El objetivo principal de este post es compartir 7 puntos relacionados con la recientemente lanzada Política Nacional de Inteligencia Artificial para Chile que creo son muy relevantes al momento de liderar o participar en cualquier proyecto relacionado con datos e IA (D&IA).
Espero que al leer este artículo encuentres una guía útil en el contexto de proyectos relacionados con D&IA, sobre todo pensando en las primeras etapas de éstos, en donde es relevante (e incluso crítico) invertir tiempo en abordar temas como la definición y levantamiento de objetivos, recursos, plazos, riesgos, etc.
Si este post genera suficiente interés e interacciones, estaré escribiendo una segunda parte sobre este tema, así que no olvides dejar tu feedback acá 🙂
Índice de Contenidos.
¿Por qué escribo este post?
Este post es parte de una trilogía de artículos, en donde estaré escribiendo sobre algunos de los principales conceptos asociados al mundo de los datos: data science, machine learning e inteligencia artificial (este post).
Además, estos 3 artículos son la continuación del post “¿Qué son el Data Science, Big Data, Inteligencia Artificial, Machine Learning y Deep Learning (y en qué se diferencian)?” en donde comparto definiciones simples pero resumidas sobre estos conceptos.
Y todo esto como parte de mi proceso de actualización como científico de datos (¡la profesión más sexy del siglo XXI!).
¿Quién debería leer este post?
Este post debería interesarte si eres una persona que lidera y/o participa en proyectos relacionados con datos e IA (ciencia de datos, big data, visualización, machine learning, etc.)
También te podría interesar si quieres comenzar a adentrarte en el mundo de los datos y de la inteligencia artificial, ya seas un/a estudiante de pregrado, o quieras cambiar de trabajo a un rol relacionado. O también si eres líder en una organización en la cual se esté comenzando a hablar de estos temas.
Mis descargos de responsabilidad 🙂
Antes de comenzar, te dejo algunos comentarios para que le saques el mayor provecho a lo que viene:
- Sabiendo la relación y diferencias entre distintos conceptos como inteligencia artificial, ciencia de datos, machine learning, etc., en el contexto de este post usaré, en ocasiones, de manera indistinta dichos términos, ya que los puntos que levanto desde la Política Chilena de IA aplican para todos, casi de igual manera.
- Con el objetivo de simplificar y hacer más ameno este post, a veces haré comparaciones sin entrar en todo el detalle que se podría, sino que me enfocaré en los temas de fondo. Por ejemplo, entiendo que una política nacional a largo plazo sobre IA no es lo mismo que un proyecto de inteligencia artificial en una empresa. Sin embargo, me concentraré en los puntos comunes de ambos mundos con un propósito educativo.
- Por último, me gustaría que este post (y el blog en general) sea un punto de partida para que sigamos conversando sobre estos temas, así que si quieres enviarme comentarios, observaciones, felicitaciones, o lo que te nazca, sólo haz clic aquí 🙂
Política Nacional de Inteligencia Artificial para Chile.
En el año 2021, el Ministerio de Ciencia, Conocimiento, Tecnología e Innovación de Chile, lanzó la Política Nacional de Inteligencia Artificial, cuyo objetivo central es “Insertar a Chile en la vanguardia y colaboración global relacionada con IA, con un ecosistema de investigación, desarrollo e innovación en IA que cree nuevas capacidades en los sectores productivos, académicos y estatales, y que orientadas acorde a principios transversales de oportunidad y responsabilidad, contribuyan al desarrollo sustentable y mejoren nuestra calidad de vida”.
En el proceso de diseño y definición de dicha política participaron más de 5.000 personas con distintas profesiones y experiencias, destacando el comité de expertos que se muestra a continuación:
En este post estaré usando como principal referencia y punto de partida esta política de IA para Chile para desarrollar ideas sobre ciertos puntos que creo son muy relevantes a la hora de diseñar y desarrollar cualquier proyecto relacionado a datos e IA.
7 elementos relevantes de la Política chilena de Inteligencia Artificial para cualquier proyecto de datos e IA.
Punto #0: ¿Qué ^@*#$ es la IA?
