Los algoritmanos, prototipando IA de bajo coste

Hoy tengo que empezar confesando un placer culpable. Me gustan mucho programas como la Casa de Empeños y todos estos que repiten una y otra vez en las cadenas “temáticas” sobre gente rebuscando en chatarra buscando tesoros.

En realidad, lo que más me gusta es aprender sobre la tecnología del pasado y cómo los innovadores de hace décadas solucionaban retos con las limitaciones tecnológicas que tenían. 

Hacía mucho que no veía uno de esos programas, así que quizá ya tienen capítulos nuevos, pero el otro día encontré un pequeño tesoro en uno de esos programas que compensa las horas de tiempo perdido viéndolos, el Multiphone

Este aparato de los años 30, competía con las jukebox en ofrecer música en bares y cafeterías de EEUU. Y lo hacía ofreciendo mayor cantidad de canciones disponibles (probablemente también peor calidad de sonido). Si una jukebox de aquella época sólo podía ofrecer entre 20 y 50 canciones, con la complicación además de actualizarlas, el maravilloso Multiphone ofrecía 170 y además con una actualización de la oferta muy frecuente.

¿Y cómo lo conseguía? En realidad, podríamos decir que el Multiphone fue un prototipo de los servicios de streaming de música, y si me apuras, de la nube. 

El dispositivo no era más que un teléfono que cuando el usuario introducía la moneda llamaba a una centralita, y con el número de la canción deseada, una persona cogía el disco, lo ponía en un tocadiscos y lo hacía sonar a través del Multiphone.

En realidad, el Multiphone no era más que cartón piedra, y el dispositivo, aunque parecía casi mágico, tenía muy poca tecnología.

Hace unos años, el gran Raúl G. Serapio, me contaba que había contactado con una startup americana que decía que su tecnología era capaz de contar la cantidad de producto que había en un lineal de una tienda con una fotografía. Después de hablar con ellos largo y tendido e interesarse por la tecnología, consiguió sonsacarles que en realidad todavía no tenían el maravilloso sistema de visión artificial con redes neuronales y tecnologías de aprendizaje profundo que sin duda alguna conseguiría hacer eso, sino que en realidad mandaban las fotografías a Pakistán dónde una empresa de servicios de outsourcing procesaba las imágenes “manualmente”.

Es decir, una persona era la que contaba los envases de producto. Raúl lo describió con un nombre que no me parece muy apropiado en estos tiempos de corrección política, así que me vais a permitir que lo bautice, de forma muy poco original hay que decirlo, como algoritmano. Los anglosajones lo llaman la “Técnica del Mago de Oz” y tiene muy mala prensa (en algunos casos muy merecida).

En realidad, lo que hacía esta gente (y lo que hacía también Multiphone) está muy mal visto por la parte ingenieril del mundo de las startups pero debería ser encumbrado cómo una de las mejores herramientas de prototipado para proyectos que necesiten de una maduración tecnológica compleja y larga.

Y aunque no es algo que resulte fácil reconocer porque quita puntos como ninja AI coding master, esto de los algoritmanos lo han utilizado muchas e importantes empresas en su historia. 

Yahoo utilizó a personas para construir su directorio web desde el principio. De hecho, llegaron a utilizarlo para hablar de ventaja competitiva frente a Google (y algunos se lo llegaron hasta a creer).

También hace años, una startup que consiguió levantar bastante dinero llamada Spinvox, lanzó un servicio de conversión de voz a texto que después se supo que estaba principalmente basado en que personas lo hicieran manualmente.

Startups que se dedican al mundo de los asistentes personales de correo y agenda, como X.ia o Clara, han utilizado personas para poder lanzar el servicio y empezar a generar tracción con usuarios reales. Las personas leían los correos, se aseguraban de que la máquina entendía bien el significado de los mismos, corregían las respuestas, y finalmente daban el ok a los correos que supuestamente mandaba el asistente. 

