Estado del arte: IA y Macrodatos (Big Data)

La IA ha sido un tema en el radar de teóricos y expertos desde la década de 1950 y, hasta hoy, no se ha llegado a un acuerdo sobre su definición. Los estudios sobre IA comenzaron en 1956 cuando John McCarthy usó el término en un seminario en la Universidad de Dartmouth en Estados Unidos. Antes de McCarthy, los estudios de investigación en genética dentro del campo de las ciencias biológicas también las había como primer ejemplo aplicado. Además, en 1950, Alan Turing publicó el estudio «Maquinaria de computación e inteligencia» en el que presentó el «Juego de imitación», también conocido como «Prueba de Turing»: un conjunto de preguntas destinadas a evaluar si el encuestado es un humano o una máquina.

Russel y Norvig (1995) exploraron la IA en cuatro categorías: sistemas que piensan como humanos; sistemas que actúan como humanos; sistemas que piensan racionalmente; y sistemas que actúan racionalmente. En la historia del estudio de IA, las cuatro categorías dan la bienvenida a teóricos y seguidores, encontrando tensiones en sus bordes entre estudios centrados en «Humanidad» o «Racionalidad».

Publicaciones recientes reflejan estas distinciones sobre cómo se puede aplicar la IA. La Unión Internacional de Telecomunicaciones (UIT) publicó los informes «Serie de Inteligencia Artificial para el Desarrollo» (2017) y «AI for Good Summit» (2017 y 2018); donde describió los desarrollos en el concepto de un sistema que no reemplaza la inteligencia humana. Del mismo modo, la Organización para la Cooperación y el Desarrollo Económico (OCDE) en asociación con International Business Machines (IBM) en el documento «IA: máquinas inteligentes, políticas inteligentes» (2018) posiciona a la IA como una estructura que aumenta el potencial de la inteligencia humana.

Floridi (2014), por otro lado, discutió las aplicaciones de IA argumentando que los sistemas exitosos son aquellos con un entorno moldeado a su alrededor. En otras palabras, los sistemas que responden a propósitos específicos funcionan mejor (el autor da un ejemplo de que es poco probable que un robot que puede cortar bien el césped desempeñe también el papel de un refrigerador). Esto se conoce como un «problema de marco». Según Floridi (2014), la IA no tiene un enfoque descriptivo o prescriptivo del mundo: evalúa la coerción lógica y matemática que hace posible construir artefactos e interactuar con ellos de manera efectiva. Las Naciones Unidas, por otro lado, en su publicación «Enfoques innovadores de Big Data para capturar y analizar datos para monitorear y lograr los ODS» (2017) reconocieron que definir la IA no es una tarea sencilla. El problema inicial es definir qué significa «inteligencia» o qué inteligencia es ejecutada por humanos y no humanos. A pesar de varios intentos, ninguna de las disciplinas involucradas, como la psicología o la ciencia de la educación, ha llegado a una definición de inteligencia satisfactoria y mutuamente acordada. Legg y Hutter (2018) proporcionaron una visión general de las muchas definiciones propuestas a lo largo de los años: «La inteligencia mide la capacidad de un agente para lograr objetivos en una amplia gama de entornos». En términos de IA, el «agente» en esta definición podría ser un ser humano (inteligencia regular) o un sistema (AI). Como tal, una máquina que exhibe inteligencia, que es igual a la inteligencia humana, se puede denominar que tiene IA general.

Conexión entre IA y Macrodatos

La IA ocurre a raíz de la era de Zettabyte, lo que significa que se requiere un rendimiento inteligente de una máquina como consecuencia de Big Data. Generaciones desde 2014 han experimentado la inundación de Zetta que describe el tsunami de bytes que se está apoderando del medio ambiente donde vivimos. Si bien la IA se ha convertido en un desarrollo natural de un sistema inteligente que necesita lidiar con Big Data, esta es la razón por la cual los términos están estructuralmente conectados. A pesar de la importancia del fenómeno, la definición de Big Data aún no está clara. El término fue introducido por primera vez en 1989 por Erik Larson en un artículo publicado por The Washington Post sobre cómo tratar el correo basura. Sin embargo, los teóricos atribuyen el concepto de Big Data tal como lo usamos hoy a «Big Data y la próxima ola de infrastress» de John R. Mashey, publicado en 1998, donde reconoce un campo que requiere una gran capacidad para ejecutar modelos analíticos para hacer frente a grandes cantidades de datos. Muchos autores han contribuido al desarrollo del término, y en 2012 se lanzó una de las primeras regulaciones legales de datos públicos y sensibles.

