¿Se puede automatizar el análisis de inteligencia?

Autor: Marta Mallavibarrena

RESUMEN

Con el avance de la tecnología y el descubrimiento de nuevas aplicaciones de la inteligencia artificial, todos los sectores se plantean qué parte de su actividad podría, al menos teóricamente, sustituirse por un algoritmo. Desde el mundo de la inteligencia también cabe preguntarse de qué manera puede beneficiarse el análisis de este tipo de herramientas, y si sería posible eliminar por completo la figura del analista o, por el contrario, el factor humano se mantiene como un elemento imprescindible.

Palabras clave: análisis de inteligencia, inteligencia artificial, automatización

Automatización: apoyo vs sustitución

Como ha ocurrido en el pasado, el mismo miedo a ser reemplazados que empujó a los faroleros neoyorkinos a convocar una huelga en abril de 1907 tras la invención de la bombilla ha estado presente en la mente de muchos trabajadores con cada revolución industrial. En la actualidad hay quien asegura que nos encontramos ante una “Cuarta Revolución Industrial”, y esta preocupación vuelve a surgir, incluso fue uno de los temas centrales el Foro Económico Mundial (WEF) de Davos en 2016 y 2019. (Schulze, 2019)

Los expertos debaten sobre si las consecuencias de esta cuarta revolución serán similares a las anteriores, o si nos encontramos ante un fenómeno diferente; sobre si la creación de nuevos empleos derivada de la introducción de nuevas tecnologías sobrepasará la pérdida de empleos consecuencia de la sustitución de trabajadores. No es el objeto de este artículo responder a estas preguntas, pero sí es necesario aclarar uno de los argumentos que se emplean a favor de la automatización: apoyo vs sustitución.

A la hora de implementar cualquier cambio en un proceso, es importante distinguir si el objetivo de dicho cambio es apoyar la labor de quienes lo realizan (mejorando su eficiencia, productividad, evitando acciones innecesarias, etc.) o el de sustituir por completo a estas personas. La maquinaria empleada en las cadenas de producción de la fabricación de automóviles es un ejemplo claro de sustitución, mientras que la adquisición de nueva instrumentación médica sirve para mejorar y/o facilitar la labor del personal sanitario, no reemplazarlo. El objetivo de este artículo es analizar algunos de los casos en que ambas situaciones podrían aplicarse a las diferentes fases del ciclo de inteligencia.

Automatización en el ciclo de inteligencia

Si bien el conocido ciclo de inteligencia puede no ser suficiente para recoger la complejidad del análisis de inteligencia en su totalidad, sirve como esquema para organizar las tareas del analista.

PLANIFICACIÓN

Dado que el análisis de inteligencia está enfocado a las necesidades de cada cliente/situación, y que estas pueden variar enormemente, la fase de planificación, dedicada a descubrir y comprender dichas necesidades y planificar el análisis posterior en consecuencia, presenta serias dificultades para la automatización. Esta fase requiere comprender el objetivo que se pretende alcanzar y cuál es la mejor manera de alcanzarlo, pero sería difícil crear un modelo que pudiera hacer esta planificación para un cliente del sector financiero, que para uno del sector industrial.

La cantidad de casuísticas posibles, y la falta de paralelismos entre ellas hace que esta fase sea demasiado heterogénea para poder beneficiarse de la automatización. Esa primera reunión con el cliente para la toma de requisitos, por ahora, tendrá que seguir haciéndose a la antigua usanza.

OBTENCIÓN

Si bien, de nuevo, se trata de una fase cuyas tareas concretas pueden variar entre caso, la obtención de información sí presenta varios aspectos que pueden aprovechar las capacidades de modelos de automatización.

    • Detectar información relevante: haciendo uso del Natural Language Procesing (NLP), que también será muy útil en la fase de análisis, podemos entrenar modelos de IA que “comprendan” el lenguaje en su contexto, y no únicamente como unidades de significado independientes. Esto permite al analista de inteligencia realizar búsquedas más allá de palabras clave aisladas y operadores booleanos. Con un modelo que no sólo es capaz de leer sino de entender lo que lee, podemos eliminar una enorme cantidad de horas de revisar “ruido” o resultados irrelevantes. (Chowdhary, 2020) Por el momento, estos modelos seguirían sin ser capaces de hacer esa entrevista del apartado anterior.
    • Recopilar información de una o varias fuentes: la base del análisis de inteligencia es el análisis de una información de diversas fuentes, pero obtener dicha información, especialmente en formatos que sea posible analizar más adelante, puede ser un gran desafío. Técnicas como el web scraping permiten al analista desarrollar herramientas que extraigan la información, en el formato que se encuentre, de una página web y la almacenen de tal forma que se posible emplearla en la siguiente fase. (Glez-Peña, 2014)

ANÁLISIS

Análisis: quizá la aplicación más obvia de la tecnología en inteligencia se encuentre en esta fase. La utilización de programas informáticos para realizar cálculos y análisis estadísticos no es nada nuevo. La oportunidad que nos brinda esta nueva revolución industrial es la de mejorar métodos de análisis anteriores (mayor cantidad de datos y velocidad de procesamiento de información), aparición o reinvención de técnicas (como el análisis de sentimiento haciendo uso del ya mencionado NLP (Feldman, 2013)), dar mayor contexto y retroalimentación a los modelos predictivos (gracias al entrenamiento de modelos de IA y machine learning, estos no son estáticos, sino que aprenden de sus propios errores).

