La profesora y directora del Doble Grado en Dirección de Empresas & AI For Business de Esade, Irene Unceta, señala que en la medida en que el machine learning o aprendizaje automático avanza, resulta cada vez más importante comprender su relación con la sostenibilidad, de acuerdo con Forbes.
Si bien está claro que los modelos de aprendizaje automático alterarán nuestros estilos de vida, entornos de trabajo e interacciones con el mundo, no se puede ignorar la cuestión del machine learning sostenible, en particular en sus tres pilares: social, económico y ambiental.
Entendiendo el machine learning sostenible
Desde la perspectiva social, el machine learning sostenible se refiere a la capacidad de los sistemas de inteligencia artificial para crear un impacto positivo en la sociedad. Los modelos de aprendizaje automático tienen un gran potencial para mejorar la atención médica, por ejemplo, al permitir diagnósticos más precisos, cirugías de alta precisión y planes de tratamiento personalizados.
Además, pueden transformar las políticas públicas al analizar y predecir patrones en los datos, siempre que contribuyan a una redistribución más justa de la riqueza y una mayor cohesión social.
Para profundizar más sobre cómo el machine learning sostenible puede contribuir a crear un mundo mejor, más verde y más equitativo desde un punto de vista social, es crucial evaluar su impacto en los tres pilares de la sostenibilidad: social, económico y ambiental.
1. La dimensión social
El machine learning sostenible en la dimensión social busca generar resultados beneficiosos y valiosos para la sociedad en términos de bienestar, desarrollo económico y protección del medio ambiente. Sin embargo, su implementación sostenible debe abordar desafíos como la discriminación y la falta de transparencia.
Los modelos de aprendizaje automático entrenados con datos sesgados pueden perpetuar desigualdades existentes y llevar a resultados injustos y discriminatorios, como el estudio del MIT que demostró que el software comercial de reconocimiento facial es menos preciso para las personas con tonos de piel más oscuros, reforzando prejuicios raciales y de género.
Para promover el machine learning sostenible en la dimensión social, es fundamental desarrollar modelos que sean entendidos y proporcionen información sobre su proceso de toma de decisiones para garantizar resultados justos y equitativos.
2. La dimensión económica
El machine learning sostenible en la dimensión social busca generar resultados beneficiosos y valiosos para la sociedad en términos de bienestar, desarrollo económico y protección del medio ambiente. Sin embargo, su implementación sostenible debe abordar desafíos como la discriminación y la falta de transparencia.
Los modelos de aprendizaje automático entrenados con datos sesgados pueden perpetuar desigualdades existentes y llevar a resultados injustos y discriminatorios, como el estudio del MIT que demostró que el software comercial de reconocimiento facial es menos preciso para las personas con tonos de piel más oscuros, reforzando prejuicios raciales y de género.
Para promover el machine learning sostenible en la dimensión social, es fundamental desarrollar modelos que sean entendidos y proporcionen información sobre su proceso de toma de decisiones para garantizar resultados justos y equitativos.
3. La dimensión ambiental
El aprendizaje automático tiene el potencial de desempeñar un papel importante en la mitigación del impacto de las actividades humanas en el medio ambiente. Sin embargo, a menos que se diseñe correctamente, puede convertirse en un arma de doble filo.
Entrenar y ejecutar modelos de aprendizaje automático industrial requiere recursos informáticos significativos. Estos incluyen grandes centros de datos y potentes GPU, que consumen una gran cantidad de energía, así como la producción y eliminación de hardware y componentes electrónicos que contribuyen a las emisiones de gases de efecto invernadero.
Para garantizar la sostenibilidad ambiental, es necesario reconsiderar la utilidad de implementar aplicaciones de aprendizaje automático en la industria. Por ejemplo, para reducir su impacto en el medio ambiente, será necesario impulsar tecnologías más eficientes en términos energéticos, como chips especializados y procesadores de bajo consumo. Además, se deben enfocar en desarrollar algoritmos más ecológicos que optimicen el consumo de energía a través del uso de menos datos, menos parámetros y métodos de capacitación más eficientes.
En resumen, para que el machine learning sostenible pueda contribuir a construir un mejor mundo, se necesita un enfoque integral que considere las complejas compensaciones de desarrollar modelos inclusivos, equitativos, rentables y confiables que tengan una deuda técnica baja y causen un daño ambiental mínimo.