La ley actual del Reglamento General de Protección de Datos (GDPR - Comisión de la Unión Europea, 2020) contiene requisitos legales para el uso de datos personales con fines de investigación histórica, estadística y científica vigentes en todo el mundo. Floridi (2014), quien contribuyó al lanzamiento de GDPR, advierte sobre dos errores comunes al hablar de Big Data: uno está malinterpretando «Big» para referirse al tamaño físico, y el otro está malinterpretando «Data» como «Big» solo cuando está en perspectiva con el poder computacional. Estos dos errores pueden considerarse de una manera diferente: el problema epistemológico cuando se piensa que hay demasiados datos; y otro cuando se piensa que la solución a este problema es tecnológica (como si la tecnología pudiera sintetizar / reducir la cantidad de datos). La confusión radica en el aspecto de que un problema epistemológico requiere una solución epistemológica, más que técnica.

Los problemas en la interpretación de macrodatos y características básicas

Dado que el problema no es solo la creciente cantidad de datos, las soluciones deben actualizarse: no se trata de nuestra capacidad de procesamiento (ya que esta actividad ocurre bajo demanda), sino de la cuestión epistemológica de pequeños patrones que analizan Big Data. Los pequeños patrones representan una nueva frontera de innovación y competencia, desde la ciencia hasta los negocios, desde la gobernanza hasta las políticas sociales, desde la seguridad hasta la protección. La razón por la que los patrones deberían ser pequeños es para mejorar su velocidad de procesamiento (dado que los datos están en una cantidad muy alta, los pequeños patrones los aglutinan para acelerar su síntesis). Un posible problema ético relacionado con el uso de pequeños patrones se deriva de su capacidad para predecir eventos futuros, ya que pueden prever elecciones y comportamientos, que se enfrentan a principios éticos de información.

Otra característica de los datos está relacionada con el volumen, y la Cloud Security Alliance (2014) en su informe «Big Data Taxonomy» introduce tres límites al creciente uso y almacenamiento de datos: termodinámica, inteligencia y memoria. Esto proporciona un contrapeso preocupante al argumento de que la IA es una solución para Big Data, ya que la inteligencia es una de las limitaciones de Macrodatos. Macrodatos responden a la adquisición y almacenamiento de datos, y la humanidad no ha producido suficiente almacenamiento para los datos que estamos produciendo, lo que es una limitación de memoria.

Søe (2018) advierte, sin embargo, que el principal problema con este campo en particular es epistemológico. La perspectiva de que la cantidad de datos sea un problema es engañosa, una vez que la pregunta principal es qué tan tarde la gente se dio cuenta de la existencia de Macrodatos. Este análisis va en la dirección opuesta a la idea de los datos como conjuntos tan grandes y complejos que se hace difícil de procesar usando herramientas de administración de bases de datos disponibles para aplicaciones de procesamiento de datos tradicionales, lo que nos lleva a otra concepción engañosa como se mencionó anteriormente: poder computacional débil.

Pero, ¿por qué los patrones pequeños son un problema tan grande? Floridi en una conferencia en 2018 en el Oxford Internet Institute respondió a esa pregunta con una ilustración de figura de conexión de puntos: cuantos más puntos de datos tenga, mejor debe ser el patrón y, a menos que conecte todos los puntos, no verá cuál es realmente la cifra. La cuestión de Macrodatos es que entre los bytes de información Zetta se requiere un patrón para analizarlo. Floridi lo comparó con encontrar una aguja en un pajar. La integración entre Macrodatos e IA es que los grupos de datos deben crear su propia inteligencia para identificar la aguja.

Sin embargo, no todos los datos son importantes. Mantelero (2018) señala que quizás la mitad de nuestros datos sea insignificante, mientras que la otra mitad sea valiosa. El papel de los patrones pequeños es saber qué mitad se requiere. Una vez que se mapean los activos valiosos y se encuentran las agujas, se podría considerar una característica de agregación. Esto significa que los datos importantes cuando se combinan pueden impulsar un sistema para comprender a sus clientes e incluso para predecir sus elecciones. Por lo tanto, los patrones pequeños, como procedimiento de método, son significativos cuando correlacionan datos relevantes, incluida la ausencia de datos en sí.

