Primera parte de tres, por Carolina Gruffat
Algoritmos cruzando fronteras. La crítica social a través del diseño
Este no-teórico se organiza en tres partes. La primera parte explora algunos aspectos del pensamiento algorítimo, focalizando en los algoritmos sociales y sistemas de recomendación. Luego se trabaja la idea de ciudades algoritmizables, para concluir con la presentación de un proyecto de ciudad datificada realizado en el marco de Properati (http://www.properati.com.ar/data).
Algortimos, modelos, futuros
La historia de los algortimos está tejida con la historia de la matemática. Quizás ahí surja la primera caja negra, en el sentido de una asociación que tiende a ser tomada como naturaleza o “algo ya dado” que no se puede (o nos resulta difícil) desarmar. Pero… de la mano de Chistopher Steiner (2012) empezamos a identificar algunos elementos, algunas reglas, una cantidad de teorías y de filósofos o matemáticos. Del sistema binario de Leibniz, en el siglo XVII, al poder de codificar y procesar el razonamiento como cálculo de Boole doscientos años después.
Vamos viendo que los modelos fueron remitiéndose unos a otros y ganando espesor, con grandes (y cada vez más) cantidades de números, variables, posibilidades, hasta que esos modelos, antes representaciones, copias, reflejos, adquieren ahora un sentido propio: (nos) indican preguntas, infieren hipótesis, toman decisiones por nosotros en los más diversos ámbitos.
No está claro desde cuándo el dominio de lo humano empezó a ser tomado, asociado, ampliado, por las máquinas, si es que ese momento alguna vez existió. Tampoco qué sería eso “propiamente humano”, libre de mediaciones. Más allá de eso, ¿existen (o más bien resisten) aspectos de acciones que no pueden reducirse a la lógica y a la cuantificación? La pregunta cobra sentido en el marco del argumento de Steiner en Automate this. How Algorithms Came to Rule Our World, dedicado a mostrar una creciente algortimización del mundo y que muchos trabajos humanos (sobre todo los que remiten a la “clase creativa”) serán reemplazados por máquinas.
(Nota al paso: no deja de ser llamativo el espacio que Steiner le dedica a las historias de vida de los inventores o matemáticos, y a los contextos de creación. ¿Por qué detenerse en las anécdotas de los trapiés o en los momentos de incertibumbre? ¿Podría leerse allí una posición que resguarda algún espacio irreductible de decisión o creación humana?).
Antes de introducirnos en estas cuestiones, pongamos en común una definición de algortimo: una secuencia de pasos (o serie de instrucciones) que deben ser llevadas a cabo para lograr un resultado ó la resolución de un problema. (Steiner, 2012).
Uno de los acertijos lógicos más conocidos a fines del siglo XVIII era el de los Siete Puentes de Konigsberg, que comunicaban las porciones de tierra divididas por un río en esa zona de Rusia, y que decía:
¿Cómo recorrer todos los puentes sin pasar dos veces por el mismo puente?
El problema fue resuelto por Euler quien lo pensó como nodos y líneas o conexiones, sentando las bases para la teoría de los gráficos, que permitirá pensar luego en topologías de red. Cuando hablamos del grafo social de Facebook, del grafo de intereses de Twitter, del grafo personal de Evernote, o del grafo de comportamiento de Google, volvemos a las bases de Euler.
Algoritmos sociales y sistemas de recomendación
Los algoritmos sociales ponen en primer plano el hecho de que modelizar es describir, es tipificar, pero también y fundamentalmente es anticipar. Se trata de programas que nos dimensionan, evalúan lo que queremos, y nos devuelven una experiencia personalizada, al parecer elaborada solamente a nuestra medida (Lazer, 2015)
Dos casos nos ayudan a dimensionar algunos aspectos controversiales, poniendo de manifiesto supuestos sociales que no suscribiríamos:
La pregunta sobre qué responsabilidad tiene Facebook para prevenir que Trump sea elegido presidente en el 2017 fue una de las más votadas internamente en la companía como tema para la charla de Zuckerberg en el G8.
las supuestas tres etnias detectadas para fragmentar la publicidad en Facebook: la hispana, la asiática y la afroamericana. Para el resto Facebook tiene la opción de no multicultural. ¿A partir de qué indicadores o metadatos?
Anticipándonos al teórico siguiente sobre burbujas de filtro resuena aquí la pregunta de Eli Pariser: ¿Facebook como muro o como puente? Nunca más evidente la idea de que el software es un pegamento cultural.
