Datos. De chico, Walter Sosa Escudero leía datos. Información pura y dura. “El recuerdo que tenían mis padres era que yo tenía una especie de curiosidad para entender dónde estaban los países, qué capitales tenían, etcétera, etcétera. Esa cuestión social me llamaba la atención”. Esa pequeña obsesión, temprana, germinal, poderosa, se fue agigantando cuando, ya en la secundaria, se volvió un devorador de enciclopedias. Así se define él mismo, mirándose en el espejo del pasado: como un gran “devorador de enciclopedias”. “Muchos años después me di cuenta que es una forma muy borgeana de leer. Y tanto en la primaria como en la secundaria era un brutal consumidor de atlas, diccionarios, calendarios, enciclopedias. Una forma no culposa de leer”. Los profesores le decían que dejara esas “pavadas”, que lea literatura o ciencia. Pero el niño encontraba en esa conjunción de datos concretos una fotografía imaginaria de la inmensidad del mundo.
“No había cosa que produjese más excitación de chico que leer. Me acuerdo que la Enciclopedia Británica sacaba una especie de libro del año donde contaban todo lo que había pasado en distintos lugares del mundo, y desde un punto de vista económico, político, etcétera. Era un libraco de mil páginas. Mi padre lo compraba y yo lo devoraba. A mí me interesaba mucho saber qué pasaba en el mundo donde se producía tal cosa o tal otra. Es un poco el trabajo que hago ahora”, cuenta este licenciado en Economía por la Universidad de Buenos Aires y PhD por la Universidad de Illinois. Se especializa en estadística y econometría teórica y aplicada a cuestiones sociales. Es profesor de la Universidad de San Andrés, de la Universidad Nacional de La Plata, investigador principal del Conicet y miembro titular de la Academia Nacional de Ciencias Económicas. Su último libro se titula Viajar al futuro (y volver para contarlo): la ciencia detrás de los pronósticos.
Editado por Siglo XXI, el libro se pregunta por el arte de predecir. Con ejemplos cotidianos, anécdotas universales, citas de autoridad y reflexiones filosóficas, Sosa Escudero conduce un barco que navega alrededor del monstruo de la verdad. “La estadística no pretende ser verdadera sino útil”, escribe. “La forma de lidiar con lo incierto es asignarle probabilidades”, agrega. “Los principales logros predictivos surgen de una acertada combinación de información, tecnología e inteligencia (tanto de la artificial como de la ‘natural’, la que provee la ciencia)”, afirma. También aborda el “sobreentusiasmo” que tiene el mundo con “las capacidades de los datos y la IA”. Ahora, en diálogo telefónico con Infobae Cultura, dice que “desde el momento que un nómade levantó la cabeza para ver una nube y darse cuenta si llovía o no llovía estamos metidos en este despelote de las predicciones”. Así empieza la entrevista.
—Una de las cuestiones que subyacen de fondo en el libro es la incertidumbre: la imposibilidad que tenemos de bancarnos la incertidumbre.
—Sobre cualquier cosa que sea aleatoria, si vos te ponés muy estricto, la respuesta es que no se puede predecir. Un ejemplo bastante pavote. Yo tiro una moneda. Va a ser cara o seca. Vos decís: ‘bueno, pará, con big data, inteligencia artificial, etcétera, yo puedo predecir antes de que tire la moneda si va a salir cara o seca’. Mi respuesta como analista es: no. La conclusión que no quiero que nadie saque es ‘Ah, entonces no se puede hacer nada. Vámonos a dormir’. Que vos digas que las chances de que salga cara son 50% es estar diciendo mucho más que ‘no se puede predecir nada’. Entonces, en definitiva, para la toma de decisiones y para medir el riesgo, aún cuando ciertos eventos no se puedan predecir por definición, pegarle a sus chances es importantísimo. Insisto: imaginate que vos sos Defensa Civil y tenés que recomendar que la gente salga o no salga. Y de repente, con 90% de probabilidad de tormentas eléctricas, ¿qué decís? En definitiva, las probabilidades, si bien no te dicen exactamente qué va a ocurrir, te informan como para que vos sepas cómo posicionarte con respecto al riesgo.
—Porque, como decís, la estadística no tiene que ver tanto con la verdad, sino con la utilidad.
