10 píldoras de Inteligencia Colectiva en #CIconf17

Share Button

Ciconf17

Como ya conté en este post, estuve el 15-16 de este mes participando en la 2017 Collective Intelligence Conference (#CIconf17), que se celebró en la Tandon School of Engineering de New York University. A la conferencia, según datos publicados por los organizadores, asistieron 180 participantes de 19 países.

Me gustan los resúmenes, así que traigo el primero del seriado que voy a escribir a partir de las notas que me traje del evento. Ya hice algo parecido para la conferencia de 2015 con “25 píldoras de inteligencia colectiva” que tuvieron una acogida fantástica entre los lectores de este blog.

No es una selección de lo más valioso o interesante, porque hubo mucho y de todo, sino algunos apuntes que tomé sobre tendencias que parecen atraer más la atención a la comunidad de investigadores sobre inteligencia colectiva. Esta es sólo la 1ra. parte del resumen. He reservado para la 2da. entrada las ideas relacionadas con la temática que la conferencia pretendía priorizar, o sea: cómo la inteligencia colectiva puede ayudar a la participación colectiva y los nuevos modelos de gobernanza.

Si el post se te hace largo, y prefieres ir directamente a ideas puntuales, te dejo aquí un índice:

  1. Datos, datos, datos…
  2. Inteligencia híbrida: IA + IC
  3. Expert Crowdsourcing o “mini-crowds
  4. Innovación y ciencia ciudadana
  5. Crowdsourcing: plataformas menos asimétricas
  6. Diseñar para el Remix
  7. La Inteligencia Colectiva como aprendizaje social
  8. Crowdsourcing basado en micro-tareas para experimentos sociales
  9. Automatizar la creación de equipos óptimos
  10. Tecnología Blockchain e Inteligencia Colectiva

Allá vamos…

1. Datos, datos, datos…

El término más repetido en la conferencia ha sido “data”. El paradigma del “data-driven Collective Intelligence” se refuerza porque todo el mundo pone el foco en los datos. Esta tendencia se explica en buena medida por el interés creciente que existe en los procesos de escalado (a más grande es el colectivo, más importan los datos), y también porque la Inteligencia Colectiva (IC) como disciplina se está orientando cada vez más hacia la tecnología, y en particular, las Ciencias de la Computación, un ámbito que parece estar colonizando la agenda de investigación en detrimento de una lectura más social y humanista. En este contexto gana peso lo que podríamos llamar la IC “colectada” por terceros (vía algoritmos, etc.) mientras parece interesar menos la “colaborativa”, basada en la interacción consciente y la agregación gestionada por el propio colectivo. No es una tendencia que me guste, pero es lo que hay 🙁

2. “Inteligencia híbrida”: IA + IC

En línea con el punto anterior, la Inteligencia Artificial (IA) ha sido una de las grandes protagonistas de esta conferencia. Se ha presentado como la aliada natural e imprescindible de la inteligencia de las personas. Ya no se habla de la IA como una amenaza que va a reemplazar a los humanos, sino de una “Inteligencia Híbrida” que emerge de la combinación entre Inteligencia Artificial e Inteligencia Colectiva. Geoff Mulgan, CEO de NESTA, que dio la charla inaugural, habló extensamente de las posibilidades que ofrece la Inteligencia Artificial combinada con la Colectiva, para resolver grandes desafíos de innovación (no me extiendo en lo que dijo porque dedicaré una entrada independiente a la ponencia de Mulgan). Ece Kamar, investigadora de Microsoft Research, también insistió en las oportunidades que se abren de usar mecanismos colectivos como el Crowdsourcing para: 1) monitorizar, corregir y validar lo que hacen las máquinas, 2) proporcionar retroalimentación y nuevos datos a las máquinas para mejorar la eficacia de los algoritmos a través de procesos de “Machine Learning”. La idea de sumar fuerzas me parece atractiva, pero sigo teniendo la impresión de que se pone demasiado acento en el factor tecnológico, en optimizar la eficacia de las máquinas (los algoritmos), y está faltando una mirada más holística de las implicaciones que tiene todo esto en el bienestar de las personas. Respondiendo al interés que por el tema comparto con Mario López de Ávila, con quien hemos echado algunos chascarrillos digitales, escribiré muy pronto un post con más argumentos sobre esta tensa relación que puede existir entre IA e IC.

