martes, 21 de mayo de 2019

Sesgos de género en IAs y cómo puede incrementear la desigualdad entre hombres y mujeres

Chema Alonso publicó en su blog hace unos días un artículo que recomiendo que todo el mundo lea. En ese artículo comentó algunos de los sesgos de género que tiene el Traductor Google y, aunque es obvio todo lo que comentó, hay gente que parece que no lo ha acabado de entender y pone excusas un tanto extrañas. No me sorprende, pues es meterse en medio el concepto de igualdad entre hombres y mujeres y el feminismo, y a muchos se les nubla la cabeza.


Creo que lo mejor es comentar lo ocurrido, y poco a poco ir analizando si lo acontecido es correcto o no. Vamos allá.


Chema suele publicar sus artículos en Twitter y, en la primera respuesta que vi, vi una de Bernardo Quintero. Bernardo Quintero fundó Hispasec (donde trabajo actualmente) y VirusTotal, por lo que es un referente en esto de la Seguridad. Pues Bernardo le contestó adjuntando un tweet suyo, y debo admitir que al principio temblé un poco, porque no quería ver un patón de Bernardo, pero no, simplemente adjuntó una evidencia más a lo que Chema comentó.


Demostraba cómo, el mismo traductor, como primera traducción, a profesiones como "scientific" o "engineer", lo asocia con el masculino y a "nurse" o "secretary" con el femenino, con lo que el traductor parece que nos quiere enseñar que hay oficios de hombres y otros oficios de mujeres cuando no es así.

Pero yo no estaría escribiendo este artículo sino hubiese encontrado algún fallo ¿no lo encontré? Sí, pero ni en Bernardo ni en Chema.




El fallo lo encontré en Borja Berástegui, que también se dedica a la seguridad y dio alguna charla que os recomiendo mucho ver.



El caso de los 3 tweets de Borja, son ejemplos de esas personas que en su profesión son brillantes pero que, cuando se mete el feminismo, esa brillantez parece que desaparece y las precipitaciones en el razonamiento aparecen, llevando a grandes errores. No es por falta de conocimiento, es por tener la cabeza nublada, que coste.

Los 3 tweets de Borja son desafortunados además de incorrectos en muchos aspectos, y es lo que vamos a analizar poco a poco. Sí, prefiero que se quede un post largo y explicarlo todo bien a que se quede algo en el tintero.

1, Machine Learning, Deep Learning e Inteligencia Artificial. Aunque no voy a entrar en profundidad, voy a hacer un resumen, pues esto daría para unos cuantos artículos.

Definir lo que es la Inteligencia Artificial es complicado, ya que requiere que definamos primero lo que es la inteligencia. Aquí viene el primer problema, un problema que la filosofía lleva ya muchos años tratando responder, por lo que disculpadme si yo dudo durante mis 80-90 años de existencia.

Como definir es complicado, vamos a separar. Podemos separar a un nivel muy básico, 2 inteligencias, las "débiles" y las "fuertes". Las débiles son aquellas que solamente puede realizar un conjunto limitado de tareas y las fuertes las que pueden hacer frente a una gran variedad de problemas.

¿Qué tenemos actualmente? Pues todas, sí, TODAS LAS IAs QUE HAY A DÍA DE HOY SON DÉBILES. Lo siento, Hollywood. Hay IAs que pueden ser servicios de chat, otros que manejan relativamente bien las luces de tu casa, otras que te buscan por Internet (el buscador de Google) u otras te traducen palabras y oraciones (Translate Google). Pero realizan tareas específicas, no una gran variedad de problemas.

Pero vamos a esos robots con una breve IA para que puedan andar ¿Podéis pedirles que chuten un balón? ¿Podéis pedirles que que cogan un boli y resuelvan ecuaciones? No, si se han creado para que aprendan a andar, andarán muy bien, pero sólo eso. Esto no es malo, simplemente es que unas IAs han sido desarrolladas para andar, otras para hablar, otras para transformar la voz en texto,etc. Cada una tiene su función y tiene que aprender a hacer su tarea lo mejor posible.

