Si la IA y la automatización crearán, eliminarán o modificarán empleos, y en qué medida, es la pregunta central de un debate interminable. En 2013, el dúo académico de Oxford formado por Carl Benedikt Frey y Michael Osborne publicó un estudio titulado “El futuro del empleo: ¿qué tan susceptibles son los empleos a la informatización?”, en el que se estimaba que el 47 % de los empleos estadounidenses corría un alto riesgo a mediados de 2030.
El año pasado, el Foro Económico Mundial (WEF) publicó el The Future of Jobs 2018 informe, en el que se afirma que se prevé que los algoritmos y las máquinas inteligentes creen 133 millones de nuevos puestos de trabajo a nivel mundial, mientras desplazan alrededor de 75 millones para 2022: una ganancia neta total de 58 millones de empleos.
Independientemente de las cifras o porcentajes concretos, el mensaje omnipresente que subyace en todos los informes mencionados, en las noticias y en las redes sociales es que la automatización y la inteligencia artificial harán desaparecer los empleos poco cualificados en favor de trabajadores especializados y muy capacitados. Al parecer, nos enfrentamos al declive de la mano de obra no cualificada y al auge de los ingenieros de software, los científicos de datos, los comunicadores digitales y los especialistas en línea.
¿Pero es realmente así? Es cierto que la automatización y la IA tienen precisamente el alcance (y la ventaja) de sustituir tareas cognitivas y físicas repetitivas y predecibles. Sin embargo, existe un lado oculto de la inteligencia artificial y el aprendizaje automático del que rara vez se habla, y que la mayoría del público ni siquiera conoce: las nuevas líneas de montaje de datos.
El ejército silencioso que construye la IA
“Los datos son el nuevo petróleo” se ha convertido hoy en día en un lema muy conocido. Y es totalmente cierto: los datos son un bien nuevo cada vez más valioso, especialmente para la IA. La mayoría de los algoritmos de aprendizaje automático deben entrenarse con un conjunto de datos generalmente voluminoso. Esto ocurre porque la mayoría de las técnicas actuales de aprendizaje automático se engloban en lo que se denomina “aprendizaje supervisado”: el ordenador acaba siendo capaz de realizar “inferencias” o “decisiones”, pero solo después de habérsele mostrado suficientes ejemplos con sus respectivas “soluciones”. Podemos enseñar a una red neuronal a reconocer imágenes de coches alimentándola con miles de imágenes de coches y especificando cada vez al algoritmo: “¡Oye, esto es un coche!” Cuantas más imágenes de coches le proporcionemos, mejor podrá reconocerlos.
Ahora bien, estos datos de entrenamiento deben ser anotados por alguien, es decir, por una persona. Recientemente escribí un artículo específicamente sobre visión artificial, LiDAR y anotación de imágenes que explica el concepto, el proceso y las distintas técnicas de etiquetado. En resumen, hay alguien que especifica que en esa imagen hay realmente un coche, a veces también indicando dónde se encuentra, qué está haciendo, si tiene las luces encendidas o apagadas, etc.
Las personas participan en el proceso y revisan cada una, o casi cada una, de las imágenes, cada línea de texto y cada dato que se introduce en las redes neuronales. Para darnos una idea del orden de magnitud, si solo consideramos los coches autónomos, los vehículos generarán 40 terabytes de datos cada ocho horas de conducción, según Intel. Waymo, que es solo una de las muchas empresas de vehículos autónomos, afirmó recientemente haber recorrido 16 millones de kilómetros por vías públicas en Estados Unidos. Haga usted mismo la cuenta: es una cantidad enorme de datos.
Todo esto se traduce en miles y miles de horas de trabajo humano. Y las tareas de etiquetado no son un privilegio exclusivo de los coches autónomos ni de los robots autónomos. El aprendizaje automático está en todas partes, y la anotación también, incluso en la sanidad. El software de reconocimiento de patrones se utiliza en radiología, patología, cardiología, oncología e incluso psiquiatría. Los conjuntos masivos de datos que abarcan archivos de imagen, TC, RM, ECG y demás también requieren la participación humana para marcar células tumorales, dibujar polígonos alrededor de valores atípicos y resaltar señales patológicas. Y la lista continúa, con otros ejemplos de reconocimiento de imágenes, texto o voz en múltiples sectores y aplicaciones.
Línea de montaje 2.0
Pero ¿cuándo se produce esto, cómo y dónde? Existen diversas empresas que desarrollan las herramientas de software que utilizan las personas para llevar a cabo el proceso de anotación. Algunas de ellas también cuentan con empleados internos, mientras que otras subcontratan el trabajo manual real de etiquetado. En todos los casos, estos equipos de anotadores se encuentran casi siempre en países donde el coste de la mano de obra es bajo: India, China o diversas regiones de África. Hablamos de equipos muy grandes, del orden de miles de personas. Algunas empresas gestionan a más de 50.000 personas, que se nutren de un grupo de más de un millón de anotadores en todo el mundo que trabajan en turnos de día y de noche.