3. Expert Crowdsourcing o “mini-crowds

Desde que James Surowiecki publicó su libro “Wisdom of Crowds” se habla del efecto estadístico de la “sabiduría de las multitudes” para promover la idea de que un colectivo formado por muchas personas sabe y decide mejor que individuos expertos. Este argumento está siendo cada vez más discutido, o matizado, para desafíos que son técnicamente complejos. Se ha visto que es válido sólo bajo ciertas circunstancias. Una mirada alternativa consiste en crear “mini-crowds de expertos”, o sea, convocar a grupos grandes de personas mucho mejor informadas que la media respecto del reto que se quiere acometer. Este enfoque aprovecha el efecto estadístico que describe Surowiecki, pero sin menospreciar la importancia de que los participantes entiendan del tema que se pretende resolver colectivamente. Beth Noveck, co-fundadora y directora de The GovLab, ha escrito mucho sobre las oportunidades que ofrece lo que ahora llaman “Crowdsourcing de Expertos” (Expert Crowdsourcing) para solucionar problemas públicos (recomiendo este libro, que tengo pendiente de reseñar).  Mark Ackerman, profesor de la Universidad de Michigan, propuso crear nuevas arquitecturas, o “multiple level of expertise”, para dotar de conocimiento más informado a estos procesos de consulta colectiva. Hila Lifshitz-Assaf, de la escuela de negocios de la Universidad de New York, sugirió apelar a mecanismos de autoselección (tipo premios, concursos, etc.) para atraer y filtrar ese talento que se quiere integrar en estos grandes grupos de expertos.

4. Innovación y ciencia ciudadana

Se dedicó toda una sesión plenaria a este tema, que atrae cada vez más interés. Se entiende por “ciencia ciudadana” a la investigación científica que se lleva a cabo con la colaboración de la ciudadanía, de gente común y/o científicos amateurs. En principio puede considerarse inteligencia colectiva en la medida que se basa en la captura de datos, y a menudo su procesamiento, por parte de cientos o miles de participantes. Por ejemplo, la ciudadanía participa en tareas como recoger muestras de agua para medir contaminación, observar aves, detectar y cuantificar mosquitos, o medir y clasificar cráteres en la luna, entre otros.

En la sesión participó Darlene Cavalier, fundadora de SciStarter, una conocida plataforma online que sirve para identificar, apoyar y participar en proyectos de ciencia ciudadana. Ella insistió en que la Ciencia Ciudadana no busca reemplazar a los científicos con amateurs, sino compartir carga de trabajo. En buena medida lo que busca es ahorrar tiempo. Para eso se crean estos sitios donde se encuentran ciudadanos interesados en hacer ciencia con científicos buscando voluntarios para ayudarles en sus proyectos. La idea es hacer ciencia “con y para” la sociedad.

Afirmó Darlene que la ciencia ciudadana es ciencia seria porque gracias a estos datos se han hecho descubrimientos relevantes, se publican papers de interés, y se avanza en el trabajo científico. Puso como ejemplo el proyecto Cell Slider, que solicitó a voluntarios observar y clasificar muestras de tejido donadas por pacientes con cáncer que habían sido tratados en ensayos clínicos. Se pidió a los participantes que identificaran las células del cáncer de mama y evaluaran cuánto de brillante era su color observando las imágenes en el sitio web del proyecto. Colaboraron casi 100 mil personas: “se trataba de reconocimiento de patrones, que es algo en que los humanos son muy buenos”. Cuando el equipo del proyecto comprobó las puntuaciones dadas a 3.000 de las muestras que también habían sido analizadas por un patólogo, se encontraron que el público dio la misma respuesta que el patólogo en 9 de cada 10 casos. Según Darlene, se consiguió reducir el tiempo total necesario para la clasificación de imágenes de 18 a 3 meses.

Estuve explorando en la plataforma y me encontré muchos proyectos interesantes. Me encantó este: “The baby laughter Project”, que lanzaron los psicólogos del laboratorio Birkbeck Baby Lab que quieren aprender más acerca de cómo los bebés piensan sobre el mundo, incluyendo lo que les hace reír. Científicos ciudadanos con niños menores de dos años pueden ayudar enviando “informes de campo” de momentos en que un bebe se ríe o incluso remitir videos de YouTube.