La pregunta ahora es ¿Cómo aprenden? Con Machine Learning (el nombre más explicativo no puede ser). Las formas de aprender son varias, no hay una sóla aunque parezca que sólo se utiliza una hoy en día. Hay aprendizaje con árboles de decisión, con modelos de regresión, con modelos de clasificación,etc. Pero el más famoso hoy en día son las Redes Neuronales.

Con las redes neuronales, se pretende que una máquina aprenda de forma jerarquizada, por capas, siendo las primeras capas las que se limitan a aprender qué son cosas concretas como un tornillo, y las capas más altas, las que se limitan a conocer y aprender sobre conceptos más abstractos y que pueden cambiar como son un coche, una moto, una silla o un tren..

Obviamente, cuantas más capas mejores resultados obtendremos, pero ¿Cuántas capas podemos tener? Pues no hay límite de capas. A este incremento de capas y a la complejidad en los algoritmos, se le denomina como algoritmos de Deep Learning. Como veis, de momento todo es muy lógico y vamos paso a paso uniendo unos conceptos con otros.

Ahora vienen las curvas (más adelante en este artículo entenderéis este pequeño chiste). Hay otras 3 formas de aprender, pero nos vamos a centrar solamente en 2.

-Aprendizaje supervisado. En este tipo de aprendizaje se trata de descubrir la relación entre variables de entrada con variables de salida. Es decir, se trata de buscar qué resultado queremos obtener para un determinado valor. Vamos con un ejemplo.

Si queremos saber si lo que hay en una foto es una gato o no, podemos enseñar a la IA que, si el porcentaje de similitud con las características básicas de un gato son mayores a un, por ejemplo, 40%, entonces puede afirmar que es un gato. Pero esto no se lo decimos nosotros directamente, pensadlo como en una caja muy grande con ruedas. Tú metes un valor de entrada, por ejemplo un 1 y quieres que la salida te de un 2. Puede que te de 5 porque haya multiplicado por 5 o sumado 4, pues tú "ajustas esas ruedas y vuelves a meter el mismo valor. Así hasta que te de un 1. Tras esto, metes un 2 y pretendes que te saque un 4 (vamos a sumar 2 todo el rato y es lo que queremos que aprenda). Si te saca un 4, podemos pensar que ya ha aprendido, pero vamos a asegurarnos. Metemos un 3 y esperamos un 5...muestra un 6. Vale, se ha creído que estaba multiplicando, pero no, hacemos unos ajustes en las ruedas y volvemos a meter un 3 y ahora sí nos saca un 5. Esto lo haremos sucesivamente hasta que consideremos que el "training" ha terminado. Esto es lo que muchas veces escucharéis de "entrenar a una IA".

Es importante dejar claro que nosotros no le decimos ni el resultado ni qué operación realizar, solamente decimos si el valor que ha sacado es correcto o no, y la red neuronal tendrá que aprender. Por poner un ejemplo tonto, como el programa Ahora Caigo cuando preguntan una fecha y empiezan a probar número. Aquí igual pero pensando un poco (bastante) más.

Es decir, que si le pasamos la foto de un gato y, si el sumatorio de los porcentajes de todas las características de un gato (distancia entre los ojos, tamaña de las orejas en relación a la cabeza, nariz.etc) da más de un 40%, por ejemplo, dice que es un gato. Ojo, que ni el porcentaje (que muchas veces veréis como "Peso" ni esta regla (que es un if clásico) se lo decimos nosotros, de nuevo; nosotros decimos si el resultado es o no correcto).

Otro ejemplo. es como si te digo, para x=1 e y=3 quiero un resultado y me das un 3 y te digo que es correcot, y así con x=2 e y=6; x=3 e y=9 o x=5 e y=15. Podréis deducir que la operación es y=3x. Ese 3 inicial no lo sabíais, lo habéis "aprendido" con los datos que os he dado.

