Johnson en la NASA serían capaces de superar la velocidad de cálculo, la mejora en el procesamiento de los datos o el análisis de éstos con la misma precisión que alcanza la IA.

Por suerte, la humanidad siempre se las ingenia para sacarse un as de la manga y ganar ventaja. Repasando en los apuntes de psicología del aprendizaje, vemos como la Teoría de Bloom nos arroja luz. Aunque también se base en teorías conductistas y cognitivas, entiende el proceso de educación de las personas como algo más que recibir información, procesarla y almacenarla en nuestro disco duro en forma de conocimiento.

Plantea una visión donde los objetivos de la educación se clasifican en cognición, afectividad y psicomotricidad, pero se focaliza en la primera. La taxonomía cognitiva, busca sacar lo mejor del aprendiz para conseguir determinados objetivos cognitivos (6 para ser exactos) partiendo de capacidades intelectuales, afectivas y psicomotrices:

1. Conocimiento, la capacidad de recordar la información que hemos procesado (un buen disco duro).
2. Comprensión, transformar esta información (datos) en algo que podamos entender e interpretar (etiquetado y clasificación).
3. Aplicación, emplear lo aprendido de manera práctica (detectar si un email es spam o no de manera automática, detectar imágenes o diagnosticar una enfermedad).
4. Análisis, fragmentar lo aprendido, elaborar hipótesis y contrastarlas (generar modelos, detectar patrones y generalizar conocimiento).
5. Síntesis, elaborar resumidamente un modelo, que mezcle la información recibida y cree algo diferente de lo aprendido.
6. Evaluación, ser críticos en base a un criterio u opinión fundamentada teniendo en cuenta un sistema de valores.

Como vemos, hasta el número 4 la IA podría ser la clásica persona sabelotodo de la clase. Sin embargo, hace falta mucha humanidad para crear y evaluar. Volviendo a la paradoja de la automatización, puede que nuestra compañera transhumana procese información mucho más rápido, de manera más precisa y con menos margen de error que nosotros y nosotras, pero si sabemos darle la vuelta y aprovechar todo su potencial, seremos capaces no de competir con alguien que siempre aprende, sino de utilizar su capacidad para ser mejores profesionales y, por qué no, ponerlos a trabajar para nosotros y nosotras.