—Hay una frase de George Box, que es un estadístico famoso, que dice: ‘Todos los modelos están mal, pero algunos son útiles’. Vos tenés que juzgar las estadísticas, las predicciones, no desde la perspectiva de si son buenas o son malas, sino si me ayudan a algo en particular. Te pongo un ejemplo que anda dando vueltas por ahí todo el tiempo: la famosa medición de la pobreza. Si me preguntas a mí ¿son buenas o malas? te voy a decir: ‘depende para qué'. Por ejemplo, para cuantificar la cantidad de pobres funciona más o menos mal o no funciona muy bien. Pero para ver si la pobreza va para arriba o para abajo, si está subiendo, si está bajando, las mediciones de la pobreza funcionan. Muchas veces cuando sale la cifra de pobreza, 50, 35 o 40, no importa el número. Lo primero que se discute no es si es 40, si es 35 o si es 50; lo que se discute es si está subiendo o si está bajando. Para ese segundo propósito, la medición de la pobreza funciona, es útil.
Lo primero, entonces, fueron los datos; después vino la matemática y, finalmente, la economía. “Cuando me decidí por la economía, ya me había decidido por la matemática, por la computación, por los problemas sociales”, dice. Para Sosa Escudero, la economía es una forma de moverse. “La matemática no me proporcionaba los problemas que a mí me interesaban. La sociología no se movía con las herramientas que yo me quería mover. Me parecía que la economía como disciplina me permitía, a mí, personalmente, quedarme tan cerca de la matemática, de la computación, de los datos como yo quería, pero también estar dentro del marco de una disciplina social que son a la larga las cosas que a mí me interesan”, cuenta. Y hubo un momento en que quiso socializar ese conocimiento, entonces apareció, primero la docencia, después la divulgación, porque, dice “la forma más obvia de divulgar es la docencia”.
“Cualquiera que esté dando clase de algo, desde un maestro de la primaria hasta un profesor del doctorado, en cierto sentido, está divulgando. Divulgar significa: convenciendo a un grupo de gente de lo que uno hace es relevante e importante”, explica. En el año 2012 la divulgación se volvió una actividad central en su vida que poco a poco fue creciendo. Al año siguiente formó parte del grupo de TED x Río de la Plata con la charla “Bienvenidos al mundo de las estadísticas”. Entonces publicó dos libros seguidos de divulgación pura: ¿Qué es (y qué no es) la estadística? y Big data: breve manual para conocer la ciencia de datos que ya invadió nuestras vidas. “Al principio lo veía como una extensión de la docencia: intentar llegar a un público un poco más grande. La divulgación científica es una cosa de viejo. ¿Por qué? Porque para divulgar un montón de anécdotas. necesitás haber escuchado un montón de historias, porque a la larga, divulgar es contar historias”, asegura.
En el año de la pandemia, el 2020, Sosa Escudero publica una rareza: Borges, big data y yo. Como la mayoría, su lectura de Borges fue temprana, de chico, en la secundaria, como un “lector errático”. Eso quedó marcado adentro, al principio imperceptible, pero con el tiempo, ya formado en economía y estadísticas, se dio cuenta que, cuando daba clases, “recurría mucho a imágenes de cuentos de Borges para ejemplificar cuestiones que tenían que ver con la probabilidad, con el infinito, etcétera. Nada demasiado nuevo, pero me di cuenta que lo hacía. Llegó un momento en que tenía un montón de esos puentes ya construidos. En el libro lo que intento es juntar dos injuntables, que es el mundo de las probabilidades, los datos, los algoritmos y el mundo de la literatura. Me di cuenta que tenía contar lo que yo ya había contado. Simplemente contar las cosas que se me habían ocurrido de ser un lector inocente de Borges y un lector formado en probabilidad”.
—La inteligencia artificial está muy presente en el libro. La pregunta despojada que quiero hacerte es ¿qué es lo que viene a aportarnos, a introducir al mundo, la inteligencia artificial, al menos como la conocemos ahora? ¿Cuál es la gran novedad que viene a traernos?