Si ahora os digo simplemente x=10 y quiero que saquéis la y, muy seguramente digáis que y=30. Pues una IA que haya aprendido por el método supervisado hará lo mismo.

-Aprendizaje no supervisado. Aquí lo que pretendemos es que el conocimiento sea generado a partir de los mismos datos dispuestos sin que nosotros tengamos que explicar nada del resultado esperado.

Puede parecer complicado aprender de la "nada", pero pongamos ejemplos.Bien, os doy estos números:

3;2;4;5; 3.5; 6.9; 10;11;12;7.3

Tras un rato, puede que observe que habéis hecho los 2 grupos.

Grupo 1: 3;2;4;5;10;11;12
Grupo 2: 3.5;6.9;7.3

No puedo asegurar cómo lo habéis hecho, pero todo me hace pensar que habéis clasificado en números con decimales y números sin decimales.  Lo que habéis hecho es totalmente correcto, pero...¿Habría más grupos? Sí, por ejemplo:

Grupo 1:
    Grupo 1.1: 3;2;5;11
    Grupo 1.2:4;10;12

Dentro del grupo 1 también podríamos separar en números primos y no primos, o en pares e impares. Es decir, que aunque tengamos una respuesta de la IA, podríamos tener otras respuestas más correctas en función de las circunstancias. Esto es importante.

Para resumir, con este modelo de aprendizaje sabemos qué hace, pero no cómo lo hace aunque, a veces, podemos intuirlo (que no asegurarlo).

Pues bien, ya hemos terminado ¿no? NO. Y es que no siempre (casi nunca) es todo tan fácil como agrupar números (y mirad que ya hemos tenido un problema al hacer grupos en algo tan simple a priori).

¿Cómo supervisamos casos más complicados? Pues muchas veces nosotros mismos deberemos establecer límites y siendo un poco binarios (esto no debería costarnos mucho). Pero incluso establecer estos límites es un poco complicado.

Podríamos tener la siguiente función lineal de la cual vamos a considerar solamente los resultado positivos. Esto sería ideal ya que, por ejemplo, si hablamos del salario, establecemos el límite en el SMI y todo lo que esté por encima de la recta es un Salario positivo (estamos siendo simplistas) y todo lo que esté por debajo de la recta es un salario negativo y además contra el SMI. Este tipo de funciones es ideal, pues es fácil, conforme vaya sacando resultados de, por ejemplo cuánto sueldo debería recibir un trabajador o trabajadora, ver si está por encima o por debajo en función del trabajo realizado. Pero no siempre es así de "sencillo".

Otra opción es que tengamos una función convexa y por tanto tendremos que aplicar sus reglas. Y hay una que nos va a ser de mucha ayuda. Tenemos que tener en cuenta que de encontrar un mínimo, ese mínimo es un mínimo global. Esto es que el primer punto mínimo (en esta fúnción la que corresponde con x=0;y=0) que encontremos, el es punto mínimo general de la función.

Lo que viene ahora es preguntarse cómo podemos encontrar estos mínimos. Es relativamente sencillo.

Lo primero que tenemos que hacer  es derivar la función para que nos de la pendiente (en el caso de la función de la imagen [f(x)=x^2] sería f`(x)=2x)

El segundo paso sería cocinar a fuego lento una igualación de la función a 0, en nuestro caso sería 2x=0, que nos daría, como era de esperar por la función, x=0, lo que nos indica dónde está el mínimo.

Como vemos, en funciones convexas solamente tendremos que hacer esto una vez...pero hay otras funciones que suelen ser bastante habituales.


Este tipo de funciones se denominan funciones no convexas, ya que tienen varios mínimos, concretamente pueden tener N puntos mínimos, ergo tendremos que resolver N ecuaciones. Esto se nos puede complicar un poco más.

Para esto, lo que tendremos que hacer es:

-Localizar la mayor pendiente para, entonces, saber que tenemos que ir hacia abajo para encontrar mínimos y no hacia arriba
-Avanzar en la f(x) en función de lo que obtengamos en el paso 1.
-Repetir el paso uno hasta que demos con el mayor mínimo (es decir, el que se acerque más a 0).