Cualquier información analizada por estos medios sigue pasando por un filtro humano.

DIFUSIÓN

En esta última fase, la de la creación y difusión de entregables, podemos echar mano de la automatización para extraer los puntos más importantes de un informe y redactar una versión más ejecutiva del mismo a partir de ellos; extraer e insertar de forma automática los resultados del análisis, como tablas y gráficas, de distintas fuentes (una tabla de Excel, junto a una gráfica de Power BI y un mapa en .jpg); o aplicar diferentes formatos a la misma información para crear los diferentes entregables

EL PAPEL DE LA CONFIANZA

Hay una variable que media en los resultados de la utilización de cualquiera de estas tecnologías, y es la confianza. Al apoyarnos en el análisis automatizado de información solemos mostrar cierta reticencia a tomar dichos resultados como fiables, ya sea porque no conocemos el proceso que hay detrás de dicho análisis o porque no lo comprendemos. Numerosos estudios han investigado el papel de la confianza en la tecnología con el desempeño de quienes la emplean, y la correlación que han encontrado es positiva y significativa, es decir, que aquellos analistas que confiaban en la automatización mostraban un mejor desempeño que aquellos que no lo hacían. (Neigel, 2018) Aún así no se debe confundir confianza con una fe ciega. La importancia radica en eliminar el sesgo negativo que suele acompañar la implementación de este tipo de sistemas. (Parasuraman, 2010)

CONCLUSIONES

¿Puede el análisis de inteligencia apoyarse en el desarrollo de nuevas tecnologías para automatizar partes de su proceso? Por supuesto. Es la interacción positiva entre la máquina y el analista la que construye mejores resultados.

¿Quiere esto decir que el papel del analista de inteligencia ya no es necesario? En absoluto. El factor humano sigue siendo imprescindible para dar contexto, depurar y realmente comprender los resultados que puedan obtenerse de un proceso automático. Una de las dificultades para encontrar perfiles adecuados en inteligencia es que se requiere tener conocimientos de muchas áreas distintas, que junto a las áreas que conocen los demás miembros del equipo trata de abarcar el mayor campo posible para poder ofrecer esa visión holística, global, en sus resultados. La inteligencia artificial puede ser increíble en una tarea concreta, pero aún falla en la versatilidad característica del analista de inteligencia.

REFERENCIAS

All Answers Ltd. (November 2018). The Impact of the Fourth Industrial Revolution on Jobs. Recuperado de: https://ukdiss.com/examples/fourth-industrial-revolution-jobs.php?vref=1

Chowdhary K.R. (2020) Natural Language Processing. In: Fundamentals of Artificial Intelligence. Springer, New Delhi. https://doi.org/10.1007/978-81-322-3972-7_19

Feldman, R. (2013). Techniques and applications for sentiment analysis. Communications of the ACM, 56(4), 82-89.

Glez-Peña, D., Lourenço, A., López-Fernández, H., Reboiro-Jato, M., & Fdez-Riverola, F. (2014). Web scraping technologies in an API world. Briefings in bioinformatics, 15(5), 788-797.

Neigel, A. R., Caylor, J. P., Kase, S. E., Vanni, M. T., & Hoye, J. (2018). The Role of Trust and Automation in an Intelligence Analyst Decisional Guidance Paradigm. Journal of Cognitive Engineering and Decision Making, 12(4), 239–247. https://doi.org/10.1177/1555343418799601

Parasuraman, R., & Manzey, D. H. (2010). Complacency and Bias in Human Use of Automation: An Attentional Integration. Human Factors, 52(3), 381–410. https://doi.org/10.1177/0018720810376055

Schulze, E (2019) Everything you need to know about the Fourth Industrial Revolution. CNBC – Recuperado de: https://www.cnbc.com/2019/01/16/fourth-industrial-revolution-explained-davos-2019.html

The New York Times Archives (1907) LAMPLIGHTERS QUIT; CITY DARK IN SPOTS; Police Reserves Out in Harlem to Set the Gas Lamps Going. UNION CALLS OUT 400 MEN Only Formed a Short Time Ago, Whereupon the Gas Company Began Dismissals. The New York Times; April 25, 1907, Page 1

Marta Mallavibarrena – Psicóloga y Analista de Inteligencia