Los algoritmos, el software y las tecnologías inteligentes tienen una presencia cada vez mayor en ciudades de todo el mundo. La inteligencia artificial (IA), el modelado basado en agentes, el internet de las cosas y el aprendizaje automático se encuentran prácticamente en todas partes hoy en día, desde farolas hasta contenedores de basura, semáforos y automóviles. Además, estas tecnologías también influyen en la forma en que se planifican las ciudades, orientando decisiones importantes sobre nuevos edificios, proyectos de transporte e infraestructuras.
Los habitantes de las ciudades tienden a aceptar la presencia de estas tecnologías de forma pasiva, si es que llegan a notarla. Sin embargo, esta aceptación se ve interrumpida de vez en cuando por una alarma intermitente en torno a la privacidad; basta, por ejemplo, con los últimos planes de Transport for London para hacer un seguimiento de los trayectos de los pasajeros en toda la red de transporte mediante wifi, lo que suscitó críticas por parte de expertos en privacidad. Si existiera una comprensión más generalizada del funcionamiento de estas tecnologías, los ciudadanos estarían en mejores condiciones para valorar qué datos están dispuestos a compartir y cómo proteger mejor su privacidad mientras se desplazan por la ciudad.
Por eso, en un estudio reciente, me propuse desentrañar cómo funcionan algunos de los algoritmos que hay detrás de la IA y el aprendizaje automático, y el impacto que tienen en contextos urbanos familiares, como las calles, las plazas y los cafés. Pero, en lugar de intentar explicar las misteriosas matemáticas que hay detrás del funcionamiento de los algoritmos, empecé a analizar cómo “ven” realmente el mundo en el que vivimos.
Cómo “ven” los algoritmos
Si realmente queremos ver lo que ven las máquinas, debemos obligarnos a pensar como los ordenadores. Esto implica prescindir de todo lo que solemos percibir con nuestros sentidos y racionalizar con nuestro cerebro, y, en su lugar, seguir un proceso paso a paso de adquisición de datos. Esto es precisamente lo que intentamos demostrar con El ojo de la máquina: una simulación que muestra los pasos mediante los cuales un sistema hipotético de IA “lee” un entorno físico y es capaz de elaborar el perfil de las personas que se encuentran en él.
Parte de una situación de oscuridad total, sin información, y recopila gradualmente datos de una serie de dispositivos interconectados: teléfonos inteligentes, micrófonos, circuitos cerrados de televisión y otros sensores. Empieza detectando y organizando información directamente del entorno físico: las dimensiones de la sala, el tipo de establecimiento, el número de personas presentes, sus idiomas, acentos, géneros y tipos de conversación. A continuación, cruza estos datos con la información que puede encontrarse en internet sobre cada persona, mediante la minería de datos de redes sociales, publicaciones en línea, bases de datos y páginas personales.
Por fin, nuestra máquina de IA logra reunir todos estos datos en un perfil preciso de una persona concreta, infiriendo la probabilidad de relaciones personales, perspectivas familiares, esperanza de vida, productividad o “valor social”, es decir, su contribución a la sociedad en términos financieros y sociales, dentro del contexto de esta ficción.
En esta simulación, todos los datos son ficticios. El objetivo principal del vídeo es concienciar sobre lo que un internet de las cosas verdaderamente conectado, operado por un sistema avanzado de IA, podría hacer hipotéticamente.
Rascando la superficie
Un número creciente de empresas están explorando cómo ven los algoritmos el entorno construido. La empresa con sede en Nueva York Numina, por ejemplo, recopila datos sobre los flujos urbanos de automóviles y peatones, mostrando sus trazas en tiempo real. Y Volvo se asoció con la renombrada fotógrafa Barbara Davidson para diseñar un sistema automatizado en el que las cámaras y los sensores a bordo representaban la presencia de personas en las concurridas calles de Copenhague.
Proyectos como estos combinan representaciones de datos generadas por máquinas con una perspectiva humana, pero solo rascan la superficie de lo que los algoritmos realmente ven en nuestro mundo. En realidad, la cantidad de datos detectados por los sensores y la potencia computacional de los algoritmos que los procesan crean una imagen mucho más rica y matizada del entorno urbano.
City Scanner es un proyecto de ciudad inteligente desarrollado en Cambridge (Massachusetts) en colaboración con el Senseable City Lab del MIT. Los camiones de basura están equipados con un conjunto de sensores capaces de detectar diversos criterios de rendimiento urbano, desde el nivel de contaminación de determinadas zonas hasta fugas de gas y baches.
Los sensores envían los datos recopilados durante su recorrido habitual a un servidor central, donde una serie de algoritmos combina, clasifica y analiza la gran cantidad de datos, devolviendo una imagen casi en tiempo real de la calidad de la vida urbana. Esta supervisión constante del rendimiento urbano se basa en observaciones anteriores para ayudar a mejorar continuamente la infraestructura de la ciudad y las políticas que la sustentan.
Del mismo modo, los ingenieros de la empresa de mensajería UPS han creado el algoritmo ORION (On-Road Integrated Optimisation and Navigation, u optimización y navegación integradas en carretera). Esta obra de 1.000 páginas no solo sugiere la ruta más rápida entre dos puntos de la ciudad, sino que también mejora con el tiempo. ORION aprende continuamente de sus propios resultados, midiendo la velocidad a la que los camiones viajan de A a B y comparándola con un modelo estadístico, con el fin de mejorar su precisión y rendimiento.
Sin duda, los algoritmos pueden entrenarse para “ver” nuestras ciudades con más detalle y desplazarse por ellas de forma más eficiente que cualquier persona. Pero, al fin y al cabo, son esencialmente modelos matemáticos y estadísticos aplicados con habilidad a problemas de la vida real. Por eso es tan crucial desmitificar estas tecnologías de caja negra, a fin de comprenderlas y aprovecharlas al máximo para mejorar el entorno urbano.