Esto tiene un nombre, y se llama descenso del gradiente y consiste en esto mismo.

-Derivar f(x) en el punto en el que nos encontremos. Cabe destacar que si D>2 tendremos que realizar derivadas parciales (siendo D las dimensiones, ergo, si son más de 2 dimensiones, tendríamos que hacer derivadas parciales)

Esto nos da el Gradiente, que básicamente nos dice dónde la f(x) crece (buscamos la pendiente máxima, pero a nosotros eso no nos interesa, queremos el punto mínimo.

-Restamos con la siguiente ecuación:




Esto nos va a dar un nuevo punto, por lo que tendremos que repetir en ese punto lo mismo una y otra vez hasta que ya el descenso no sea significativo. Es muy importante también esa alpha, ya que es la que nos va a decir cómo de largos damos los pasos, puesto que si damos pasos muy cortos, tardaremos mucho y se podría quedar en un bucle infinito, y si damos pasos muy grandes, se slataría muchos puntos que tiene que analizar y podría entrar igualmente en un bucle infitnito.

Y como estamos más o menos observando, estos cálculos dentro de un bucle while nos solucionan la vida.

Pero ¿Para qué buscar mínimos? Esta es la pregunta que a lo mejor os estáis haciendo, porque todo esto puede que no nos sirva, pero no, al contrario, pero dejadme que deje la respuesta a esta pregunta para un poco más adelante. Lo marco con (*) y cuando vaya a responder, vuelvo a marcar con (*). Antes tenemos que ver otras cuestiones para entender todo esto bien.

Vamos a analizar las respuestas de Borja para entender esto mejor.  En su primer tweet, el de 2018, aporta 2 enlaces, uno sobre Machine Learning y otro sobre una tabla con los porcentajes de gente empleada...en Estados Unidos. Dejando a un lado que se ha olvidado a, por ejemplo, Reino Unido, ya que pare ser más precisos se tenían que mostrar 2 tablas como mínimo, una de EEUU y otra de Reino Unido. Pero bueno, vamos a considerar esa referencia como válida. Aún así, sería incorrecto por varios motivos:

1. Ni su afirmación ni menos la referencia mencionan nada sobre qué modelo de aprendizaje utiliza la IA, por lo que al no indicar si se ha seguido un modelo de aprendizaje supervisado y no supervisado, no podemos considerar esta referencia como válida, pero vamos a darle más vueltas.

Consideremos que es supervisado: Bueno, al ser supervisado, nada nos prohíbe corregir la IA tal y como hemos comentado. Como hemos visto, nosotros, a cada resultado de la IA/Red Neuronal, le decimos si es correcto o no en el modelo de aprendizaje supervisado, por lo que, si con los datos mostrados, solamente mostrase datos en relación al género masculino y no también al femenino, o lo que es peor, mostrando como sinónimas palabras degradantes para la dignidad de las mujeres; podríamos igualmente decir "No es correcto" y esperar a que nos saque un, por ejemplo "científico/a". Eso ya valdría.

Consideremos que es "no supervisado". Vale, las decisiones las toma (como en el caso de la agrupación de números que hemos visto antes) sin explicaciones del resultado que queremos. Pero ¿esto nos impediría volver atrás y utilizar una IA/Red neuronal que, mediante Machine Learning, aprenda de forma supervisada?  No, nada nos lo impide, y es que si estoy desarrollando una herramienta, pero esa herramienta no me da el resultado que espero, o no utilizo esa herramienta o la modifico para que haga lo que yo quiera. En este caso, como en el aprendizaje no supervisado no podemos modificar mucho a la red neuronal o IA, tendríamos que volver a un método supervisado.

Pero no cambiemos el método de aprendizaje. Pensando así, los únicos responsables serían los que aporten los datos a la IA. Pero tampoco hagamos responsables a los que pasan los datos ¿Qué tenga ese comportamiento ya está justificado? Esto se une con el punto 2.