Partiendo por lo básico, mas para nada irrelevante, quiero destacar las 2 definiciones que se presentan en el documento sobre la Inteligencia Artificial:
La primera, elaborada por la Universidad de Montreal plantea que la IA es “el conjunto de técnicas informáticas que permiten a una máquina (por ejemplo, un ordenador, un teléfono) realizar tareas que, por lo común, requieren inteligencia tales como el razonamiento o el aprendizaje” (Dihlac et al., 2020, p. 4).
Por otro lado, la OCDE propone que la IA es “un sistema computacional que puede, para un determinado conjunto de objetivos definidos por humanos, hacer predicciones y recomendaciones o tomar decisiones que influyen en entornos reales o virtuales. Los sistemas de IA están diseñados para operar con distintos niveles de autonomía” (Organización para la Cooperación y Desarrollo Económico, 2019, p. 12-13; Cabrol et al., 2020, p. 10).
Al comparar ambas definiciones nos podemos percatar que, a pesar de que la segunda es más completa y/o detallada que la primera, ambas van en la misma línea.
Esto es lo que creo que sucede actualmente con las definiciones existentes sobre Inteligencia Artificial (que no pasaba hace no muchos años): A pesar de que podemos encontrar muchas definiciones, a priori, distintas, la gran mayoría converge a un core, que es “máquinas que realizan tareas que requieren cierto nivel de inteligencia”.
Antes de continuar, recuerda que si deseas conocer más sobre qué es la IA y cuál es su relación con otros conceptos como machine learning, data science, etc. puedes revisar acá.
Punto #1: IA en nuestra sociedad ¡Este es el momento!
Tal como se menciona en el documento, el concepto de Inteligencia Artificial comenzó a desarrollarse en la década de 1950 (Ronseblatt, 1950; Minsky, 1961), sin embargo es en la actualidad en donde la IA ha comenzado a “explotar” en cuanto a adopción.
Y lo anterior sucede principalmente por los siguientes aspectos:
- Explosivo aumento en la cantidad de datos disponibles.
- Capacidad de cómputo en ordenadores / computadores.
- Más personas capaces de desarrollar IA.
- Avance de otras tecnologías complementarias.
Con los aspectos anteriores, busco reforzar el punto de que es EL momento para dedicarse a la IA. Ya que están dadas las condiciones para impactar de forma positiva a nuestra sociedad a través de este campo como nunca antes.
¡Y no es para nada tarde si quieres comenzar! ¡Esto recién se está iniciando en términos concretos! Queda mucho por hacer, por descubrir y por crear 🙂
Y si no sabes por dónde comenzar, aprende a programar.
Punto #2: «Esqueleto» de la política de IA.
Uno de los aspectos que más me llamó la atención sobre la Política chilena de IA es cómo está estructurada y la utilidad de dicha estructura para cualquier proyecto relacionados a datos e IA.
En concreto, el “esqueleto” de la política se conforma de:
- Objetivo x1.
- Insertar a Chile en la vanguardia y colaboración global relacionada con IA, con un ecosistema de investigación, desarrollo e innovación en IA que cree nuevas capacidades en los sectores productivos, académicos y estatales, y que orientadas acorde a principios transversales de oportunidad y responsabilidad, contribuyan al desarrollo sustentable y mejoren nuestra calidad de vida.
- Principios x4.
- IA con centro en el bienestar de las personas, respecto a los derechos humanos y la seguridad.
- IA para el desarrollo sostenible.
- IA inclusiva.
- IA globalizada y en evolución.
- Ejes x3.
- Factores habilitantes.
- Desarrollo y adopción.
- Ética, aspectos normativos, y efectos socioeconómicos.
Aprovechando esta muy buena estructura, la tomo como referencia y punto de partida para generalizarla en el contexto de proyectos de data e IA, presentando preguntas clave a abordar al comienzo de dichos proyectos:
- ¿Qué queremos lograr? (objetivo)
- ¿Cómo mediremos el éxito del proyecto? (métricas)
- ¿Por qué queremos lograr estos objetivos? (motivación)
- ¿Cómo lograremos los objetivos? (plan de trabajo, gestión del cambio, etc.)
- ¿Qué plazos e hitos definiremos como relevantes?
- ¿Qué necesitamos para lograr los objetivos? (datos, talentos, capacidades, recursos, infraestructura, etc.)
- ¿A quiénes afectará nuestro proyecto y cómo?
- ¿Qué elementos guiarán y darán un marco a nuestro proyecto? (principios, normas y/o leyes, etc.)