Básicamente, mientras las fábricas e instalaciones industriales se vuelven más inteligentes, llenas de robots que se encargan de las tareas manuales que antes realizaban los trabajadores humanos, las granjas de anotación de datos son las nuevas líneas de montaje 2.0 en la era de la inteligencia artificial. Estos nuevos empleos no existirían sin los algoritmos de aprendizaje automático que impulsan esta revolución. El etiquetado de datos puede considerarse el equivalente cognitivo de la línea de montaje, en la que los trabajadores no realizan tareas físicas agotadoras y exigentes, sino que se dedican a esfuerzos cognitivos. Es cierto que sigue siendo una labor bastante repetitiva, pero se realiza sentado, lejos de maquinaria potencialmente peligrosa.
Ser anotador de datos no es un trabajo fácil. Requiere formación y una atención meticulosa al detalle. Hay que trazar polígonos muy precisos alrededor de objetos en una imagen, o señalar puntos de referencia con el ratón y el teclado. Y hay que hacerlo con una precisión extrema: la calidad de los datos anotados es vital para el éxito de un algoritmo de aprendizaje automático. Además, en muchos sectores, como el de los vehículos autónomos, unos datos de entrenamiento deficientes pueden marcar la diferencia entre la vida y la muerte. Anotar esos datos requiere mucho tiempo, pero es una tarea necesaria para enseñar a nuestras máquinas a comportarse, tomar decisiones y predecir resultados.
Dado el volumen y las características de estas tareas, la anotación de datos representa una gran oportunidad para los trabajadores poco cualificados, las personas que viven en países en desarrollo o los grupos que tienen más dificultades para acceder al empleo.
Deepen AI, por ejemplo, una organización que opera en el sector de la anotación de datos, ha puesto en marcha lifelong.ai, una organización sin ánimo de lucro que permite a los refugiados acceder a empleos y adquirir nuevas competencias que mejoran su situación socioeconómica. Lifelong forma a refugiados sirios en Jordania para que se conviertan en anotadores de datos y los conecta con oportunidades de trabajo a distancia en el mercado de la IA, y ofrece también cursos gratuitos de inglés y de desarrollo web y móvil.
Además, Deepen se compromete a pagar a sus empleados un salario superior al salario mínimo, y cuenta con una trayectoria profesional bien definida que permite a las personas avanzar desde etiquetadores hasta responsables de equipo, control de calidad de software, director de programa y recursos humanos. Gracias a este esfuerzo, muchos de los empleados de Deepen en India han tenido la oportunidad de casarse, formar familias, crecer y enriquecer sus comunidades.
Debería quedar ya claro que la inteligencia artificial no solo crea oportunidades para los graduados con máster y doctorado. Esta tecnología en auge está dando lugar a nuevas categorías de empleo para los trabajadores poco cualificados, de formas difíciles de prever.
El lado oscuro de la anotación de datos
La responsabilidad recae en las empresas que operan este tipo de negocios, de empoderar a las comunidades y garantizar que los empleados no se queden atrapados en trabajos poco cualificados, sino que puedan crecer en conocimientos y habilidades. Pero, en medio de este panorama de oportunidades de bajo nivel de cualificación, existe también un lado oscuro. En un intento por atacar el mercado con precios hipercompetitivos y obtener márgenes más altos, algunas empresas de etiquetado mantienen los salarios de los anotadores tremendamente bajos. Las cifras pueden llegar a ser de tan solo 1 dólar por hora o incluso menos, lo que está por debajo del salario mínimo. Las organizaciones que adoptan esta línea de negocio están básicamente patrocinando una nueva forma de esclavitud en la era digital.
La demanda de datos anotados es tan grande que, a corto plazo, este enfoque puede resultar muy rentable para las empresas que lo adoptan. A largo plazo, en cambio, esta conducta provocará una alta rotación de empleados, una mala calidad de los resultados y un impacto negativo en las comunidades. Estas empresas no solo vulneran las normas sociales al explotar a los trabajadores y actuar de forma poco ética, sino que este comportamiento injusto también perjudica a todo el sector. La IA es una tecnología controvertida, con numerosas preocupaciones sociales, éticas y morales a su alrededor. El sucio juego de pagar salarios ridículos a los anotadores de datos puede, sin duda, arrojar una sombra oscura sobre el sector, dañar la confianza en la tecnología y, en última instancia, impedir o ralentizar que la sociedad obtenga los numerosos beneficios que pueden derivarse de ella.
En resumen, la llegada de la automatización y la IA está eliminando millones de empleos y creando millones de otros. No es necesariamente cierto que todos los empleos creados por la IA sean para trabajadores altamente cualificados y con grandes conocimientos; también existen muchas nuevas oportunidades para los trabajadores poco cualificados. El ritmo al que se crean estos empleos podría no coincidir con el ritmo al que desaparecen otros puestos poco cualificados, pero la IA todavía se encuentra en su infancia. Lo más probable es que la disponibilidad de datos y la necesidad de acceder a conjuntos de datos anotados crezcan exponencialmente en los próximos años, lo que implicará una fuerte demanda de anotadores de datos a nivel mundial.
Es muy difícil hacer predicciones fiables. Probablemente, lo mejor que podemos hacer es actuar de forma similar a nuestros algoritmos: analizar los hechos actuales y extraer algunas inferencias a partir de ellos. Si nos referimos solo a los vehículos autónomos, hoy sabemos que nos separan muchos millones, incluso miles de millones, de millas recorridas de un vehículo totalmente autónomo y seguro… lo que basta para mantener ocupada durante cierto tiempo a una cantidad significativa de anotadores de datos.