2. Es una falacia. Si yo digo que "matar no debería estar mal, porque en la naturaleza, un león se come a una cebra por ejemplo y no pasa nada", esa afirmación es falaz, y se cataloga como falacia de apelación a la naturaleza.Por tanto, al ser una afirmación, en un debate racional no tiene cabida. Así pues la afirmación queda anulada y casi que nos obligaría a solamente utilizar IAs que, si aprenden de forma no supervisada, saquen deducciones que no sean ni racistas, ni homófobas ni sexistas, ni machistas o bien, IAs que aprendan de forma supervisada y nosotros, revisar que no incumple ninguna regla moral ni saque deducciones falaces.

Volvamos al punto 1, ya que parece que ante un comportamiento o acción que esté fuera de nuestra moral, haría volver a la IA o Red Neuronal (desde ahora RN) a un modelo de aprendizaje supervisado, por lo que llegó la hora de volver al por qué es necesario saber cómo obtener mínimos (*).

Imaginemos que, como presenta Chema, a "scientific" se da, como definición "científico", en lugar de "científico/a". Imaginemos que la IA de Google Translate ha utilizado, para llegar a esa conclusión y mediante un modelo supervisado (o no supervisado también valdría) datos como los que ha aportado Borja. Pues estaría mostrando datos incorrectos ¿por qué?

Os podréis preguntar que, si los datos aportados son correctos ¿por qué las conclusiones no son correctas? Bueno, si pensáis así es porque estáis cayendo en otra falacia, que es la falacia del consecuente que viene a decir que, si p implica q, y se da q; entonces es p. Por ejemplo, cuando llueve el suelo se moja; ahora veo que el suelo está mojado, entonces digo que es porque ha llovido. Lo mismo aquí "Cuando doy datos correctos, por lo general las deducciones son correctas; tengo datos correctos, por tanto la deducción también lo es".

Para demostrar aún mas este punto ¿Recordáis el caso de la agrupación de números? Aunque hicimos una agrupación correcta entre decimales-no decimales, vimos que podíamos hacer más grupos, es decir, que no había necesariamente sólo 2 grupos, había más de lo mostrado. Pues esto se daba en el sistema no supervisado y además demuestra que aunque saque una respuesta, no significa que esa respuesta sea correcta o sea la mejor respuesta.

¿A dónde quiero llegar? A los mínimos. Como hemos visto, los mínimos son importantes, y en estos casos aún más, ya que tendríamos que establecer el número mínimo de personas de cada género que son necesarias para incluirlas en la definición. Es decir, a partir de cuántos hombres científicos consideramos que scientific es científico y, de igual manera, a partir de cuántas mujeres científicas consideramos que scientific es también científica, originando la suma de la definición como "científico/a".

No es que tengan que existir más científicos hombres que científicas para considerar scientific=científico en lugar de científico/a. NO, la pregunta es otra, es cuántas científicas hacen falta para para incluir la "a" en la definición. Y ¿Cuál creéis que es la respuesta? Efectivamente, los mínimos.

Simplemente tenemos que mirar los resultados como los de la tabla y pasarlos a una función y hacer el descenso de gradiente en caso de no ser convexa  o de calcular el mínimo en una convexa de así serlo. Claro, esto tiene su "trampa", ya que si consideramos todos los valores mayores o iguales al mínimo obtenido, nos va a dar los 2 géneros, pero es que es lógico, pues ambos géneros estamos capacitados para realizar los mismos trabajos en las mismas condiciones.

Y no lo he comentado, pero considerar que estaría bien que se excluya a un género de la definición porque hay mayoría del género contrario (en este caso hombres) en X oficio, es caer en la falacia ad populum.

Justificada la inclusión de los 2 géneros en una definición, vamos a las consecuencias de no hacerlo.

Vamos a suponer que una empresa está utilizando una IA para la selección de personal, de tal forma que, según el puesto ofertado, la IA le da una determinada puntuación para ayudar con la carga de CVs a la gente de recursos humanos y contratar en función de esas puntuaciones.