—La novedad que viene a traer la inteligencia artificial es que puede hacer una tarea de fuerza bruta que a cualquier persona le costaría infinitamente más. Si yo agarro un estudiante y le digo ‘tenés que leerte 200 artículos para mañana y resumirlos’, para cualquier persona mortal, eso es imposible. Ahí es donde la IA hace las cosas muy rápido. ‘¿Así que a vos te cuesta leer 200 artículos? Tomá, yo ya lo leí y acá tenés el resumen’. Estamos viendo todavía esa especie de competencia a la fuerza bruta, en donde trivialmente alguien que no se aburre, alguien que no se distrae, alguien que puede procesar patrones rápidos, naturalmente te va a ganar. Vos le decís a la inteligencia artificial a ver: ‘agarrá este libro que tiene mil páginas y resumímelo en un parrafito’. Te lo va a ser mucho más rápido que vos, que lo podrías hacer en una semana.
El problema es qué pasa o qué es lo que va a pasar cuando pongamos a la inteligencia artificial a hacer cosas que no son tan de fuerza bruta, o que requieren cierta chispa, cierta imaginación, cierta inteligencia. Por un lado, lo que trae la inteligencia artificial es la idea de que puede sustituirnos en tareas que para nosotros son insoportables. Ayer le di mi libro y le pedí que rme una lista con todos los nombres de personas que aparecen: lo hizo en dos patadas. Eso lo podía hacer un ayudante, pero es insoportable, es un plomazo, es caro. ¿Y en otras tareas que requieren un tipo de mecánica no tan brutal? Bueno, hay que ver qué va a ser la inteligencia artificial con eso.
—Hay ciertas problemáticas que se agudizan con la inteligencia artificial, pero hay otras que se resuelven. En el trabajo pasan ambas cosas. ¿Qué perspectiva tenés vos?
—Acá hay una buena noticia y una mala noticia. Empiezo por la buena: esta no es la primera revolución tecnológica. La pregunta de en qué sentido la tecnología sustituye o complementa no la hicimos con la revolución industrial, con la genética, con la imprenta, con la aparición de la agricultura. En definitiva, no es la primera vez que aparece un tipo de tecnología que de cierto punto de vista nos sustituye, nos reemplaza, nos deja afuera, y de otro punto de vista nos complementa y nos hace más productivos. El mecanógrafo que un día se dio cuenta que había computadoras dijo: ‘¡La pucha!, ¡me quedé sin trabajo!’ Entonces, ¿qué significa esto? Que para los mecanógrafos que se nieguen a cambiar, o que se hayan negado a cambiar, con la irrupción de las computadoras personales, se habrán quedado sin trabajo. Si tu laburo consiste simplemente en revolver libros y detectar dónde hay un nombre propio, mañana te quedás sin trabajo. Pero si decís ‘yo tengo una habilidad y la voy a complementar con la herramienta de inteligencia artificial’, no solo que no te vas a quedar sin trabajo, sino que tu trabajo se habrá potenciado.
La pregunta del millón de dólares es quién gana y quién pierde. Yo creo que, obviamente, en promedio, vamos a ganar todos, pero en las realizaciones particulares va a ocurrir lo mismo que ocurrió con otras revoluciones tecnológicas, que lamentablemente va a haber gente que pierda y va a haber gente que gane. Entonces, justamente, se trata de procesarlo con cierta inteligencia para que uno se quede del lado de los que ganan. A tu pregunta, lo que yo estoy notando en el corto plazo es que hay una respuesta un tanto triste: los que más se aprovechan de la inteligencia artificial son los más capacitados. En el corto plazo esas brechas se empiezan a amplificar más que a cerrar. Lo que me di cuenta, por ejemplo con mis alumnos, es que los que más provecho le sacan al GPT no son los malos alumnos, sino los buenos, porque saben preguntar, repreguntar y reaccionar activamente. En cambio, los malos simplemente preguntan y reaccionan pasivamente. En definitiva, lo que veo es que en el cortísimo plazo los alumnos bien preparados aprovechan más la inteligencia artificial de que los alumnos menos preparados. La pregunta es si eso pasa al mercado laboral.
—¿Y con los algoritmos? ¿Qué pasa cuando nuestras conductas empiezan a ser predecibles?
—Pasan varias cosas: cosas buenas, cosas malas y hay ciertas cosas que no pasan. A mí me encantaría que el algoritmo de Netflix o Amazon Prime empiece a aprender un poquito de mí a los efectos de recomendarme cosas que me gustan y ocultarme cosas que no me gustan. Todavía me pasa que Netflix me recomienda cosas que son insoportables o cada tanto yo escucho que amigos míos me hablan de películas que no me la recomendó. Desde ese punto de vista, yo te diría que el avance en los algoritmos debería mejorar la vida. Vos podrías empezar a escribir, sacás la mano del teclado y, si el tipo te conoce lo suficiente, seguir escribiendo lo que vos hubieses querido seguir escribiendo. Esa es la buena noticia.