Punto #3: Participantes.
No obstante la Inteligencia Artificial es un tema mayoritariamente técnico, en la definición de la política participaron más de 5.000 personas con distintas profesiones y experiencias. Y sólo considerando su “núcleo” de 12 expertos, encontramos desde Abogados a Ingenieros, pasando por Economistas, Físicos y Periodistas, entre otras profesiones.
De forma análoga, cuando nos enfrentemos a proyectos de D&IA, debemos “mapear” a las personas / roles que podrían ser clave en el éxito del proyecto.
Lo anterior, tratando de “pensar fuera de la caja” y tomando en consideración el famoso (?) dicho “es mejor que so-sobre, a que fa-falte” (obviamente, buscando siempre un equilibrio razonable).
Así, en mi experiencia, actores relevantes en los cual no siempre pensamos pero que generalmente aportan mucho valor en los proyectos de D&IA son:
- Dueños del proceso: Aquellas personas responsables del proceso en el cual vamos a intervenir o sobre el cual vamos a realizar análisis de información. Nos aportarán dominio para luego comprender mejor las particularidades de la data y validar resultados.
- Actores del proceso: Complementando el punto anterior, las personas que participan en el día a día del proceso, nos podrán compartir sus experiencia, dominio y, además, nos podrán transmitir sus desafíos de forma directa.
En resumen, procuremos no caer en la tentación de desarrollar proyectos de IA y/o data science sólo con personas que conozcan de estos temas, sino que “abramos” nuestras mentes a recibir miradas y experiencias distintas y, más importante aún, valiosas para nuestros proyectos.
Punto #4: Plan al 2031 (A.K.A. “resiste la presión y realiza entregas parciales”).
La fecha de “cierre” de la política chilena sobre IA es el 2031, es decir, el plazo original es de 10 años.
¿Se imaginan declarar que el plazo necesario para cerrar uno de nuestros proyectos es de 1 década?, ¿o incluso de 1 año? ¿Qué creen que pasaría si le decimos al Gerente General de la empresa que para resolver su requerimiento necesitamos, digamos, 3 meses?, ¿cuál sería su reacción?
Es muy normal (y no necesariamente malo) que nos enfrentemos a situaciones en donde nos “invitan” a terminar los proyectos y conseguir los objetivos en el menor tiempo posible.
Sin embargo, debemos ser responsables y definir plazos acordes a los objetivos que queremos lograr y a la dificultad asociada a las tareas que debemos llevar a cabo.
Si no hacemos esto, es muy probable que la calidad de nuestros entregables no sea la mejor y/o que debamos esforzarnos más allá de lo razonable (e incluso, de lo saludable).
Así, trata siempre de buscar el equilibrio. Empatiza con tus clientes internos, aprende sobre negociación y, sobre todo, define entregables preliminares y concretos a lo largo de todo el proyecto.
Con esto último, calmamos ansiedades y, además, recibimos feedback de los distintos actores relevantes, a tiempo para reaccionar.
Punto #5: Impacto (medible) de la IA.
En términos concretos, según el BID, el impacto de la IA en el crecimiento económico futuro de Chile será tal que la tasa de crecimiento del país podría incrementarse por esta tecnología en 1 punto porcentual por cada 3 puntos de crecimiento al 2035 (BID, 2018).
Y claro, estamos de acuerdo que, aunque lo anterior suena prometedor y atractivo, es importante medir el impacto a nivel global a posteriori, lo cual es para nada trivial pero muy relevante.
Con esto pretendo explicitar la relevancia de unos de los puntos más difíciles, menos abordado y más importante en los proyectos de IA: la medición del impacto de forma concreta (ya sea a priori o de forma posterior al desarrollo del proyecto).
Además, este punto toma mayor relevancia en el contexto de tecnologías emergentes y/o disruptivas (como en este caso), debido a factores como, por ejemplo, la resistencia al cambio.
Así que, cada vez que lideres o participes en proyectos de IA, busca la forma de medir los impactos en términos cuantitativos. Esto aportará en experiencia, en los procesos de aprendizaje y en los beneficios futuros en este campo.
Punto #6: Principios a considerar en la IA.
Relacionado y complementando el punto #2 ya presentado («Esqueleto de la política de IA»), en el primer estándar internacional en materia de inteligencia artificial, que fue desarrollado por el Consejo de IA de la OCDE, se plantean 5 principios a tener en consideración.