Les llega un hombre y utilizan una IA similar a esta. El puesto es de cirujano o cirujana, por lo que escribimos "he is a surgeon".


La puntuación es positiva a un 45.10%. Ahora veamos lo que reportaría si fuese una mujer.


En el caso de que ella sea una cirujana, la respuesta principal no es positiva, sino neutral y con un porcentaje mayor que la respuesta positiva del hombre. Por si eso fuese poco, la respuesta negativa es más negativa que en el caso del hombre.

¿Por qué ha podido pasar esto? Vamos al widget de Google Translate que utiliza Google.com.



Casualmente, sólo nos viene el masculino, cuando cirujana también existe para surgeon.



La siguiente captura es la misma que realizó Chema en su blog sobre enfermera/o en el mismo widget de Google Translate en Google.com.



Pero vamos a poner más ejemplos, no nos quedemos solamente con un resultado.

Vamos con nurse, que aquí parece que las mujeres van a salir ganando ¿no?


Para un hombre, la respuesta es positiva y con más del 88%. Veamos ahora qué nos muestra para lo mismo pero para una mujer.


La respuesta en este caso es positiva también, pero con un 82%, es decir, 6 puntos porcentuales menos que en el caso de ser un hombre. Solamente por el género.

Pero son solamente 2 casos, vamos con algún ejemplo más. Vamos ahora con profesor/a.

En el caso de un hombre profesor


Positivo y con más del 81%, pero no sólo eso, el resultado de neutral es mayor al resultado de negativo, por lo que, de todas las maneras, ser profesor hombre es bastante positivo y muy raramente negativo. Ahora es el turno de las mujeres.



El resultado positivo sigue siendo menor que en el caso de los hombres, y además, el resultado negativo es mayor que el neutral, por lo que, no sólo ser mujer profesora es menos positivo que ser hombre profesor, sino que además también es más negativo que ser hombre profesor.



Será casualidad también que a "teacher", se de el masculino y otros sinónimos relativos a la profesión, mientras que si buscamos profesora veremos lo siguiente.



Profesora también es obviamente "teacher", pero en los sinónimos nos encontramos "amante". Nuevamente se trata a las mujeres (y no a los hombres) como un objeto cosificándolas.

¿Suficiente? No, aún me queda un ejemplo más. Vamos a analizar "executive" tanto para el hombre como para mujer.


Para un hombre, la respuesta es positiva a un 71.90%. Ahora vamos a ver qué nos dice para una mujer ejecutiva.


Desgraciadamente no nos sorprende que esta diferencia se vea de nuevo, siendo la diferencia de más de 7 puntos porcentuales, obteniendo así la mayor diferencia de todos los puestos analizados, y casualmente, en el puesto de ejecutivo/a. De nuevo, el resultado negativo es mayor en el de la mujer ejecutiva que en el del hombre ejecutivo.

Esta situación puede provocar que los perfiles de las mujeres estén por debajo al de los hombres en todos los puestos en general, por lo que los miembros de selección de personal verán primero y posiblemente escogerán a los hombres y alegaran que "es que las mujeres no se presentan", aunque no sea así y lo único que haya ocurrido es que se haya infoxicado con perfiles de hombres y no de mujeres, invisibilizándolas de nuevo, pero esta vez a una escala mucho mayor.

La desigualdad entre hombres y mujeres seguirá creciendo en el mundo laboral y parte de lo que la lucha feminista ha conseguido, se tiraría por tierra marcando aún más las diferencias.

Si recordáis, en el mes de febrero y marzo escribí 2 artículos, uno en marzo donde denunciaba que la informática, la cuál debería estar al servicio de la sociedad había muerto por intereses económicos. Además en febrero ya escribí sobre cómo la informática, como una herramienta más, debería estar al servicio de la sociedad y no al revés.

Pues bien, 2-3 meses después, este artículo junto a lo reportado por Chema Alonso, demuestra ambos artículos, y no sólo eso, sino que además se vuelve a denunciar a la situación de desigualdad y precariedad a la que podríamos llegar si esto no se soluciona.

