Universitat de Valencia, 2018. 230 páginas.

Dicen que los datos son el nuevo petróleo. Que estamos generando más datos que en toda la historia de la humanidad. Que dejamos un rastro digital desde el momento en el que nos metemos el móvil en el bolsillo. ¿Qué hay de cierto en todo esto?

El autor nos presenta un panorama exhaustivo acerca de lo que se denomina big data. Cómo se puede utilizar para el bien y para el mal. La gran cantidad de datos que se están almacenando en la nube y algunos de sus usos. Nos hace ser conscientes de la gran cantidad de información que las compañías tienen sobre nosotros y nos informa de las precauciones que hay que tomar.

Se suele decir que ante una nueva tecnología nos dividimos en apocalípticos e integrados, ardientes defensores o temerosos odiadores. Pero siempre hay un término medio: aprovechar las ventajas que nos ofrecen y tener cuidado con los nuevos peligros que se nos presentan. Este libro, además de estar muy bien documentado y de ser ecuánime, incluye un decálogo de buenas prácticas que nos aconseja muy bien.

Muy recomendable.

Els algoritmes no pensen per si sols. Els algoritmes fan les operacions per a les quals han estat dissenyats. Cal repetir-ho un cop més: els algoritmes els fan persones i poden estar ben dissenyats o no. I en cas que estiguin ben dissenyats, extrau-ran les seves conclusions segons les dades que tinguin. Una frase usual en informàtica és «si entra brossa, surt brossa» (en anglès, «garbage in, garbage out», abreujat com gigo). Si les dades no són bones, les conclusions no seran bones. I si els algoritmes no estan ben dissenyats, tampoc.
Els biaixos i errors que pot generar el big data han estat exposats per la científica de dades Cathy O’Neil en el seu llibre Armes de destrucció matemàtica,6 publicat el 2016. El títol en anglès dona més joc: Weapons ofMatbs Destruction juga amb les «armes de destrucció massiva» (mass destruction) que el president Bush assegurava que hi havia a l’Iraq. O’Neil no incideix tant en el fet que els algoritmes siguin fal·libles -cosa que també comenta-, com en la forma com les dades es recullen i les decisions que es deixen en les seves mans. Explica que si truquem a serveis d’atenció telefònica, el número de mòbil permet identificar-nos com a client d’alt valor o de baix valor. Els primers passaran a tractar immediatament amb una persona, que sabrà que els ha de tractar
amb cura. Els segons poden esperar molta estona, fins que seran atesos per una persona que els atribuirà poc valor com a possibles clients i potser serà menys condescendent amb les seves demandes. Pot ser una pràctica poc usual, però és probable que es dugui a terme en algunes empreses.
L’autora també explica casos en què els algoritmes, a part de mesurar o no prou bé, no permeten atribuir uns resultats bons o dolents a la causa real. Així, una escola o un mestre pot pujar o baixar en els rànquings de qualitat per raons diverses. O pot tenir un rendiment comparatiu pitjor. No és el mateix una escola d’elit amb unes exigents condicions per a admetre alumnes que una escola d’un barri pobre amb estudiants de nivell cultural
i socioeconòmic baix. Com en el cas de les germanes Fox que hem vist en la ficció anterior, potser hi ha uns problemes de base. Henriette es guiava només per dades i Hermione volia canviar les condicions socials que provocaven el problema.
També cal mirar les condicions de partida. Posa l’exemple d’una mestra molt competent i valorada que va passar a la part baixa d’un índex anomenat impact, que avaluava el rendiment de mestres d’escoles de Washington. La raó era que aquell curs li havien arribat alumnes amb un nivell de lectura massa inflat respecte a la realitat. A final de curs, semblava que els alumnes no havien millorat o fins i tot que havien empitjorat. Aquí es partia de dades falses. Però també es podia donar el cas que, amb alumnes de nivell alt, les millores que es poden aconseguir són més limitades que amb estudiants amb moltes dificultats, però amb més marge per recórrer. Si la millora és petita, l’algoritme dona una puntuació baixa -i injusta- a la mestra.

Finalment, si tan bona és la transparència total, perquè no la practiquen els que la prediquen? Posem càmeres i micròfons a les reunions dels alts executius de les grans empreses d’Inter-net. Que ens expliquin fil per randa què s’investiga en els seus laboratoris, què es prepara a les reunions al més alt nivell, què es diuen quan s’entrevisten amb dirigents mundials… Sembla que, com tantes coses, la transparència sigui una cosa molt bona… per als altres. Com comenta Marc Goodman en el seu llibre sobre delictes del futur, el 2009, l’aleshores director executiu de Google, Eric Schmidt, va dir en una entrevista que «Si fas alguna cosa que no vols que ningú no sàpiga, potser no hauries de fer-la».2 El creador de Facebook, Mark Zuckerberg, s’hi va apuntar: «La privacitat ja no és la norma per la qual es regeix la societat». Goodman comenta que el mateix Zuckerberg es va gastar 30 milions de dòlars en la compra de les quatre cases que envolten la seva, per preservar la intimitat. Curiosa manera de predicar amb l’exemple!
I posats a ser transparent, per què no tenim a l’abast els algoritmes que fan servir Google o Facebook? Amb l’argument que són secrets de la seva empresa, impedeixen analitzar de quina manera recullen i processen dades i obtenen conclusions, que els porten a recollir i processar noves dades. I aquest accés als algoritmes ja no es demana per curiositat malsana o per involucrar-se en la intimitat d’aquestes empreses, sinó perquè si no es coneixen aquests algoritmes no se sap si són discriminatoris o arbitraris ni es poden recórrer les decisions que prenen.