Además de ciencia, también hay innovación ciudadana, y de esto sabe mucho Julen Iturbe. El mejor ejemplo de esto es Dana Lewis, ponente de la conferencia, que contó cómo creó #OpenAPS, también llamado “páncreas artificial”, para demostrar que es posible para amateurs desarrollar tecnologías de bajo coste y código abierto. Ya hablé de esto en “La revancha de los nerdks”, un post en el que reseñaba la intervención de Eric Von Hippel en la conferencia anterior.

5. Crowdsourcing: plataformas menos asimétricas

Hay un fuerte debate en torno a abusos y asimetrías (por parte de los convocantes) que se producen en las iniciativas de Crowdsourcing, y en plataformas que se dedican a la externalización de micro-tareas que ofertan a trabajadores digitales a cambio de bajas remuneraciones. El caso más conocido, y polémico, es Amazon Mechanical Turk.

A raíz de este debate, que es social y ético en vez de tecnológico, empiezan a impulsarse iniciativas que buscan cambiar las reglas de juego en favor de una relación más equilibrada y respetuosa entre las distintas partes que usan estas plataformas. Mark Whiting presentó una ponencia muy ilustrativa en ese sentido: Designing a Constitution for a Self-Governing Crowdsourcing Marketplace”. Según él, las plataformas actuales de Crowdsourcing funcionan siguiendo un patrón centralizado, con una escasa transparencia en el diseño y gestión, y no escuchan los reclamos de los usuarios. Como alternativa, su proyecto busca rediseñar estos mecanismos para crear un modelo de “mercado autogestionado” por los propios participantes.

Desde que lo escuché he pensado que este proyecto debe interesar a Ramón Sanguesa, con quien hemos hablado mucho de las asimetrías de los procesos de CS. Lo que hace el grupo de Whiting es, combinando metodologías como Design Thinking, diseño experimental y HCI, crear una herramienta llamada “DAEMO” (es open source) para facilitar el co-diseño iterativo de la plataforma, cuya arquitectura básica se formaliza a través de una “constitución” ratificada colectivamente en diciembre de 2016 y que permanece vigente. Por si estás interesado/a, éste es el texto actualizado de la “Constitución” que rige la plataforma que, según los promotores, es más equitativa porque se gestiona desde una lógica de “gobierno abierto”.

El diseño de la plataforma se gestiona así: 1) Ideas: se proponen ideas que pueden ser votadas para que suban en la lista de popularidad, 2) Enmiendas: son ideas que superan un mínimo de popularidad y que son viables para la plataforma, 3) Votación: trabajadores y empleadores votan para decidir si la enmienda se aprueba. Tiene un mecanismo de resolución de disputas entre stakeholders mediante un jurado formado por dos representantes de cada parte (empleadores, trabajadores y plataforma) elegidos de forma aleatoria.

6. Diseñar para el Remix

Dijo el profesor Thomas Malone que “un desafío de diseño para la inteligencia colectiva es facilitar la posibilidad de combinar y reusar conocimiento generado por distintas iniciativas”, y es eso lo que intenta hacer Climate CoLab, un proyecto del MIT Center for Collective Intelligence  que moviliza a miles de personas en todo el mundo para encontrar soluciones al desafío global del cambio climático. Su ponencia apuntó a la dificultad de mezclar ideas y soluciones de propuestas independientes que compiten en mecanismos colectivos como los concursos. El diseño implementado por Climate CoLab para resolver esto le llaman “Contest Webs”, y consiste en poder agregar e integrar distintas propuestas en una especie de meta-proyecto que aprovecha el conocimiento generado por cada una de ellas. Se trocean los problemas complejos en proyectos relativamente pequeños y manejables, para reducir los costes de coordinación y favorecer el trabajo en paralelo, pero después se facilitan formatos que permiten hacer múltiples combinaciones entre ellos. Al ser concursos, esos proyectos compiten entre sí, pero habilitando un escalón superior de agregación (“contest webs”) es posible remezclar las mejores aportaciones generadas en los retos que abordan las distintas partes del problema que ha sido troceado.