Acabo de hablar de una solución, pero ¿Cuál? Pues, aunque no lo parezca, la solución pasa por España, nuestro, mi país. En España hemos marcado el camino sin darnos cuenta, pero antes de decirla, vamos a seguir reflexionando para llegar a esa solución.

Consideramos que la informática no es y no debe ser más que una herramienta más. Como un martillo, solamente que nos permite hacer más cosas que un martillo. Es una herramienta que nos facilita la vida ¿no? Por tanto, debe estar a nuestro servicio y no al revés ¿verdad? Siguiendo este razonamiento, si yo mato o perjudico a alguien con un martillo, la culpa no es del martillo -pues es una mera herramienta- es mía por utilizar ese martillo para matar.

Así pues, de igual forma podríamos pensar con la informática o con los sistemas de IA. Si las consideramos como meras herramientas -más evolucionadas, pero herramientas al fin y al cabo- si perjudicamos a alguien con esta tecnología, la culpa no es de la tecnología sino de las personas que la han utilizado malamente. Claro, aquí está lo delicado, porque si dejamos que, como se hace con el modelo liberal, que la tecnología avance sin regulación, entonces la tecnología/IA estaría actuando por sí misma tras aprender, lo que plantea complicadas preguntas filosóficas de si la ley humana se tendría que aplicar a la IA y robots. Es por esta razón que digo de utilizar la IA y la robótica como guía, y no ser dependientes, pues si vemos los resultados de una IA y, antes que creerlos o dejar que actúe libremente, dudar y cuestionar, estaremos haciendo mucho por no empeorar la situación. Pero si no se hace...el caos nos afectará.

Es una prueba más de por qué el liberalismo no funciona, provocando desigualdad y pobreza por más que creamos que crea riqueza. La crea, vale, pero no la reparte.

Pero si hemos considerado que, por ejemplo, una empresa utiliza la IA como una herramienta más y no una dependencia, entonces mi pregunta es ¿Qué diferencia hay con las herramientas como ordenadores que las empresas ya están utilizando? Es decir ¿Qué diferencia existiría entre cometer un fraude fiscal con un ordenador llevando dinero a paraísos fiscales o cometer el mismo fraude pero con una IA si, el ordenador convencional y la IA son considerados ambos, como meras herramientas? No existiría ninguna diferencia, y aquí viene entonces lo importante.


Si consideramos entonces esto, podríamos perfectamente pedir al Gobierno que intervenga esa empresa para que favorezca al interés general, a la gente. Esto lo dice el Artículo 128.2 de la actual Constitución española.

Por esta razón digo que España puede ser el ejemplo de cómo afrontar este problema que podría ocasionar la tecnología. En nuestra ley de leyes tenemos una medida que, si la recuperamos, podríamos beneficiar al interés general, y si eso implica intervenir una empresa y nacionalizarla en caso de ser privada, se hace por el interés general, incorporando IAs que cumplan y utilicen métodos y cálculos como los presentados en este artículo. Empresas intervenidas por el Gobierno para obligar a utilizar IA supervisadas o, dentro de las no supervisadas, las que se entienda que favorecen al interés general.

Tenemos las medidas, llevamos ya muchos años con ellas y, sí, puede que necesitemos un cambio en la legislación, pero ya cumpliendo la actual podríamos ir a mejor. Tenemos que entender los plazos, y de momento cumplir la vigente ley es el primer plazo a cumplir y cuando lo logremos, podremos cambiar determinados aspectos de la ley, pero primero tenemos que entrar dentro de la ley y, desde dentro, cambiarla. Somos hackers, no debería costarnos cambiar un sistema desde dentro.

¿Hackeamos el Mundo?

No hay comentarios:

Publicar un comentario

Related Posts Plugin for WordPress, Blogger...

Entrada destacada

El server me sabe a poco.

Soy un fanático del Rock y de Debian . (Creo que voy a inventar Rockbian, que suena bien y todo xD) Llevaba tiempo queriendo unir estos 2 c...