Durante décadas hemos sido testigos de los grandes beneficios de los algoritmos en la toma de decisiones. En el mundo real, su aplicación va desde diagnósticos médicos y sentencias judiciales hasta el reclutamiento profesional y la detección de criminales. Sin embargo, a medida que se han ido extendiendo como consecuencia del avance tecnológico, han surgido reivindicaciones que exigen una mayor responsabilidad con su implementación, enfocado en la preocupación sobre la transparencia y la equidad del Machine Learning. En concreto, esta incertidumbre surge por la capacidad de recrear sesgos históricos para normalizar y amplificar las desigualdades sociales a través de discriminación algorítmica. Una temática que ha analizado José Carlos Baquero, Director de Inteligencia Artificial y Big Data en Secure e-Solutions de GMV, y que ha hecho reflexionar a los asistentes del Codemotion Madrid.

Los avances en el aprendizaje automático han llevado a las empresas y la sociedad a confiar en los datos, partiendo de que su correcto análisis genera decisiones más eficientes e imparciales que las humanas. Pero, “a pesar de que una decisión tomada por un algoritmo esté hecha de acuerdo con criterios objetivos, puede suponer una discriminación no intencionada. Las máquinas aprenden de nuestros prejuicios y estereotipos, y si los algoritmos que emplean se están convirtiendo en la clave de nuestras actividades cotidianas, la necesidad de entender sus impactos en la sociedad es una cuestión urgente que tenemos que tratar” argumenta Baquero. Es por ello que debemos exigir un análisis sistemático de los procesos algorítmicos y la generación de nuevos marcos conceptuales, legales y regulatorios para garantizar los derechos y la equidad humana en una sociedad hiperconectada y globalizada. Una tarea que evidentemente hay que desempeñar conjuntamente las organizaciones y los gobiernos.

Durante su ponencia, José Carlos Baquero ha expuesto algunos casos recientes de esta problemática, como la herramienta de Inteligencia Artificial de Amazon para contratar empleados que discriminaba sistemáticamente a las mujeres. En este caso, el programa llegó a la conclusión de que los hombres eran mejores candidatos y tendía a dotarles de mayor puntuación al revisar su currículum. Esto es solo uno de los ejemplos mostrados que plantea que cada vez surgen más inquietudes sobre la pérdida de transparencia, responsabilidad y equidad de los algoritmos debido a la complejidad, opacidad, ubicuidad y exclusividad del entorno.

En busca de modelos predictivos equitativos

Independientemente de cómo se ajuste el algoritmo, todos tendrán sesgos. Al fin y al cabo, las predicciones se basan en estadísticas generalizadas, no en la situación individual de alguien. Pero podemos utilizarlos para lograr decisiones más sabias y justas que las que los seres humanos hacen por sí solos. Para ello necesitamos intensificar y buscar nuevas formas para mitigar la discriminación emergente en los modelos. Además, debemos de estar seguros que las predicciones no perjudiquen injustamente a la sociedad con ciertas características sensibles (género, etnia, etc.).

Algunas aproximaciones expuestas por José Carlos Baquero fueron la necesidad de poner foco en la interpretación y transparencia, permitiendo interrogar a los modelos complejos, o hacer modelos más robustos y justos en sus predicciones, modificando la optimización de las funciones y añadiendo restricciones.

En definitiva, “construir modelos predictivos imparciales no es tan sencillo como quitar algunos atributos sensibles de los datos de entrenamiento. Es evidente que se requieren técnicas ingeniosas para corregir el profundo sesgo de los datos y forzar a los modelos a realizar predicciones más imparciales. Todo ello suponiendo una reducción del desempeño de nuestro modelo, pero considerado un pequeño precio a pagar para dejar atrás el mundo sesgado de ayer y construir un mañana más justo” concluyó Baquero.