Identificar estos supuestos críticos nos permitirá luego pensar en una interveción a través del diseño de un algoritmo, tema del proyecto grupal. La crítica, a nuestro modo de ver, supone una intervención: siempre es aditiva.
Segunda cuestión: ¿cómo operan estos sistemas de recomendación, que buscarán anticipar algo de preferencia de cada usuario? Vale la pena diferenciar dos modelos de filtrado, aunque en la mayoría de los casos encontramos un híbrido de ambos.
Filtrado colaborativo: se construye a partir de las preferencias del pasado. Es decir, necesita aprender del usuario. Este es uno de sus aspectos críticos: para hacer recomendaciones relevantes para cada usuario necesita contar con mucha información personal. Algunos ejemplos de este tipo: Amazon, Spotify (en ambos casos vinculado al perfil de usuario). / Dos narrativas: el sistema operativo de Her y Tay, la superinteligencia que en un dia de interactuar en la red se volvió racista y xenófoba.
Con respecto a la colección de datos del usuario, puede hacerse de modo explícito, pidiéndole al usuario que ordene una lista de elementos según sus preferencias, o de modo implícito, analizando comportamientos o usos del usuario.
Filtrado por contenido: se basa en las características de los objetos (apela a metadatos). Un ejemplo podrían ser las recomendaciones de Amazon a partir de la compra o selección de un libro, basada en la afinidad temática de ese objeto con otros.
La pregunta por lo nuevo
Otro capítulo es el de los algoritmos que pueden crear música, literatura, etc. Uno de los casos más interesantes es el de Pholyphonic HMI, “la fórmula del éxito de los grandes hits musicales”. Este algortimo, basándose en el hecho de que los hits tienden a agruparse por tener estructuras subyacentes similares, plantea un modelo tridimensional ó mapa relacional de canciones. Al introducir una canción nueva, el algoritmo la ubica en ese modelo visual función de su semejanza con otros hits y permite así predecir qué popularidad tendrá.
El lenguaje musical, moldeado por diversos patrones (melodía, ritmo, armonía, etc.), presenta una materialidad muy propicia a ese tipo de análisis. Los corales de Bach particularmente han permitido llevar el tema mucho más lejos, dando lugar a la creación de un bot, con un gran número de secuencias musicales, que no sólo ejecuta o interpreta esas obras musicales sino que además puede componer otras nuevas, recombinándolas de modos aleatorios. ¿Lo nuevo puede surgir de la recombinación o requiere algo más?
Contra estos ejemplos, traemos un caso de la crítica literaria, María Popova, autora del sitio Bain Pickins, cuya curaduría se nutre de algoritmos -de hecho, su modelo de negocio está asociado a Amazon-, pero agrega algo más, un excente cognitivo. Este modelo híbrido, de algortimos enriquecidos, parecería ser en principio más auspicioso a la emergencia de lo nuevo, en la medida que se basa en un cuerpo situado en un contexto, con una sensibilidad y una experiencia que habilita lo imprevisto y la duda; es decir, no es reductible a la lógica. Pero la pregunta queda abierta…
Para seguir investigando
Piscitelli, A. (2015) Is Google the answer. Hackeando casi todo.
Sued, G. (2015) Los algoritmos que nos vuelven sociales, saliendo de la metáfora amo/esclavo en Catedra Datos.
Lazer, D. (2015) The rise of the social algorithm en Science Magazine.
Titlow, J.P. (2016) Can Big Data Discover The Next Pop Star? en Fast Company
Mortensen, P. (2013) The Future Of Technology Isn’t Mobile, It’s Contextual en Fast Co.Design
Rotger, L. (2013) Alan M. Turing y Claude E. Shannon: matemáticas para la informática en El País.
Segunda parte de tres. Por Martín Rodriguez Kedikian
Líneas de deseo: La ciudad proyectada, la ciudad usada.
En esta segunda parte quiero empezar hablando de las ciudades. Las ciudades y el diseño. El diseño es por excelencia una disciplina proyectiva. Es decir, que se va a interesar por usos que rodavía no se dieron. Se prefiguran elementos hoy para una configuración en el futuro. El usuario particular, en estos casos, no puede ser contemplado más que a nivel agregado.
Las ciudades determinan flujos, velocidades, usos del espacio. Entonces los usuarios tienen que ser pensados en grupos: los peatones irán por acá, los autos circularán en esta dirección y velocidad, este espacio se destinará a la recreación al aire libre, etc. Piensen en el tamaño de las veredas en relación al tamaño de las calzadas y a las avenidas. Ahí se puede ver la importancia que se le dio y se le da a cada grupo. Al menos el diseño de ciudades modernas con esos llamados Master Plan, donde se contemplaba que la usaran grandes cantidades de personas, claro.
