Inglés
El satélite Kepler fue lanzado en marzo de 2009 con la misión de descubrir planetas en otras estrellas. Hacia el 2013 su telescopio había recopilado curvas de luz de decenas de miles de sistemas estelares, y analizando sus datos se han descubierto hasta la fecha unos 2500 nuevos planetas extrasolares.
En diciembre de 2017, investigadores de la NASA y Google entrenaron una red neuronal a partir de todas las señales que resultaron en detecciones positivas de planetas, y luego le hicieron buscar patrones similares en unos cuantos sistemas de la inmensa base de datos de Kepler. Con la potencia de un PC de escritorio y en solo unas horas, consiguieron identificar un nuevo planeta en el sistema Kepler 90. En una sutil maraña de datos descartados por los astrónomos había escondido un planeta entero, y una red neuronal relativamente sencilla con solo unas horas de entrenamiento lo encontró.
Esta es una de las capacidades más interesantes del Machine Learning y las Redes Neuronales: encontrar patrones ocultos en grandes volúmenes de datos. Microsoft lo usa para decodificar el ADN del sistema inmunitario humano, la industria farmacéutica analiza con estas herramientas la inmensa cantidad de datos de los más de 800 medicamentos y vacunas contra el cáncer actualmente en fase de pruebas. Coches autónomos, realidad aumentada, reconocimiento de caras y gestos… La Inteligencia Artificial ha dejado de ser un campo de estudio con valor únicamente académico, y cada vez está más claro que formará el núcleo de la siguiente gran revolución tecnológica en nuestro mundo.
Muchas compañías almacenan datos curriculares y de selección de sus empleados, así como su información de desempeño a lo largo de los años. Una red neuronal puede ser entrenada con esta información sobre los empleados con mejor rendimiento para buscar patrones similares en candidatos actualmente en proceso de selección. Análisis de información mejorados para identificar descartes rápidamente, algoritmos optimizados para ajustar candidatos a su puesto objetivo… A pesar de ser un área relativamente joven, hay aplicaciones de este tipo muy desarrolladas en el ámbito de la búsqueda del Talento.
Hay una situación similar en el estudio de las causas de rotación en la compañía. Es posible analizar información de rendimiento, encuestas de satisfacción, etc de cada empleado que abandona una empresa, y esto igualmente constituye un conjunto de datos de entrenamiento muy valioso para generar algoritmos que detecten anticipadamente personas con alto riesgo de salida.
Un último ejemplo -hay muchos más- lo podemos encontrar en Google, que formó un equipo de People Analytics para realizar proyectos de análisis de información de RRHH que respondan a problemas tan complejos como encontrar las características comunes de los Equipos de Trabajo más eficaces (Project Aristotle) o los mejores Líderes (Project Oxygen). Los resultados de muchos de estos estudios pueden encontrarse en rework.withgoogle.com, y han llevado a compañías como Facebook, Amazon, Microsoft y muchas otras a departamentos similares.
La Inteligencia Artificial por fin ha pasado a ser una realidad fuera del mundo de la investigación, gracias sobre todo a la rápida evolución en los últimos años de la tecnología de las Redes Neuronales, Machine Learning y Big Data. Los «Big Five» (Google, Apple, Microsoft, Facebook y Amazon) están invirtiendo fuertemente en iniciativas AI, y los resultados empiezan a materializarse ya en el gran salto operativo que han dado los asistentes virtuales (Google Assistant, Siri, Alexa, Cortana…), los servicios de traducción de Google o los de reconocimiento de voz. El actual CEO de Google, Sundar Pichai, afirmó el pasado 19 de Enero en un evento de la MSNBC que la Inteligencia Artificial será más importante para la humanidad que la electricidad o el fuego.
Según Glassdoor, el ranking de empleos más valorados en Estados Unidos lo encabezan los Científicos de Datos por tercer año consecutivo, con una demanda en todo tipo de industrias de más de 4500 empleos. Y en el mundo de los Recursos Humanos esto empieza a dar sus frutos en el trabajo de compañías como Peoplise, Glint o PhenomPeople, que ofrecen productos que integran ya técnicas de Machine Learning en la Selección, la gestión del Talento o la mejora de la Experiencia del Empleado en la compañía.
Probablemente aún nos falten décadas para ver IAs con capacidades reales similares a las del cerebro humano, pero en el ámbito del análisis de la información ya es posible construir Redes Neuronales y algoritmos específicos capaces de encontrar conexiones de datos invisibles para el analista humano, y esto es especialmente potente cuando se trata de información no estructurada, como sucede en el mundo de los Recursos Humanos. Por otra parte, este tipo de algoritmos pueden estar lastrados por sus propias formas de «prejuicios», igual que sucede con los razonamientos de las personas, y es crucial encontrar una forma óptima de colaboración hombre-máquina en la toma de decisiones.
