0 оценок0% нашли этот документ полезным (0 голосов)
24 просмотров4 страницы
Los algoritmos son útiles para hacer predicciones precisas, pero necesitan ser guiados por mánagers que entiendan sus limitaciones. Los algoritmos son extremadamente literales en la interpretación de sus objetivos y operan como cajas negras sin explicar las causas subyacentes. Para aprovechar mejor los algoritmos, los mánagers deben expresar objetivos detallados y explícitos, reconocer su tendencia a la miopía y seleccionar los datos adecuados, entendiendo las limitaciones de los algoritmos.
Los algoritmos son útiles para hacer predicciones precisas, pero necesitan ser guiados por mánagers que entiendan sus limitaciones. Los algoritmos son extremadamente literales en la interpretación de sus objetivos y operan como cajas negras sin explicar las causas subyacentes. Para aprovechar mejor los algoritmos, los mánagers deben expresar objetivos detallados y explícitos, reconocer su tendencia a la miopía y seleccionar los datos adecuados, entendiendo las limitaciones de los algoritmos.
Los algoritmos son útiles para hacer predicciones precisas, pero necesitan ser guiados por mánagers que entiendan sus limitaciones. Los algoritmos son extremadamente literales en la interpretación de sus objetivos y operan como cajas negras sin explicar las causas subyacentes. Para aprovechar mejor los algoritmos, los mánagers deben expresar objetivos detallados y explícitos, reconocer su tendencia a la miopía y seleccionar los datos adecuados, entendiendo las limitaciones de los algoritmos.
El trabajo de la mayora de los mnagers incluye hacer predicciones. Cuando los especialistas en RRHH deciden a quin contratar, estn prediciendo quin ser ms efectivo. Cuando los profesionales de marketing escogen los canales de difusin que emplearn, estn prediciendo dnde se vender mejor un producto. Los algoritmos hacen que las predicciones sean ms precisas, pero tambin tienen sus propios riesgos, especialmente si no los entendemos. Abundan los ejemplos de gran repercusin. Cuando Netflix lanz una competicin de un milln de dlares (unos 917.000 euros) para desarrollar un algoritmo capaz de identificar las pelculas que gustaran a un usuario determinado, varios equipos de cientficos de datos unieron fuerzas y crearon el algoritmo ganador. Problemas as no son inevitables. En nuestro trabajo de diseo e implementacin de algoritmos y de identificacin de nuevas fuentes de datos, hemos observado que el origen de la dificultad a menudo no son errores informticos de los algoritmos sino los errores que cometemos al interactuar con ellos. Para evitar dar un mal paso, los mnagers necesitan entender lo que hacen bien los algoritmos, qu preguntas contestan y cules no. Por qu nos confunden los algoritmos? Como demuestra un conjunto de pruebas creciente, humanizar los algoritmos hace que nos sintamos ms cmodos con ellos. Esto puede resultar til, por ejemplo, para el diseo de una funcin de llamadas automticas. Es ms probable que la voz de una persona de verdad consiga captar la atencin de los usuarios que una voz electrnica. El problema fundamental, sin embargo, es que las personas tratan los algoritmos y las mquinas que los ejecutan de la misma manera que a un empleado, supervisor o compaero. Pero los algoritmos se comportan de forma muy distinta a los humanos, de dos maneras importantes: Los algoritmos son extremadamente literales En la ltima pelcula de Los Vengadores, Tony Stark (tambin conocido como Iron Man) crea Ultron, un sistema de defensa de inteligencia artificial encargado de proteger la Tierra. Pero Ultron interpreta la tarea literalmente, y concluye que la mejor manera de proteger la Tierra consiste en destruir a todos los humanos. Ultron se comporta como el tpico algoritmo: hace exactamente lo que se le manda e ignora cualquier otra consideracin. Nos metemos en problemas cuando no gestionamos los algoritmos con cuidado. Las pginas de redes sociales que de repente se vieron inundadas con cebos de clics cayeron en una trampa similar. Su objetivo final estaba claro: proporcionar los contenidos que resultaran ms atractivos e interesantes para los usuarios. Para transmitir este objetivo al algoritmo, se elabor una serie de instrucciones que encontrar contenidos sobre los cuales los usuarios haran ms clics. Y no es un mal camino: la gente suele hacer clic en un contenido porque le interesa. Los algoritmos son cajas negras Como el adivino de Shakespeare, los algoritmos a menudo pueden predecir el futuro con gran precisin, pero no nos cuentan ni la causa de un evento ni el por qu. Un algoritmo puede leer cada artculo del New York Times y decirnos cul tiene las mayores probabilidades de ser