El diseño, entonces, como la actividad que determina usos y prefigura comportamientos (o al menos pretende prefigurarlos), siempre tiene un sustento político. Las decisiones que se toman en relación a lo que se puede o no se puede hacer en un espacio, es una decisión política. Y en definitiva, el resultado de diseño final de una ciudad no es más que la interfaz física, es decir la capa superior de contacto con el usuario, de un sistema político. Los líderes político-religiosos griegos construyeron un punto estratégico en el lugar más alto de la ciudad para poder tener una ventaja estratégica frente a sus enemigos, verlos acercarse a la distancia. Acrópolis, significa, literalmente, “el punto más alto de la ciudad”.
En este sentido, Carlos Scolari, semiólogo argentino, propone que “toda interfaz es política”. Y no por nada en diseño se usa el concepto de sandbox (arenero) para referirse al universo de posibilidades que permite un diseño, sea una plataforma, un videojuego o un lenguaje determinado. Todo lo que se pueda hacer hacia adentro del arenero se hará, pero siempre manteniendo los límites prefijados por el diseño.
Así es como encontramos ciudades planificadas, pensadas para un determinado uso, para una determinada vivencia, como puede ser la ciudad de La Plata. Una ciudad con una cuadrícula recta, una plaza central (donde está la catedral… bueno, detalles), diagonales que la cruzan equidistantemente y rotondas distribuidas para poder circularlas. Hay en este diseño un claro sentido de la eficiencia, del ordenamiento y una intencionalidad en el uso. De hecho, las calles tienen números y no nombres para que uno se oriente más rápida y fácilmente. Una ciudad totalmente pensada, que aun así fue desbordada por el uso y que tuvo, conforme fue creciendo, una ampliación hacia las afueras, digamos, fuera de los límites de lo pensado. Se puede ver en cualquier plano cómo las “afueras” de La Plata no conservan la reticularidad del casco urbano, porque responden más al uso que al diseño.
Una ciudad que se necesitó usar antes de poder diseñarse fue la ciudad de Salta. Nacida y crecida entre los cerros, se expandió a medida que dejó de ser un punto de paso hacia las minas de Potosí y la zona minera en un contexto colonial, y se fue adaptando a los usos y las necesidades.
A lo largo y a lo ancho de la historia encontramos varios casos donde el diseño de la ciudad surgió de una necesidad de cambiar el uso: en los años 1850, Napoleón III mandó a realizar una serie de cambios en las avenidas parisinas, ensanchándolas y colocando los que ahora vemos como pintorescos bulevares, con el práctico fin de otorgarle a las fuerzas represivas fácil acceso a todos los sectores de la ciudad. Esto tenía el concreto fin de terminar con las barricadas, una forma de agrupación y ocupación de las calles que habían permitido, precisamente, las vías angostas.
Otro caso paradigmático del uso de la ciudad fuera del diseño original (de los llamados Master Plan) son las villas miseria y asentamientos que hoy forman parte del paisaje urbano de cualquier gran metrópoli y que tienen sus orígenes en la mera necesidad.
Estar o no dentro del Master Plan
Tras observar estos usos de las ciudades dentro y fuera del diseño, observamos que no es ni más ni menos que estar dentro o no de los usos previstos por los algoritmos. Las fórmulas matemáticas son las que regulan la combinación de los materiales a usar en las construcciones, en la distancia entre los puntos, en el cálculo del tamaño de las aceras para poder ser usadas, la distancia de las calzadas para que los vehículos puedan acelerar y valer la pena ser usados en ese trazado, etc.
En los años ‘50, el filósofo francés Gaston Bachelard acuñó la expresión “líneas de deseo” para referirse a los usos que no coincidían con el diseño a la hora de trasladarse de un punto a otro. Podríamos ver pequeñas tácticas de uso del espacio, en una lectura de certeana, y podríamos volver a pensar el rol del usuario final en el diseño de estas ciudades. Porque a partir de entender las diferentes necesidades, se pueden realizar modificaciones en las trazas urbanas, adaptaciones a partir de cómo se ve que se está usando cierto espacio.
Entender las necesidades de los usuarios finales de un diseño, en este caso el de una ciudad, no es más que redefinir el objetivo político detrás de la interfaz que se pensó. El caso de los ciclistas en la Ciudad de Buenos Aires es bien claro. Las bicicletas fueron incorporadas a la traza de los autos, entendiendo como similares sus necesidades, cuando muchas veces no lo son, y las condiciones de transporte menos. Sin embargo, el diseño de la traza de ciclovías es secundario en relación al uso cotidiano de las calles.
