Me­jo­rar la aten­ción a los en­fer­mos

Geo - - GEO VISIÓN -

es­cla­re­cie­ron. Así se so­lu­cio­nó un pro­ble­ma cos­to­so. Y se apren­dió mu­cho: que pue­den pa­sar dé­ca­das sin que los ex­per­tos –en es­te ca­so ins­pec­to­res– des­cu­bran las co­ne­xio­nes más sen­ci­llas y que los da­tos pue­den re­sol­ver un pro­ble­ma tan ra­ro co­mo el de las acu­mu­la­cio­nes de gra­sa por­que ofre­cen otra pers­pec­ti­va del mun­do, co­mo vis­to con ra­yos X.

“Los da­tos te cuen­tan una his­to­ria”, di­ce el su­pe­rior de Flo­wers, “pe­ro tie­nes que ser ima­gi­na­ti­vo pa­ra lo­grar que te ha­blen.”

Lo­grar un mun­do más in­te­li­gen­te, ver pa­tro­nes que na­die ha re­co­no­ci­do, to­mar de­ci­sio­nes que no se ba­sen en el li­mi­ta­do sa­ber de los ex­per­tos, sino en la in­men­si­dad de da­tos de una reali­dad que se ex­po­ne cla­ra­men­te. Es­ta es la pro­me­sa de Big Da­ta, el in­gen­te alu­vión de da­tos di­gi­ta­les al que la hu­ma­ni­dad se en­fren­ta des­de ha­ce unos años.

La pro­me­sa abar­ca to­das las cien­cias e in­dus­trias, cual­quier área de la vi­da. Con la ayu­da de los da­tos, los mé­di­cos ha­rán me­jo­res diag­nós­ti­cos, el trá­fi­co se­rá más flui­do, los Go­bier­nos ha­rán po­lí­ti­cas más in­te­li­gen­tes y las so­cie­da­des se ana­li­za­rán de mo­do to­tal­men­te nue­vo. Por­que los da­tos nos per­mi­ten otra pers­pec­ti­va de las co­sas. O por­que que­re­mos que lo ha­gan. Aun­que en el mun­do de los da­tos na­da es­tá dis­po­ni­ble así co­mo así.

En Blue Yon­der ana­li­zan a dia­rio el fu­tu­ro del con­su­mo. La em­pre­sa de soft­wa­re, con se­de en la ciu­dad ale­ma­na de Karls­ruhe, se de­di­ca a cal­cu­lar, en­tre otras co­sas, có­mo se ven­de­rán los pro­duc­tos de los su­per­mer­ca­dos. Eso es im­por­tan­te pa­ra la pla­ni­fi­ca­ción y las com­pras de los co­mer­cian­tes y pa­ra evi­tar que los ví­ve­res se pu­dran sin ven­der.

La com­pa­ñía, en­tre las más in­no­va­do­ras de Ale­ma­nia, ocu­pa tres pisos en un edi­fi­cio de ofi­ci­nas y su plan­ti­lla cre­ce a pa­sos de gi­gan­te, pe­ro na­da de­la­ta­ría en qué tra­ba­jan los in­ves­ti­ga­do­res de da­tos.

Má­qui­nas pre­dic­ti­vas

La apa­rien­cia hu­ma­na de Big Da­ta son las per­so­nas sen­ta­das an­te pan­ta­llas. El co­ra­zón de la em­pre­sa es in­vi­si­ble. Ca­si ca­ri­ño­sa­men­te lo lla­man “Neu­roBa­yes”, un al­go­rit­mo en cu­ya crea­ción coope­ró Mi­chael Feindt: un in­trin­ca­do te­ji­do de ór­de­nes que in­di­can a una má­qui­na có­mo ha de ma­ne­jar los da­tos. Feindt, al­tí­si­mo y cor­dial, es ca­te­drá­ti­co del Ins­ti­tu­to de Tec­no­lo­gía de Karls­ruhe, un fí­si­co es­pe­cia­li­za­do en par­tí­cu­las que apren­dió en el CERN a ma­ne­jar gran­des ma­sas de da­tos. El ace­le­ra­dor de par­tí­cu­las del CERN es la ma­yor má­qui­na pro­duc­to­ra de da­tos del mun­do: ge­ne­ra un pe­taby­te de da­tos por se­gun­do, es de­cir, es­cu­pe ca­da ho­ra una can­ti­dad de da­tos su­pe­rior a to­dos los pro­du­ci­dos por la hu­ma­ni­dad has­ta el si­glo XXI.