La inteligencia colectiva y la capacidad de avanzar con algoritmos de IA dependen de una colosal base de datos histórica capaz de generar información sobre comportamientos predictivos y resultados educativos. Sin embargo, uno de los principales desafíos para el avance de la IA es la sistematización y la organización de datos útiles.

Competencias del siglo XXI: Métodos mixtos para aplicarlas y evaluarlas

La sociedad de plataformas tiene el potencial de exigir nuevas competencias a los ciudadanos, lo que lleva a discusión las competencias del siglo XXI. Se necesita una aclaración entre conceptos tales como competencia, capacidad, capabilidad, habilidades naturales y adquiridas teniendo en cuenta que, generalmente, estas palabras se usan indistintamente. Algunas definiciones del Oxford English Dictionary (OED) pueden ayudar a abordar esta tarea:

• Habilidad: el hecho de que alguien / algo es capaz de hacer algo.

• Capacidad: la capacidad de comprender o hacer algo.

• Capabilidad: la habilidad o cualidades necesarias para hacer algo.

• Competencia: la capacidad de hacer algo bien.

• Conocimiento: la información, comprensión y habilidades que obtienes a través de la educación o la experiencia.

• Alfabetización: la capacidad de leer y escribir de forma creativa y cultural en cualquier superficie.

• Según este diccionario, habilidad, capacidad y capabilidad son sinónimos, así como habilidad y competencia.

• La base de datos O'Net define los términos de la siguiente manera:

• Capacidad: atributos duraderos del individuo que influyen en el rendimiento (habilidades cognitivas, físicas, psicomotoras y sensoriales)

• Habilidades: capacidades desarrolladas que facilitan el aprendizaje o la adquisición más rápida de conocimientos (resolución de problemas complejos, gestión de recursos, habilidades sociales, de sistema y técnicas).

Según Zabala y Arnau (2015), la competencia se define como la capacidad o habilidad (que significa tener la estructura cognitiva) para realizar tareas y participar en diversas situaciones, como las de la vida política, social y cultural, en una forma efectiva y consciente, adaptado a un determinado contexto. Es necesario movilizar actitudes, habilidades y conocimientos orquestando e interrelacionándolos. Del mismo modo, la OCDE (Rychen y Salganik, 2003) definió la competencia como la capacidad de satisfacer con éxito demandas complejas en un contexto particular a través de la movilización de habilidades de conocimiento, actitudes y valores. En este caso, agregar valores como un nuevo elemento a la construcción. En este artículo, utilizaremos el concepto general de competencia de la OCDE, en el que las habilidades se considerarán un subconjunto de competencias. La capacidad y la capabilidad se considerarán sinónimos exactamente como lo define el OED.

La aparición de marcos propuestos para el siglo XXI organiza la estructura de una mentalidad globalizada y tecnológicamente impulsada en la era de la información. Por ejemplo, Fadel y Groff (2019) propusieron el Modelo educativo de Cuatro Dimensiones en el que el conocimiento, las habilidades, el carácter y las competencias de meta-aprendizaje son dimensiones que deben explorarse para rediseñar con éxito un plan de estudios. La mentalidad tradicional de pensar y diseñar un plan de estudios se centra en la transferencia de conocimiento. Wilson (1999) señala que la humanidad se está ahogando en información mientras se muere de hambre por sabiduría. El mundo en adelante estará dirigido por sintetizadores: personas capaces de reunir la información correcta en el momento correcto, pensar críticamente al respecto y tomar decisiones importantes sabiamente. A continuación, presentaremos tres grupos metodológicos que pueden ayudar a explicar la interfaz entre Macrodatos, IA y Educación: investigación, aplicación y evaluación.

Investigación, aplicación y evaluación

Los experimentos en educación necesariamente implican el estudio sistemático de formas particulares de aprendizaje. Este contexto se somete a investigación, prueba y revisión, y en esta investigación, ofrecemos la netnografía como un método de investigación seguido de tres ejemplos de aplicación que pueden ser vistos por los métodos: Educación Basada en Competencias (Competency Based Education o CBE), Modelo de Cuatro Dimensiones y Modelo de Brújula de la OCDE.