Como éste ha habido varias ponencias y papers que han insistido en la necesidad, y la dificultad, de diseñar sistemas de agregación de contenidos que permitan la remezcla, o sea, poder aprovechar el material disperso generado por proyectos o individuos independientes para generar un nuevo contenido colectivo de más valor.

7. La Inteligencia Colectiva como aprendizaje social

Siempre resulta refrescante entender los procesos colectivos no sólo como un dispositivo enfocado a resultados tangibles (por ejemplo, tomar una decisión), sino también como un mecanismo cuyo proceso tiene valor en sí mismo. Varios papers, entre ellos el de Alejandro Noriega Campero, del MIT Media Lab, repiensan la inteligencia colectiva como un espacio de “influencia social en red”, donde se producen dinámicas de retroalimentación, aprendizaje empírico y adaptación. Noriega Campero pone el foco en el “aprendizaje social” que se da en los ejercicios colectivos, y que define como “la exposición a otros que genera un proceso de revisión de nuestras creencias basada en la observación y la interacción entre pares” [por cierto, dejo para el 2do resumen un análisis del efecto contrario: la llamada “polarización grupal”, que también se da]. Como siempre insiste Richi en sus posts de Colaborabora, parece importante poner en valor el proceso y lo mucho que se puede aprender en dinámicas colectivas al margen de los resultados finales que se obtengan. El “aprendizaje social” es más difícil de medir, igual que otros activos intangibles que deja cualquier ejercicio colectivo, y por eso es algo a lo que la investigación en esta disciplina debe prestar más atención.

8. Crowdsourcing basado en micro-tareas para experimentos sociales

En la conferencia han abundado los ejemplos que usan el Crowdsourcing, y más concretamente el basado en micro-tareas del tipo que se practica en Amazon Mechanical Turk (lo explico mejor en este post sobre Computación Humana), como herramienta para recoger datos de interés en experimentos sociales. Se publican “HITs” en esa plataforma para que los trabajadores respondan a esas tareas y después se evalúan los resultados según un diseño controlado.  Esto se hace muy poco en España, pero vale la pena explorarlo porque ofrece muchas ventajas. Una de ellas es la rapidez de respuesta o la posibilidad de llegar a una muestra global, algo que varias investigaciones pusieron en evidencia. Según se ha dicho, la demografía de los participantes es suficientemente diversa e incluso a veces más representativa que las muestras que se usan en estudios convencionales. Hay indicios de que la calidad de los datos obtenidos por esta vía satisface y supera los estándares exigidos por la investigación académica. Yorokobu se hace eco de The Economist en un artículo que explica bien esta tendencia.

9. Automatizar la creación de equipos óptimos

Noshir Contractor, director del destacado grupo de investigación Science of Networks in Communities (SONIC), de la Northwestern University, habló de cómo se crean los equipos de proyectos. Fue una ponencia acelerada, pero que intentaba responder desde el rigor de los datos a una pregunta bien interesante: ¿Por qué invitamos a unas u otras personas a los equipos que formamos? A partir de esa cuestión, se atreve con la siguiente: ¿Por qué no desarrollar algoritmos que nos ayuden a formar equipos óptimos de manera automática, algo así como un match.com pero para equipos de trabajo? Dicho y hecho, así que su grupo creó una aplicación, MyDreamTeam, que proporciona recomendaciones teóricas de cómo “ensamblar” equipos óptimos. Usa algoritmos de coincidencia y clasificación para sugerir miembros a un equipo según los perfiles personales que introducen los usuarios a partir de una encuesta. El objetivo de este “sistema de recomendación” es reducir la sobrecarga de información que habitualmente sufre una persona al tener que buscar o elegir los miembros de un equipo. Es un proyecto incipiente pero que refleja una tendencia clara a buscar la eficacia de lo colectivo a través de algoritmos que automaticen todo lo que puedan. A mí no se me hubiera ocurrido que fuera posible “automatizar la creación de equipos óptimos”, pero como dije antes, con buenos datos y algoritmos inteligentes nos dicen que es factible. Aquí tienes un vídeo (en inglés) que explica la aplicación, que se presenta como una “red social”. En relación con este tema, sugiero que leas este artículo en New York Times citado por Contractor: “Building the Team That Built Watson” que relata la aventura de crear el famoso equipo que construyó el supercomputador Watson, de IBM. He pensado también que esto puede dar algunas pistas a Alicia Pomares y su hiperactivo equipo de Humannova.