Tam­po­co los su­per­mer­ca­dos son cual­quier co­sa. Pa­ra un clien­te –Feindt no re­ve­la quién–, Blue Yon­der cal­cu­la ca­da no­che 500 millones de pre­dic­cio­nes: los pro­nós­ti­cos de ven­tas de to­dos los ar­tícu­los en to­das las fi­lia­les du­ran­te los si­guien­tes 21 días. Los da­tos ali­men­tan ca­da ma­ña­na el sis­te­ma de pe­di­dos del clien­te des­de don­de se en­car­gan los re­pues­tos. Nin­gún ser hu­mano in­ter­vie­ne en el pro­ce­so, lo que no sig­ni­fi­ca que su la­bor no sea im­por­tan­te: tie­ne que ayu­dar al al­go­rit­mo, pre­pa­rar los da­tos y re­co­ger los co­rrec­tos, por ser los re­le­van­tes.

En el ca­so de los pro­nós­ti­cos de ven­tas, pue­de ha­ber cien­tos de va­ria­bles: his­to­ria­les de ven­tas re­gis­tra­das en las ca­jas, des­crip­ción de to­dos los ar­tícu­los (co­lor, ta­ma­ño...), pre­cios, fe­chas de va­ca­cio­nes, acon­te­ci­mien­tos (un mun­dial de fút­bol, por ejem­plo), ac­cio- nes pu­bli­ci­ta­rias, com­pe­ti­do­res. Todo pue­de te­ner re­per­cu­sio­nes. Un com­po­nen­te fi­jo de mu­chos mo­de­los es el pri­mer sá­ba­do des­pués del pa­go de los suel­dos. En­ton­ces se dis­pa­ran las ven­tas de de­ter­mi­na­dos pro­duc­tos.

An­tes de cal­cu­lar los pri­me­ros pro­nós­ti­cos ver­da­de­ros, el al­go­rit­mo es ali­men­ta­do con un jue­go de to­das esas va­ria­bles. “Co­mo en­tre­na­mien­to”, di­ce Feindt. Du­ran­te es­te pro­ce­so, la má­qui­na exa­mi­na có­mo las va­ria­bles se pue­den com­bi­nar de ma­ne­ra que se apro­xi­men óp­ti­ma­men­te a las ven­tas reales del pa­sa­do. Los “en­tre­na­do­res de da­tos” de Blue Yon­der lla­man a es­te ob­je­ti­vo: “la ver­dad”. Con es­te va­lor se ca­li­bra el sis­te­ma.

Lo que ocu­rre du­ran­te es­te en­tre­na­mien­to es una op­ti­mi­za­ción, lo más so­fis­ti­ca­da po­si­ble, de la re­la­ción en­tre las dis­tin­tas va­ria­bles. La má­qui­na apren­de a co­no­cer a los hu­ma­nos. Có­mo fun­cio­nan. Qué ha­cen. Pa­ra lue­go pre­ver sus ac­tos se­gún cri­te­rios ló­gi­cos.

Es­to se lla­ma ma­chi­ne lear­ning y ocu­rre tam­bién en ca­da bús­que­da de Google, ca­da pa­go con tar­je­ta de cré­di­to, ca­da lla­ma­da de mó­vil: los al­go­rit­mos es­tán ahí, apren­dien­do.

Ha­ce al­gu­nos años, Google dio un ejem­plo no­ta­ble del po­der de la gran can­ti­dad de da­tos cuan­do ofre­ció en Es­ta­dos Uni­dos el ser­vi­cio gra­tui­to de in­for­ma­ción te­le­fó­ni­ca “GOOG-411”. La gen­te lla­ma­ba, de­cía un tér­mino de bús­que­da cual­quie­ra y la má­qui­na leía los re­sul­ta­dos: una bús­que­da de Google con voz. Todo el mun­do se pre­gun­ta­ba por qué Google ofre­cía es­te ser­vi­cio gra­tui­ta­men­te. Cuan­do la em­pre­sa lo ter­mi­nó se en­te­ra­ron de por qué: las bús­que­das de la gen­te ser­vían pa­ra en­tre­nar un or­de­na­dor, do­tán­do­lo de un vo­ca­bu­la­rio in­gen­te... per­mi­tien­do que Google desa­rro­lla­ra uno de los me­jo­res re­co­no­ci­mien­tos de voz del mun­do.