Esto son:
- Crecimiento inclusivo, desarrollo sustentable y bienestar.
- Centrado en el ser humano y justicia.
- Transparencia y explicabilidad.
- Robustez, seguridad y protección.
- Responsabilidad y rendición de cuentas (accountability).
En mi experiencia, no son muchos los proyecto asociados a IA, tanto en empresas como en otro tipo de organizaciones, en donde se abordan de forma explícita estos principios, lo cual es un gran desafío para quiénes somos actores en este campo.
Para facilitar lo anterior, les dejo esta tabla con preguntas clave a abordar al momento de comenzar o desarrollar un proyecto de D&IA:
Punto #7: Ciencia de datos como herramienta social.
Finalmente, tomando directamente los dichos de la Subsecretaria de Ciencia, Tecnología, Conocimiento e Innovación, Carolina Torrealba: “Necesitamos una nueva forma de pensar sobre la ciencia de datos, que nos permitan usarlos en beneficio de la población, de modo de cerrar y no amplificar las brechas que persisten en nuestra sociedad”.
Simple y directo pero, a la vez, no tan común como quisiéramos.
Cada vez que enfrentamos un proyecto de data science, es nuestra responsabilidad preocuparnos por este tema y plantearnos preguntas como:
- ¿Este proyecto aumentará el bienestar de la población?, ¿cómo?
- ¿Cómo este proyecto se hace cargo de los sesgos, desigualdades y brechas existentes en la sociedad?
Y, tomando conciencia de lo difícil que es aunar los objetivos de una empresa con el aumento explícito de bienestar de la sociedad, creo que es un desafío que debemos tomar como científicos de datos.
Palabras al cierre (resumen).
Espero que este post sea de mucha utilidad para ti si lo que buscas es una guía en el contexto de proyectos relacionados con D&IA, sobre todo pensando en las primeras etapas de éstos, en donde es relevante (e incluso crítico) invertir tiempo en abordar temas como la definición de objetivos, recursos, plazos, riesgos, etc.
Antes de finalizar, te dejo un resumen de los principales puntos que abordamos:
En el año 2021, el Ministerio de Ciencia, Conocimiento, Tecnología e Innovación de Chile, lanzó la Política Nacional de Inteligencia Artificial.
Tomando lo anterior como referencia, destaco conceptos relevantes para cualquier proyecto de datos e IA, los cuales son:
- Definición de IA: máquinas que realizan tareas que requieren cierto nivel de inteligencia.
- Debido a aspectos como el explosivo aumento en la cantidad de datos disponibles, la capacidad de cómputo en ordenadores / computadores, más personas capaces de desarrollar IA y el avance de otras tecnologías complementarias, este es EL momento para dedicarse a la IA. Ya que están dadas las condiciones para impactar de forma positiva a nuestra sociedad a través de este campo como nunca antes.
- Preguntas clave a abordar al comienzo de proyectos de D&IA:
- ¿Qué queremos lograr? (objetivo)
- ¿Cómo mediremos el éxito del proyecto? (métricas)
- ¿Por qué queremos lograr estos objetivos? (motivación)
- ¿Cómo lograremos los objetivos? (plan de trabajo, gestión del cambio, etc.)
- ¿Qué plazos e hitos definiremos como relevantes?
- ¿Qué necesitamos para lograr los objetivos? (datos, talentos, capacidades, recursos, infraestructura, etc.)
- ¿A quiénes afectará nuestro proyecto y cómo?
- ¿Qué elementos guiarán y darán un marco a nuestro proyecto? (principios, normas y/o leyes, etc.)
- Define plazos responsable y realistas y realiza entregas parciales durante el proyecto.
- Siempre mide el impacto de todo proyecto de D&IA.
- Usemos la ciencia de datos como herramienta social, preocupándonos sobre cómo el proyecto se hace cargo de los sesgos, desigualdades y brechas existentes en la sociedad.
Si quieres saber más o te gustaría que publique sobre algún otro tema, no dudes en escribirme. También puedes escribirme si tienes alguna duda o si quieres darme feedback. Por último, sería genial seguir en contacto a través de mis redes sociales, como Twitter y LinkedIn (también sígueme en Instagram que tengo Instagram).
🙂