Inteligencia Colectiva – ¿1000 cabezas piensan más que una?
Autor: Marta Mallavibarrena
RESUMEN
La idea que subyace al éxito de los equipos interdisciplinares es la existencia de una inteligencia colectiva, de que la interacción de los elementos de un grupo produce resultados superiores a la suma de los resultados individuales. Gracias a la tecnología actual, este tipo de enfoque abre la puerta a nuevas oportunidades y aplicaciones en una infinidad de campos, incluyendo el propio análisis de inteligencia.
Palabras Clave: Inteligencia Colectiva, Análisis de Inteligencia, Seguridad, Inteligencia Artificial, Tecnología
Introducción
En ocasiones anteriores ya hemos mencionado algunas de las características de los analistas de inteligencia y de la importancia de que, en un mismo equipo, coexistan diferentes perfiles. El éxito de estos equipos interdisciplinares radica en que sus partes funcionen de manera independiente, en que cada uno de sus miembros alcance sus propias conclusiones, para que después, la interacción de estas ideas de lugar a un producto final superior a la simple suma de todas ellas. A que el grupo actúe de forma más inteligente que cualquiera de sus miembros de forma individual. Este tipo de interacción es lo que se denomina Inteligencia Colectiva.
Si bien la inteligencia colectiva no es un comportamiento nuevo (Leimeister,2010) ni exclusivo de los humanos (Krause, 2010), el libro de James Surowiecki, La Sabiduría de los Grupos (The Wisdom of the Crowd) popularizó el término en 2004 basándolo en cuatro principios fundamentales: la diversidad de opinión, la independencia, la descentralización y la capacidad de agregación. Para bien o para mal, desde entonces el mundo ha cambiado mucho, y la tecnología actual presenta dos principales ventajas para la inteligencia colectiva:
- Facilita la conexión entre personas. Tanto en el número de personas, como en la diversidad cultural, geográfica, ideológica, etc. Gracias a la extensión del acceso a internet.
- Permite conectar no solo personas, sino máquinas. Los ordenadores se convierten en un nodo más de esta inteligencia colectiva junto a los humanos.
Es el principio en el que se basan páginas como Wikipedia, iniciativas como el crowdfunding o la participación ciudadana, las alianzas internacionales y plataformas de innovación abierta (open innovation) como los casos de MAPFRE, Telefónica o BBVA.
Con esta perspectiva en mente, el profesor del Instituto de Tecnología de Massachusetts (MIT) Thomas W. Malone fundó en 2006 el Centro para Inteligencia Colectiva (CCI), del que han surgido diversas investigaciones que ofrecen aplicaciones directas al campo del análisis de inteligencia, seguridad o criminología, por nombrar algunas.
Modelos predictivos integrando inteligencia humana y artificial
Esta línea de investigación nace a partir del pretexto de que las máquinas, si bien son más eficaces a la hora de analizar grandes volúmenes de información, presentan mayores dificultades ante información desestructurada, excepciones, casos aislados, etc. El proyecto trata de combinar ambas perspectivas en un único modelo: la visión analítica y estructurada del análisis informático, con la visión humana, que, si bien presenta más sesgos que la anterior, continúa siendo más eficaz ante situaciones que se salgan de las normal habituales. (Nagar & Malone, 2012)
Los resultados obtenidos por el CCI muestran que estos modelos híbridos podrían ser más precisos y robustos que aquellos alcanzado por grupos exclusivamente formados por máquinas o personas.
Estos modelos se crearon originalmente para predecir fluctuaciones de mercado desde un punto de vista estratégico y comercial para las empresas, pero abren la puerta a infinitas aplicaciones. En el mundo de la inteligencia en concreto, el campo de la prospectiva podría ser el más beneficiado: permitirían analizar el enorme volumen de información disponible de numerosas fuentes distintas a través de modelos automáticos y combinarlo con la contextualización y la comprensión de las consecuencias ofrecidos por los analistas para predecir cambios políticos, económicos o socioculturales en el futuro.