Du­ran­te los en­cuen­tros en­tre hom­bre y or­de­na­dor no que­da cla­ro quién en­tre­na a quién en reali­dad. Quién ayu­da a quién. No so­lo es­ta­mos ex­plo­tan­do la mi­na de los da­tos: no­so­tros mis­mos so­mos la mi­na.

En Blue Yon­der, la má­qui­na ha apren­di­do tan­to del hom­bre que le ga­na con fa­ci­li­dad. Los pro­nós­ti­cos de ven­tas del or­de­na­dor son has­ta un 40% más pre­ci­sos que las pre­dic­cio­nes de ave­za­dos pro­fe­sio­na­les de ven­ta. En Holly­wood, al­go­rit­mos se­me­jan­tes cal­cu­lan

con pre­ci­sión sor­pren­den­te cuán­to di­ne­ro re­cau­da­rá una pe­lí­cu­la en las ta­qui­llas... y eso a par­tir del guión, an­tes de que la pe­lí­cu­la se ha­ya ro­da­do. Otros al­go­rit­mos in­di­can a los agen­tes de Bol­sa la pró­xi­ma in­ver­sión. O su­pe­ran a los mé­di­cos en los diag­nós­ti­cos: por ejem­plo, el pro­gra­ma “Isa­bel” iden­ti­fi­ca en­fer­me­da­des con una pre­ci­sión del 96% ba­sán­do­se en da­tos de­mo­grá­fi­cos y sín­to­mas.

“Nues­tra in­tui­ción hu­ma­na sim­ple­men­te no pue­de com­pe­tir con es­to.” Mi­chael Feindt no lo di­ce triun­fan­te, sim­ple­men­te es su ex­pe­rien­cia. Ca­da vez que el ser hu­mano se en­fren­ta al al­go­rit­mo, ga­na la má­qui­na. “No­so­tros po­de­mos re­la­cio­nar tres va­ria­bles, co­mo mu­cho, y los or­de­na­do­res, mi­les.”

Nues­tra com­pe­ten­cia ar­ti­fi­cial

Ade­más, los or­de­na­do­res ven más: a lo lar­go de su ca­rre­ra, un mé­di­co atien­de a va­rios mi­les de pa­cien­tes, pe­ro un or­de­na­dor co­no­ce millones de his­to­ria­les mé­di­cos. De es­ta ma­ne­ra, aban­do­na­mos un mun­do don­de to­ma­mos de­ci­sio­nes ba­sán­do­nos en li­mi­ta­das ex­pe­rien­cias in­di­vi­dua­les pa­ra aden­trar­nos en un mun­do que po­de­mos com­pren­der mu­cho más ex­haus­ti­va­men­te.

Eso sí, por pri­me­ra vez es­ta­mos crean­do una se­ria com­pe­ten­cia ar­ti­fi­cial pa­ra nues­tras ca­pa­ci­da­des cog­ni­ti­vas, que has­ta aho­ra eran con­si­de­ra­das ca­rac­te­rís­ti­cas úni­cas del ser hu­mano.

Big Da­ta na­ce por­que va­rias tec­no­lo­gías se es­tán unien­do: el po­der de cálcu­lo de los or­de­na­do­res, enor­mes al­ma­ce­nes de da­tos, soft­wa­re in­te­li­gen­te, in­ter­net y sen­so­res ca­pa­ces de trans­mi­tir da­tos de todo ti­po des­de mi­les de fuen­tes. Las es­ti­ma­cio­nes en cuan­to a la can­ti­dad to­tal de da­tos que na­cen de es­ta ma­ne­ra di­ver­gen mu­chí­si­mo, pe­ro siem­pre se in­di­can con tér­mi­nos que ya no te di­cen na­da: pe­taby­tes, exaby­tes, zet­taby­tes, va­lo­res con mu­chí­si­mos, mu­chí­si­mos ce­ros.