Google ha utilizado humanos varias veces para realizar tareas que viniendo de Google, tenderíamos a pensar que están automatizadas. Por ejemplo, la monitorización de vídeos en Youtube.

Y no sólo para la moderación de contenidos, el “campeón” de los chatbots utilizó profusamente personas para estar detrás de M, el asistente virtual que facebook lanzó para su messenger y que cerró a principios de año. 

No cabe duda de que muchos de estos ejemplos no son muy positivos, e incluso a alguno le recordará el ejemplo del fake it ‘till you make it de Theranos. Y aquí es dónde podemos hablar de los tres principales usos de los algoritmanos

El primero, y el que hay que evitar a toda costa, el de engañar a usuarios e inversores intentando demostrar que tienes una tecnología que no tienes. Ahora hablaremos un poco más de esto, pero la gran mayoría de startups validan una hipótesis de modelo de negocio. Sin embargo, hay un porcentaje pequeño de startups que vienen muy del mundo del I+D en el que la empresa es la validación de una tecnología. En este caso, no se deberían ni plantear el utilizar algoritmanos para sustituir esa tecnología.

Un ejemplo de línea roja debería haber sido la que se saltaron estos emprendedores rusos.

Antes hablábamos de Thereanos. Theranos tenía una innovación en el modelo de negocio de los análisis de sangre. Pero esta novedad dependía totalmente en una nueva tecnología que permitía unos ahorros de costes importantes. Sin esa tecnología, no había nada, así que el aplicar algoritmanos a esto (o en este caso concreto, la antigua tecnología no automatizada) era simplemente hacerse trampas al solitario. 


Este ejemplo de los años 60 en el Reino Unido es impresionante

En un segundo grupo estarían las que siendo un sistema de IA clave para su negocio, necesitan entrenar bien esa IA antes de dejarla 100% “libre”. Este es un uso típico y totalmente legítimo de los algoritmanos, y de hecho esto se ha convertido en un trabajo para mucha gente. Trabajo que no existía hace muy pocos años, el de “Entrenador de IAs”. También empresas empresas que se enfrentan a crisis repentinas, por ejemplo con moderación de contenidos, tiran de ellos habitualmente para solucionar el problema a corto plazo mientras desarrollan la IA que solucione el problema definitivamente. 

Y finalmente, estaríamos en el grupo en el que la startup es una validación de un modelo de negocio. De hecho, estas son la mayoría aunque ellas a veces no sean plenamente conscientes porque están cegados por la tecnología. Para estas, creo que explorar el uso de algoritmanos en los procesos de prototipado, e incluso en las primeras fases del escalado, debería ser casi obligatorio. 

Pero deberían seguir unas reglas. La primera, no engañar a nadie. Ni a clientes, ni a socios e inversores, ni por supuesto, a ellos mismos pensando que tienen una solución definitiva.

En esa línea, hay que tener claro que los seres humanos “escalan” mal. No es viable utilizar los algoritmanos más allá del prototipado o fase muy inicial del negocio, así que es fundamental trabajar desde el principio en ir automatizando esas tareas y hacerlo poco a poco pero de forma continua. De la misma forma hay que ir viendo analizando muy rápidamente las asunciones que hicimos sobre la capacidad de la tecnología e ir adaptando el plan.

Y esa adaptación puede ser perfectamente cerrar el negocio o el proyecto. Para eso es la fase de prototipado, para entender lo antes y lo más barato posible que algo no funciona. No hay nada peor que quedarse enganchado en algo que no debía haber pasado de prototipo pretendiendo que es una solución a largo plazo y echándole dinero con la esperanza de que un avance tecnológico maravilloso nos solucione el problema. Theranos se gastó más de mil millones así.

Está claro que hay muchos ejemplos de abuso de esta técnica del Mago de Oz y es normal que tenga cierta mala fama. Sin embargo, los algoritmanos me parecen una herramienta fabulosa que bien utilizada debería ser un buen comienzo para cualquier startup o proyecto.

@resbla

Comentarios bienvenidos!

A %d blogueros les gusta esto: