Este blog forma parte de una serie sobre las 10 tecnologías emergentes más destacadas de 2014.
El término «quantified self» parece variar en su definición según quién lo utilice. Lo que entendemos por quantified self en el contexto de las tecnologías emergentes es el uso de sensores para reconocer el comportamiento de las personas y, después, interpretarlo mediante algoritmos de aprendizaje automático para comprender nuestros estados psicológicos y físicos subyacentes.
Algunos de estos sensores existen desde hace mucho tiempo, pero solo recientemente se han abaratado tanto que hoy las personas llevan en el bolsillo, en forma de teléfono móvil, un sofisticado conjunto de sensores. Mientras tanto, el aprendizaje automático ha alcanzado un punto en el que la combinación de datos procedentes de esos sensores puede utilizarse para predecir el estado subyacente de una persona, como la depresión, la fatiga, el sobrecalentamiento o cualquiera de otras muchas situaciones.
Por ejemplo, imagine que su tía abuela, que tiene 70 y tantos años, trabaja en una pequeña tienda de comestibles de un pueblo a unas millas de donde vive. Los datos de su teléfono móvil muestran que cada día sale de casa, pasa por la cafetería local a tomar una taza de té y después hace una llamada mientras camina un par de millas hasta el trabajo. Al terminar la jornada, llama para concertar una visita con una amiga, se detiene en una tienda de camino para comprar un pastel, visita a su amiga y luego regresa a casa.
Como familiar cercano, usted tiene acceso a los registros de su teléfono móvil y a los datos de los sensores de este, como los datos GPS. Imaginemos dos escenarios: en primer lugar, un día se da cuenta de que solo va de casa al trabajo y del trabajo a casa, con alguna visita ocasional al supermercado, pero nada más. En el segundo escenario, no sale de la casa en absoluto. ¿Qué le indicarían esas situaciones?
En el primer caso, su comportamiento es característico de la depresión. Va al trabajo porque todavía necesita ganarse la vida, pero reduce su contacto social a prácticamente nada. Quizá quiera hablar con ella para asegurarse de que se encuentra bien en lo que respecta a su estado mental.
En el segundo caso, le preocuparía mucho su estado físico. Querría comprobar cómo está con bastante urgencia o pedir a un vecino que la visite para asegurarse de que no se ha caído.
El acceso a todas estas fuentes de datos permite que los algoritmos de aprendizaje automático comparen los niveles de actividad de su tía con sus datos de comportamiento habitual y los contrasten con el comportamiento de la población general en situaciones de buena y mala salud. Incluso sin su intervención, el teléfono móvil podría llamarle y decirle: «Revise a su tía» o «Revise a su tía en este mismo momento».
Estos sensores también pueden utilizarse para ayudarnos a comprendernos a nosotros mismos. Por ejemplo, en este momento llevo puesta una Jawbone UP. La Jawbone contiene un sensor: un acelerómetro. Mide cuánto me muevo durante el día y cuánto me muevo por la noche. Con estos datos, deduce cuántos pasos camino durante el día, cuánto tiempo duermo y si, durante ese periodo, estoy en sueño profundo o en sueño ligero durante la noche.
Utilizo los datos de la Jawbone para extraer mis propias conclusiones sobre mi sueño a partir de mi ejercicio. Sé a qué hora hago ejercicio durante el día y sé lo bien que he dormido. Casualmente, he leído un artículo que decía que, si se hace ejercicio demasiado tarde en el día, este mantiene despierto. Así que, cuando veo que no duermo bien, puedo intentar trasladar mi ejercicio a una hora más temprana del día.
Cada mañana miro el gráfico que muestra cuándo estoy en sueño ligero y cuándo en sueño profundo, e intento extraer patrones de él. El patrón que más me llama la atención es que siempre estoy en sueño profundo entre las 05.30 y las 06.45, a menos que me haya despertado una alarma durante ese periodo. Eso significa que, si pongo la alarma a las 06.15, me estoy privando del sueño profundo. En cambio, puedo retrasar la hora de acostarme y de levantarme, para así disfrutar de ese periodo de sueño profundo.
Cada vez más personas llevan dispositivos similares de Fitbit, Jawbone, Body Media y otras marcas, o utilizan en sus teléfonos inteligentes software con objetivos parecidos. Se publican cada vez más aplicaciones para teléfonos móviles que permiten, por ejemplo, introducir los alimentos que se consumen y obtener su valor calórico, o indicar dónde hay un restaurante saludable cerca de donde uno se encuentra. La industria aprovecha el mayor interés, y ese interés creciente procede de la mayor variedad de productos del sector.
Estas aplicaciones no llaman a su médico. No le gritan. Lo que hacen es mostrarle lo que ha hecho y darle retroalimentación, quizá con algunos consejos de tono positivo sobre lo que es capaz de lograr. Para muchas personas, eso basta para cambiar su comportamiento. Por eso, a esto lo llamamos objetos para pensar, objetos de autorreflexión. El hecho de enfrentarnos a nuestro comportamiento nos permite cambiarlo.
A medida que el análisis de este tipo de datos mejora, resultará más útil. Por ejemplo, los datos sobre el sueño son especialmente interesantes para las personas mayores, ya que las alteraciones del sueño aumentan con la edad. Aunque el número de estos sistemas está creciendo, no siempre están dirigidos a particulares. Hay aplicaciones que recopilan todo tipo de información sobre nosotros, como nuestras preferencias publicitarias, el tipo de noticias que leemos y otros datos, que se envía de vuelta a las empresas que están detrás de las aplicaciones. Uno de los objetivos del movimiento Quantified Self es animar a las personas a ser ellas mismas las productoras y consumidoras de sus propios datos, en lugar de terceros o, quizá, además de ellos.
Soy codirector de una nueva alianza entre Yahoo! y la Universidad Carnegie Mellon para llevar a cabo una personalización masiva de los dispositivos móviles. Ahora podemos hacerlo porque los sensores se han abaratado mucho, muchas personas tienen teléfonos inteligentes y porque los campos del aprendizaje automático y de la interacción persona-ordenador han avanzado a pasos agigantados.
Su dispositivo móvil debería mostrarle noticias que le interesen y noticias que podrían interesarle, pero no noticias que nunca le van a interesar. Cuando accede a Yahoo! News, por ejemplo, no quiere perder el tiempo pasando páginas de muchas noticias que no le van a interesar, y su dispositivo móvil debería ser capaz de ver lo que ha leído en el pasado e inferir de ello lo que le gustaría leer en el futuro.
Dado que su dispositivo móvil también sabe dónde se encuentra, sabe que una noticia que normalmente no le interesaría cobrará relevancia si ocurre cerca. Y si tiene un billete para ir a algún lugar, es probable que quiera leer noticias sobre el sitio al que su calendario indica que va a viajar.
Cada vez será más habitual que tengamos acceso a datos sobre nosotros mismos y que compartamos cada vez más esos datos con personas que puedan ayudarnos, pero seremos sus propietarios. Puede imaginarse que a una aseguradora le interesaría mucho que usted se mantuviera sano, así que este tipo de aplicaciones, junto con un contador de pasos, podrían distribuirse con su nuevo seguro de salud. Esto nos lleva a otro tema: sus historiales médicos personales.
Del mismo modo que los jóvenes tienen actitudes muy distintas en materia de privacidad, creo que veremos menos preocupación por la privacidad de nuestra salud personal. Al mismo tiempo, habrá una actitud de consumidor más astuta respecto a la atención sanitaria, que llevará a las personas a querer tener el control de su propia atención sanitaria y, por tanto, a disponer de sus propios historiales médicos personales.
Asimismo, cada vez será más difícil que las empresas retengan nuestros datos y no los liberen. Simplemente, no se tolerará que alguien más sea propietario de nuestros datos y no nos dé acceso a ellos en el futuro.
Por el momento, los datos de los que hablamos los recogerán sensores en pulseras, teléfonos inteligentes y relojes conectados, pero eso cambiará. Un audífono no es más que un sensor colocado en el oído, y una lente de contacto no es más que una especie de sensor colocado en el ojo. Cada vez más, esos sensores se integrarán en la ropa o en accesorios como las gafas, como Google Glass, y desde allí pasarán a nuestro cuerpo.
La piel es una barrera a la que, por ahora, no estamos dispuestos a renunciar. Es una frontera a la que nos aferramos, pero a medida que la gente se dé cuenta de que ya son ciborgs de alguna manera —de que ya utilizan dispositivos de asistencia—, creo que la piel será cada vez menos una barrera exclusiva frente a la tecnología, y que los dispositivos que nos permiten cuantificarnos a nosotros mismos pasarán al cuerpo.
Justine Cassell es directora del Instituto de Interacción Humano-Computadora de la Universidad Carnegie Mellon en Estados Unidos, y miembro del Consejo de la Agenda Global sobre Tecnologías Emergentes del Foro Económico Mundial.
Imagen: Una mujer se toma una fotografía a sí misma en el condado de Shexian, China. REUTERS/Stringer