Na­da de eso es ima­gi­na­ble: mun­dial­men­te, los usua­rios de Fa­ce­book su­ben quin­ce millones de fo­tos ca­da ho­ra, Google con­tes­ta ca­da día apro­xi­ma­da­men­te 3.000 millones de bús­que­das. Aún más in­gen­tes son los da­tos que las má­qui­nas ge­ne­ran en el lla­ma­do “in­ter­net de las co­sas”: un mo­tor de avión pro­du­ce 20 te­raby­tes de da­tos en un vue­lo do­més­ti­co. La pe­tro­le­ra Shell quie­re dis­tri­buir de­ce­nas de mi­les de di­mi­nu­tos sen­so­res al­ta­men­te sen­si­bles pa­ra de­du­cir la pre­sen­cia de ya­ci­mien­tos de pe­tró­leo ba­sán­do­se en los mo­vi­mien­tos de tie­rra más mí­ni­mos.

El ser hu­mano cu­bre el mun­do y a sí mis­mo con una piel de da­tos. No hay na­da en el pla­ne­ta que re­gis­tre un cre­ci­mien­to más ver­ti­gi­no­so. Los da­tos pro­li­fe­ran más rá­pi­da­men­te que cual­quier es­pe­cie bio­ló­gi­ca, so­lo li­mi­ta­dos por la ca­pa­ci­dad de al­ma­ce­na­je de los or­de­na­do­res, que tam­bién au­men­ta con ra­pi­dez. Se es­pe­ra que es­ta red de da­tos, sen­so­res y or­de­na­do­res ori­gi­ne un mun­do más in­te­li­gen­te. No so­lo a ni­vel de pro­nós­ti­cos de ven­tas. No hay lí­mi­tes pa­ra la ima­gi­na­ción.

La Ma­gic Car­pet es una alfombra con sen­so­res que da la alar­ma cuan­do un an­ciano de una re­si­den­cia de la ter­ce­ra edad ca­mi­na con in­se­gu­ri­dad. En Bos­ton, los con­duc­to­res de vehícu­los cuen­tan con una app pa­ra smartp­ho­ne que re­gis­tra su po­si­ción cuan­do el co­che cru­za un ba­che y la co­mu­ni­ca a la ad­mi­nis­tra­ción mu­ni­ci­pal, que en­via­rá obre­ros a re­pa­rar­lo. Otras ciu­da­des do­tan a los con­te­ne­do­res de ba­su­ra de sen­so­res que co­mu­ni­can lo lle­nos que es­tán.

La mé­di­ca aus­tra­lia­na Ca­rolyn McG­re­gor ha crea­do un sis­te­ma de diag­nós­ti­co pa­ra be­bés pre­ma­tu­ros. El soft­wa­re re­co­no­ce su­ti­les cam­bios en los di­mi­nu­tos cuer­pos y, en ca­so de ne­ce­si­dad, da la alar­ma; a me­nu­do, 24 ho­ras an­tes de que los mé­di­cos no­ten al­go. Un re­sul­ta­do de di­cha má­qui­na, por ejem­plo, con­tra­di­ce todo lo que se pen­sa­ba has­ta aho­ra: los va­lo­res par­ti­cu­lar­men­te cons­tan-

RALF BELUSA QUIE­RE DAR ca­da día 10.000 pa­sos ha­cien­do foo­ting en el an­ti­guo re­cin­to del ae­ro­puer­to ber­li­nés de Tem­pel­hof. Se sue­le me­dir la con­cen­tra­ción de oxí­geno en la san­gre y cuán­to dió­xi­do de car­bono ex­ha­la. Cuan­do su por­cen­ta­je de gra­sa cor­po­ral su­pera el 12,8% re­nun­cia a co­mer cho­co­la­te.

OB­JE­TI­VO? Fo­to­gra­fiar ca­da ca­lle y es­qui­na. Des­de 2007, Google en­vía co­ches con cá­ma­ras de gran angular por el mun­do, co­mo el de la ima­gen in­fe­rior que re­co­rre Ams­ter­dam. De es­te mo­do, na­die tie­ne que sa­lir de casa pa­ra lo­ca­li­zar una di­rec­ción.

Newspapers in Spanish

Newspapers from Spain

© PressReader. All rights reserved.