compartido por Twitter sin necesariamente explicar por qu la gente se sentir inspirada para tuitear acerca de l. Reconocer estas dos limitaciones de los algoritmos es el primer paso para gestionarlos mejor. Ahora, examinemos las otras medidas que puede tomar para aprovecharlos con mayor xito. Objetivos detallados y explcitos Los algoritmos, en cambio, perseguirn la consecucin de un objetivo de forma casi obsesiva. La mejor manera de mitigar esto es expresar con una claridad cristalina todo lo que queremos conseguir. Si le importa una meta simple, tiene que expresarla, definirla y cuantificar su importancia. En la medida en que estas metas son difciles de medir, mantngalas presentes a la hora de actuar en base a los resultados de un algoritmo. En Google (que ha financiado parte de nuestras investigaciones en otros temas), surgi un problema de metas simples con un algoritmo que determina qu anuncios mostrar a cada usuario El objetivo cuantificable de Google de maximizar el nmero de clics sobre anuncios haba dado paso a una situacin en la que sus algoritmos, refinados con el paso del tiempo, estaban difamando a personas con ciertos tipos de nombres Los algoritmos no entienden las contrapartidas; persiguen su objetivo de forma casi obsesiva. Observamos recientemente la importancia de las metas simples en accin. Uno de nosotros colaboraba con una ciudad de la costa oeste de Estados Unidos para mejorar la eficiencia de sus inspecciones de restaurantes. A los funcionarios les encant la idea de mejorar la eficiencia del proceso y queran avanzar hacia su implantacin. Preguntamos si haba alguna pregunta o preocupacin. Minoras con ingresos ms bajos. No quera que el algoritmo se centrara de forma excesiva en esos barrios. Expresaba una meta simple relacionada con la equidad. Reducir la miopa Una popular empresa de envasado de productos de consumo compraba productos baratos en China para venderlos en Estados Unidos. Seleccionaba estos productos despus de ejecutar un algoritmo que predeca cules se venderan mejor. Resulta que la tasa sorprendentemente alta y regular de devoluciones podran haberse predicho (aunque el algoritmo no lo haba hecho). Era obvio que a la empresa le importaba la calidad, pero no haba traducido ese inters en un algoritmo que proyectara cuidadosamente la satisfaccin del cliente. En su lugar, haba pedido al algoritmo que se centrara de forma estrecha en las ventas. Los algoritmos se optimizan para un objetivo que pueda ser medido sobre la marcha (si un usuario pincha en un enlace o no) sin que importe el objetivo a ms largo plazo ni mantener la satisfaccin de los usuarios con su experiencia en la pgina web. De forma similar, la miopa puede ser un problema de las campaas de marketing. Consideren la tpica campaa publicitaria de Gap con Google. Lo ms probable es que de paso a un pico de visitas a Gap.com porque al algoritmo de Google se le da bien predecir quin har clic sobre el anuncio. Los algoritmos se centran en los datos que tienen a mano, que a menudo guardan relacin con los resultados a corto plazo. Es ms, las visitas a las pginas web representan un comportamiento a corto plazo, mientras que el impacto longevo de los anuncios incluye los efectos derivados sobre la imagen de la marca y la repeticin de visitas. Es difcil encontrar datos perfectos sobre tales efectos, pero las cuidadosas auditoras de datos pueden ayudar mucho. Escoger los datos adecuados Este enfoque funcion bien no slo porque haba muchos restaurantes a los que evaluar, sino porque las crticas de Yelp proporcionaron un genial conjunto de datos, algo en lo que no haban pensado demasiado las ciudades. Una trampa en la que suelen caer las empresas es pensar en el big data como simplemente muchos registros, por ejemplo, analizar un milln de clientes en lugar de 10.000. Pero esto slo es la mitad de la cuestin. Imaginen que los datos se organizan en forma de tabla, con una fila para cada cliente. Entender las limitaciones Los algoritmos emplean datos existentes para realizar predicciones acerca de lo que podra pasar en un entorno, una poblacin o una hora ligeramente distintos Enumerar los motivos por los que el algoritmo podra no ser transferible a un nuevo problema y evaluar su significado es una sabia prctica. Tambin recuerden que la correlacin no implica causalidad. Supongamos que un algoritmo prediga que los tuits cortos sern retuiteados con mayor frecuencia que los largos. Esto de ninguna manera sugiere que deberan acortar sus tuits. Los algoritmos capaces de realizar predicciones no eliminan la necesidad de tener cuidado a la hora de establecer conexiones entre la causa y el efecto; no son un sustituto para los experimentos controlados.