Negociaciones complejas
La mayoría de los modelos planteados actualmente en el campo de la negociación y la desescalada de conflictos han sido diseñados para contextos simples en el que el número de partes interesadas es pequeño, al igual que la cantidad de variables en juego. Gracias a la aplicación de la Inteligencia Colectiva, desde el CCI trabajan en el desarrollo de modelos, aplicando principios de la teoría de juegos y técnicas de machine learning, que puedan escalarse a situaciones más complejas que se asemejen a las condiciones de conflictos reales. (Aydogan,, Marsa-Maestre, Klein, & Jonker, 2015; Klein, Faratin & Bar-Yam, 2003)
Aplicado a la inteligencia y la seguridad es una aplicación especialmente interesante en áreas como la geopolítica y las relaciones internacionales, donde hay un gran número de actores e intereses involucrados.
Redes de Inovación Colaborativa y Coolfarming/hunting
El término de Collaborative Innovation Networks (COINs), acuñado por investigadores del CCI, hace referencia a grupos de individuos motivados por la idea de crear y reinventar. A partir de este concepto se deriva el Coolfarming, enfocado a la creación de estas COINs y al nacimiento de las ideas surgidas a partir de sus interacciones. Por otra parte, aparece el concepto de Coolhunting, es decir, la búsqueda activa de patrones que permitan determinar dónde se están creando, de forma natural, estas COINs y fomentar su desarrollo. Para este fin han desarrollado una herramienta llamada CONDOR (gratis para uso académico) que trata de descubrir tendencias analizando redes, así como quiénes las están marcando, filtrar los contenidos generados y generar subredes de quienes hablen de los mismos temas combinado con el análisis de sentimiento.
El uso más estudiado por los investigadores de esta herramienta ha sido detectar grupos de personas potencialmente creativos en una organización a través del análisis del correo electrónico corporativo, (Gloor, Colladon, Grippa, 2020; Morgan, Gloor, 2019; Wen et al., 2019) pero, de nuevo, abre la puerta a innumerables usos en el análisis de redes en casos de criminalidad organizada o movimientos políticos o sociales difundidos en redes sociales, por ejemplo.
Conclusiones
Una vez más, los avances tecnológicos actuales nos permiten reinventar y mejorar conceptos tradicionales ofreciendo un amplio abanico de posibilidades de aplicación. En el caso de la inteligencia colectiva, podemos aprovechar la capacidad de análisis de los modelos informáticos con la nuestra propia para producir mejores resultados.
Si bien el origen de la mayoría de estas investigaciones está en los entornos corporativos, todos ellos ofrecen nuevas oportunidades de desarrollo en el campo del análisis de inteligencia, en áreas como la prospectiva, la geopolítica o el análisis de redes.
Marta Mallavibarrena – Psicóloga y Analista de Inteligencia
Referencias
Aydogan, R., Marsa-Maestre, I., Klein, M., & Jonker, C. M. (2015). A Machine Learning Approach for Mechanism Selection in Complex Negotiations. Eighth International Workshop on Agent-based Complex Automated Negotiations (ACAN). Springer
Bonabeau, Eric. (2009). Decisions 2.0: The Power of Collective Intelligence. MIT Sloan Management Review. 50. 45-52
Gloor, P.A. Colladon, A.F. Grippa, F. (2020) The digital footprint of innovators: Using email to detect the most creative people in your organization. Journal of Business Research 114, 254-264
Klein, M., P. Faratin, H. Sayama, and Y. Bar-Yam (2003). Protocols for Negotiating Complex Contracts. IEEE Intelligent Systems. 18(6):32-38.
Krause, J., Ruxton, G. D., & Krause, S. (2010). Swarm intelligence in animals and humans. Trends in ecology & evolution, 25(1), 28-34.
Leimeister, J. M. (2010). Collective intelligence. Business & Information Systems Engineering, 2(4), 245-248.
Morgan, L. Gloor, P. Identifying Virtual Tribes by Their Language in Enterprise E-Mail Archives. ickn technical report 2019-2
Nagar, Y. & Malone, T. W. Making Business Predictions by Combining Human and Machine Intelligence in Prediction Markets. Proceedings of the International Conference on Information Systems ICIS 2011, Shanghai, China, December 5, 2011. Nagar, Y., & Malone, T. W. (2012)
Surowiecki J (2004) The wisdom of crowds: why the many are smarter than the few
and how collective wisdom shapes business, economies, societies, and nations. 1st
Doubleday Books, New York
Wen, Q. Gloor, P. Fronzetti Colladon, A. Tickoo, P. Joshi, T. (2019) Finding top performers through email patterns analysis. Journal of Information Science