La posibilidad del relevo constante
Cuando Bachelard introdujo el concepto de las líneas de deseo en una ciudad, lo hizo, podemos inferir, a partir de la observación directa de la ciudad. La diferencia (y notable ventaja) que tenemos hoy en día para poder adaptar los diseños urbanos al usuario final es la capacidad de medir esos usos constantemente a partir de los datos que genera. Pago de boletos de transporte público con la tarjeta SUBE, las vueltas que dan los molinetes en las estaciones de subtes y trenes, el reporte de los GPS de los celulares en todo momento, es información en cantidades descomunales y constantemente que se puede utilizar para entender mejor a los usuarios de la ciudad, y poder hacer cambios.
En términos concretos, y dado los volúmenes de información a procesar, la posibilidad a la que nos enfrentamos es a volcar en los algoritmos toda (o gran parte de) nuestra vivencia de las ciudades. Una smart city, una ciudad inteligente, es aquella que entiende las necesidades de la gente que vive en ella. Y la gente que vive en las ciudades en el 2016, genera datos donde va. El desafío es poder usar esos datos, convertirlos en información y hacer algo con eso (para los usuarios!).
Hoy día hay aplicaciones que están pensando en eso: el caso de Waze es paradigmático. Recoge información de los teléfonos usando la aplicación y geolocalizados, para trazar recorridos por la ciudad basándose en el uso que concretamente se le está dando a ese diseño urbano. Así, muchas veces, esta aplicación sugiere rutas que implican hacer más kilómetros, pero ahorrar tiempo en relación a una ruta físicamente más directa, pero más atestada de gente. Rápidamente podemos notar el diseño centrado en el usuario con una premisa bien clara: llegar de un punto a otro en el menor tiempo posible.
Por todas partes hay casos donde los puntos de wifi públicos de las ciudades pueden interpretar, a partir de los dispositivos conectados, el uso de ese espacio, y poder realizar alguna acción sobre una necesidad puntual. Puede ser coordinar los semáforos para darle paso a los bomberos, que necesitan llegar de un punto a otro de la ciudad en el menor tiempo posible, o brindar tranquilidad a los adultos mayores que pueden necesitar asistencia médica en cualquier momento y no por eso confinarlos a estar dentro de sus casas.
Lo que resta para pensar en adelante, es si estamos dispuestos a lo que este camino implica: para poder recolectar datos, necesariamente tenemos que permitir que algo de nuestra actividad diaria sea registrada. Por más que no sea importante nuestro dato aislado, pasará a formar parte de una masa de ciudadanos “datificados”, actividades mensuradas y un flujo de información constante.
Quizá tengamos que despedirnos de la figura del flaneur para empezar a buscar otra figura, otros modos de conectarnos con las ciudades y de experienciar la ciudad.
Tercera parte de tres. Por Federico Baylé
Properati Data: datos, la ciudad y la información que hay ahí
Cada vez más hay equipos en distintas áreas que trabajan con datos. Sobre todo en los medios de comunicación, hay una tendencia a armar las noticias alrededor de los datos, o en el mejor de los datos, encontrar noticias en los datos. Y cada vez más los resultados más interesantes se logran cuando se combinan las disciplinas.
Lo cierto es que cada vez hay más datos disponibles de forma pública, gracias al movimiento mundial del open data, es decir de públicos y privados que abren sus bases de datos para la reutilización, como también de todos los datos que generamos constantemente en las redes sociales que pueden ser reutilizados. Así que es cuestión de ponerse a hacer.
Digo esto porque cada vez hay más herramientas online, algunas incluso libres, que facilitan el procesamiento de esos datos y hay que tener menos conocimientos específicos de minería de datos, o de programación para manipularlos. Eso ahorra mucho tiempo y esfuerzo. Además hay una tendencia grande en comunicar cada vez más con imágenes que con texto, y las visualizaciones en este sentido aportan mucho impacto a lo que estamos diciendo. Es lo que los datos muestran, está ahí, y te lo muestro con visualizaciones. No hay mucho más para debatir. Y a los que le interese el periodismo y los datos pueden hacer muchas cosas, todavía hay mucho por descubrir.