La mala noticia es que hay muchos aspectos de la vida humana que no son predecibles. Si Netflix va aprendiendo de nuestros gustos y MercadoLibre se da cuenta de lo que querés comprar, ¿entonces estamos más cerca de predecir el valor del dólar o de saber, por ejemplo, cómo va a salir una elección? No solo no estamos más cerca, sino que no hemos mejorado en nada. En definitiva, predecir cuánto sale el dólar, cuál va a ser el precio de una acción, quién va a ganar el Mundial, no es que no se pueda predecir porque falten datos, algoritmos, sino porque esos eventos están teñidos de un azar que tiene que ver con su propio comportamiento.
Te pongo el ejemplo contrario: a medida que pasa el tiempo es cada vez más fácil predecir qué es lo que pasa con el clima de un día para el otro. ¿Por qué? Porque la erraticidad del clima se puede agarrar con datos y algoritmos, pero la erraticidad del mercado no. Hay una diferencia enorme. ¿Por qué? Porque en meteorología a las nubes les importa tres pitos lo que hacen los meteorólogos, pero en finanzas lo que hacen los analistas y los economistas y a la larga el mercado es muy importante. Mientras vos querés predecir el mercado, el mercado va mutando por esas predicciones. Te pongo un ejemplo idiota: vos me llamaste porque yo soy un experto en estadística y probabilidad y te digo que mañana el dólar está a tres lucas. Si vos me creyeses, tendrías que interrumpir esta conversación y ponerte a comprar dólares a 1500. Pero justamente eso hace que el precio se vaya para arriba. Entonces ¿yo te predije que el dólar iba a estar a 3.000 pero fue tu movimiento el que empezó a mover el dólar. El hecho de que las acciones de las personas interactúen con el objeto predicho es una característica del comportamiento social que no tiene la meteorología en el corto plazo.
—Quiero volver a algo del inicio, a la idea de verdad. ¿Cuánto importa en las estadísticas? En cualquier debate, un buen dato es irrefutable, sin embargo ese dato no es cien por ciento cierto si se cambia el contexto. ¿Qué lugar ocupa la verdad hoy?
—Es una pregunta filosófica muy extensa. Te respondo con esto: lo que importa en estadística es la verosimilitud, que es una variante de la verdad. Cosas que surgen de los datos pero que tienen sentido. No tienen por qué ser verdad. Yo no creo que exista tal cosa como el análisis de datos. Me parece que hablar de ciencia de datos y análisis de datos es un jueguito de palabras. Uno no entra al análisis de datos de una manera tan incrédula. Vos entrás a preguntar los datos porque hay cierta cosa que vos opinas, sea cierta o falsa, pero lo que importa no es tanto estudiar patrones, sino entender cómo esos patrones verifican o refutan creencias que uno tiene.
El trabajo que intenta hacer la estadística es asociarle a los datos una historia razonable. Te pongo un ejemplo muy brutal. Yo encuentro un tipo que tiene el ojo morado. El trabajo que tiene que hacer cualquier persona frente a esos datos es averiguar qué es lo que tiene más chance de haber ocurrido: ¿que vino alguien y le metió a este tipo una soberana piña en el ojo o que vino un sujeto y le metió un tremendo cabezazo al puño? Yo te conté dos historias que son compatibles con los mismos datos. El trabajo de la verosimilitud es contar la historia más verosímil. La más verosímil es la de la piña en el ojo, aún cuando los datos también sean compatibles con la del cabezazo al puño. Los datos son exactamente iguales, pero las historias son distintas.
El gran desafío que nos plantean los datos es preguntarse cuál de todas las historias que se pueden contar de los datos es la que parece más verosímil. ¿La más verdadera? No sé. Ayer apareció algo muy interesante en Twitter. Se habla del fracaso de las encuestas, que no vieron el triunfo de Trump, pero por ahí lo que está fallando no son los datos sino el análisis político de los datos. La pregunta es si estamos interpretando correctamente lo que los datos quieren decir.