10. Blockchain e Inteligencia Colectiva

Se presentaron dos papers sobre la tecnología Blockchain aunque, como era de esperar, es una temática que tuvo bastante más presencia en la conferencia. Un paper de John Prpic: “Unpacking Blockchains” y otro de Hanna Halaburda: “Incentives and Trust in Blockchain Technologies”.

Blockchain es un asunto técnicamente complejo que me costaría explicar en la extensión de este resumen. A mí mismo se me escapan muchos matices y es la razón de por qué no me he atrevido a publicar todavía un post que tengo en barbecho sobre cómo la tecnología Blockchain puede potenciar la IC, aunque ya avancé algo de esto en una entrevista que hice en este blog a Santiago Siri, hablando de las “herramientas cívicas digitales incorruptibles”.

John Prpic insistió en que “la arquitectura de software ‘Blockchain’ de Bitcoin es útil también para propósitos no monetarios”, y en eso coincide casi todo el mundo, porque se trata de una tecnología de coordinación que permite una gestión distribuida de la iniciativa individual en grandes grupos que se coordinan indirectamente sin una autoridad central. Podríamos decir que es una lógica o arquitectura de diseño libertario. Bitcoin es sólo un ejemplo de la aplicación de esta tecnología para descentralizar decisiones. Blockchain debería permitir, en principio, que no exista un intermediario (tipo Uber, o Airbnb, o los bancos) que concentre tanto poder y capture mucho más valor que el de los participantes. Se gestiona POR la comunidad y PARA la comunidad, lo que puede poner de cabeza al sistema financiero tradicional y prácticamente cualquier cosa que requiera un intermediario de confianza para su verificación. El impacto de esta tecnología en el desarrollo de formas de gobernanza más distribuidas y comunitarias, estructuras más federadas en lugar de radiales, puede ser notable. Los expertos afirman que las innovaciones en redes descentralizadas como las que permite Blockchain permitirán el fenómeno de la confianza distribuida, algo que va a acelerar el crecimiento de otros tipos de redes que sirvan de cimiento para organizaciones más descentralizadas.

Hemos llegado al final. Estas son las diez ideas que quería avanzar en esta primera entrada sobre #CIconf17. Estoy preparando un seriado con varios posts para ir compartiendo otros contenidos interesantes de la Conferencia. Te invito a leer pronto la 2da. parte de este resumen, que dedicaré a temas relacionados con la gestión pública, la participación colectiva y los nuevos modelos de gobernanza. Si quieres estar alerta de las siguientes entradas, suscríbete al blog.

Por cierto, tenemos una buena noticia. La 6ta edición de esta conferencia se va a celebrar por primera vez en Europa. #CIconf18 tendrá su sede en Zúrich, los días 7 y 8 de Julio de 2018, organizada por Digital Society Initiative.

Nota:  Si te ha gustado el post, puedes suscribirte para recibir en tu buzón las siguientes entradas de este blog. Para eso solo tienes que introducir tu dirección de correo electrónico en el recuadro de “suscribirse por mail” que aparece en la esquina superior derecha de esta página. También puedes seguirme por Twitter o visitar mi blog personal: Blog de Amalio Rey.
Share Button

4 Comments

  1. Muy interesante! Tengo que recordarle a Nosh que no olvide el teabajo de David Stark y Balasz Vedres para detectar equipos innovadores vía ‘Structural Folds’ declas redes de colaboradores 😉
    Me miro con calma lo de la Constitución

    Un placer tomarse estas píldoras nada homeopáticas! Abrazo!

  2. Muchas gracias por sintetizar y muchísimas gracias por compartirlo. Algunas ideas son muy interesantes

  3. Pingback: Descubriendo a Karen Levy: algoritmos discriminatorios y vigilancia de refracción (post-545) |

Leave a Reply

Tu dirección de correo electrónico no será publicada. Los campos obligatorios están marcados con *

*