Uno de los casos que más está haciendo revuelo en el mundo es el de Mike Bostock en el New York Times. Él dice que quiere hacer visualizaciones con impacto, quiere trabajar la noticia desde lo que los datos le devuelvan y mostrar las cosas que muchas veces no se ven tan simplemente, y mostrarlo de una forma atractiva. Por eso en sus notas hay muchos mapas, gráficos y no tanto texto. En la presentación hay un link a un ejemplo de lo que les digo.
En mi caso, en Properati Data trabajamos un geógrafo, un sociólogo y periodista y yo que soy economista. Entre los tres nos complementamos y llevamos adelante esta división en la que buscamos varias cosas. Por un lado, agregarle valor a los datos ya publicados, sean nuestros, o sean del estado, o sean públicos por algún otro motivo, y hasta incluso crearlos. Queremos contar historias interesantes con esos datos, queremos ver qué tienen para decir los datos. Al mismo tiempo, queremos estar constantemente actualizados de lo que se publica. Digamos, tener un archivo permanente. En la medida que haya más datos disponibles, se pueden decir más cosas. Y por último, generar impacto: crear notas que sean interesantes no solo para nosotros, sino para toda la comunidad, hablando de temas que puedan ser noticia, o subirnos a la coyuntura para aportar la visión de los datos, y de paso, llevar gente al sitio.
El caso
Concretamente, este trabajo lo hicimos apenas fueron las elecciones para Jefe de Gobierno de la Ciudad en 2015. Lo que les decía, lo hicimos los días siguientes a las elecciones porque era interesante. Capaz tres meses después no le importa a nadie y el impacto es nulo. Pero al hacerlo en ese momento y con datos, tuvimos buen alcance.
Lo que fuimos a buscar fue la correlación entre los candidatos votados y el precio del metro cuadrado de los diferentes barrios de la ciudad. Queríamos ver si el precio de la casa tenía que ver con la decisión de voto. Cuidado que en datos decimos que se presentan o no correlaciones, no podemos hablar de causa-efecto porque nos perdemos elementos en el medio y podemos llegar a conclusiones erróneas.
De nuestro lado tenemos las propiedades, entonces podemos saber, en promedio, el precio por metro cuadrado de cada barrio de la ciudad. Por otro lado, un usuario compiló los votos por radio censal, entonces ahí pudimos tener los datos que necesitábamos para trabajar en la línea que queríamos. Así hicimos, y llegamos a ese mapa con las dos intenciones de voto. En el que está en azul están las zonas donde el Frente para la Victoria sacó más votos, cuanto más oscuro más votos, y en magenta los votos del PRO. Lo mismo, cuanto más oscuro, más porcentaje de votos en relación a los demás candidatos. Podemos ver a simple vista una polaridad, en las zonas donde el precio por metro cuadrado es más barato, el FPV sacó más votos, y en las zonas donde el precio por metro cuadrado es más caro, sacó más votos el PRO.
Esa fue la primer versión que sacamos. Lo hicimos rápido y nos interesaba tener algo online aunque fuera una primer versión, precisamente por estar subidos a la coyuntura, como les contaba antes. Precisamente por tenerlo subido en poco tiempo, pudimos darlo a conocer a la comunidad y un usuario (en este caso experto en data, pero podría bien haber sido cualquiera) nos sugirió una vuelta de tuerca. Nos sugirió hacer algo que no habíamos pensado. Esto es importante en datos, capaz vos pensaste en una forma que te parecía la mejor para visualizar lo que querías, y la comunidad te devuelve otra cosa, o te presenta ideas o necesidades nuevas.
Probamos la variante que nos sugirió este usuario, y podemos ver la progresión que queríamos mostrar. Y al final, las dos visualizaciones son potentes para mostrar lo que queríamos mostrar: se ve que los puntos amarillos (cada punto representa un barrio) del PRO se agrandan en cuanto sube el precio por metro cuadrado (en el eje X), mientras que la línea media del FPV hace lo contrario. Como si estas dos líneas estuvieran en espejo. Vemos que el tercer actor en todo esto, del partido ECO, pareciera ser más transversal a todos los barrios de la capital. No tiene tanto volumen, pero atraviesa a la misma altura todos los distintos sectores con diferente precio por metro cuadrado.
El resultado: una nota surgida de los datos, donde probamos una correlación entre dos variables de una forma fehaciente, es lo que arrojaron los datos. La nutrimos con una visualización distinta y bien apuntada a los resultados gracias a la comunidad, que se complementó con el mapa que ya habíamos hecho, y tuvimos repercusiones en gente del palo de la academia. Y además, llevamos gente al sitio. Todos contentos.
Comentarios