La ciencia de Datos se está comiendo al mundo

Muy al estilo de la frase “Los Datos son el nuevo Petróleo”, tenemos esta afirmación que también le genera gran protagonismo y relevancia a los Datos, pero más que nada le otorga valor. Esta avanzada sinergia del método científico sumado con la matemática, la estadística y más el aprovechamiento de los sistemas computacionales con la asombrosa capacidad de cómputo de hoy en día (que no solo por el increíble desempeño de los nuevos procesadores sino también por la asombrosa escalabilidad que nos brinda la Nube), sin duda, trae consigo grandes beneficios y desafíos al mundo pero también escalofriantes riesgos.

Para bien o para mal (según las aplicaciones) puede la Ciencia de Datos desencadenar hechos enriquecedores a la humanidad o muy desafortunados. Hoy en día las máquinas “aprenden”, es decir, que mediante iteraciones y fundamentos estadísticos, se procesan datos aplicando modelos matemáticos que son luego evaluados contrastando los resultados de los elementos de prueba contra elementos de control. Diversos métodos, funciones y librerías programadas se emplean para abordar este procesamiento de datos. Con el tiempo se pasó del aprendizaje supervisado al no supervisado con procesos de caja negra (en su mayoría) que llevan al algoritmo a tomar un criterio y “decidir” si el resultado es válido o no tras innumerables iteraciones e incluso métodos de refuerzo en algunos casos. 

Si bien la estadística y la ciencia existen desde casi los inicios de la civilización humana, y que la computación e incluso las redes neuronales tienen precedente en los 80’; también es cierto que el mundo de la computación ha dado pasos agigantados en temas procesamiento en la última década. Aunado a la globalización de la información que nos trajo internet a finales de los 90’ y posteriormente la explosión de la Nube en los 2010, hoy por hoy, cobra más fuerza en todos los ámbitos el desarrollo de la ciencia de datos.

Espacios en la Nube como GitHub, Bitbucket y otros repositorios de código (líneas de programación) son en sí mismo una enorme base de conocimiento, en muchos casos, de ámbito global y compartido sobre el desarrollo del software. Estos repositorios aprovechados con Inteligencia Artificial han permitido también crear software que son capaces de programar, algunos ejemplos son, GitHub Copilot, CODEX, y recientemente AlphaCode.

Puede que llegue el día en el que los software de AI logren desarrollar soluciones de software más complejas, y así automatizar la programación e incluso con procesos de mejora e integración continua, iterar en mejores y más avanzadas soluciones, que bien podrían ciertamente “comerse al mundo”.