“Si pudieras conocer la fecha de tu muerte, ¿preferirías saberlo o continuar tu vida con esa incertidumbre?”. Lo que supo ser un juego, el puntapié inicial para habilitar una discusión sobre un planteo improbable, hoy es una posibilidad tangible gracias -o pese- al avance frenético de la inteligencia artificial. La tecnología, se demostró, puede predecir con una efectividad sorprendente cuándo morirá una persona.
Sune Lehmann es el principal responsable de Life2Vec, un desarrollo que encendió las alarmas por su potencial tétrico. Es que el algoritmo no solo es capaz de predecir muertes prematuras -y lo hace con un 78% de acierto-, sino que también puede estimar distintos “eventos de vida” de los participantes tales como su éxito profesional, si formará una familia o si se mudará de ciudad.
Lehmann originalmente es físico, pero desde hace años se decantó por la informática. Es profesor de Redes y Ciencias de la complejidad en la Universidad Técnica de Dinamarca. También enseña Ciencias de datos sociales en la Universidad de Copenhague. Su trabajo se centra en la comprensión y desarrollo de tecnologías de aprendizaje automático a partir de datos masivos.
“Tuve la idea de este proyecto como parte de una subvención apuntada a comprender el papel de las conexiones sociales en la determinación de los resultados de vida de las personas. Pero para comprender el papel de las redes, primero tuvimos que reconocer cómo predecir mejor los resultados de vida de los individuos. Mi idea en principio fue lograr la mejor predicción posible para los grandes eventos individuales”, dijo en una entrevista con Infobae.
El grupo de investigación que lidera busca entender el mundo a partir de grandes conjuntos de datos, sobre todo el entorno social y el comportamiento colectivo de las personas. Para ello se sirvieron de la tecnología detrás de los grandes modelos de lenguaje (LLM por sus siglas en inglés), una red neuronal capaz de aprender a partir de múltiples parámetros en formato de textos.
A ese algoritmo le cargaron la base de datos anonimizada de alrededor de seis millones de daneses, recopilados por la agencia oficial Statistics Denmark. A partir del análisis de una secuencia de acontecimientos, la IA predice eventos de la vida hasta el último aliento. Los resultados, publicados en la revista científica Nature, muestran que a la hora de predecir una muerte, por caso, el algoritmo acierta en el 78% de los casos. Mismo cuando se le pide que vaticine si una persona se mudará a otra ciudad o país, lo hace correctamente en el 73% de los casos.
一¿Cómo se alimenta y funciona el algoritmo? ¿Cuáles son los datos esenciales que le hacen llegar a tal o cual conclusión?
一Así como los modelos de lenguaje usan las matemáticas para estimar las probabilidades de elegir cierta palabra, nuestros modelos usan la misma técnica para estimar las probabilidades de cierto evento de la vida. Le mostramos muchos ejemplos de los resultados que queremos distinguir y lo entrenamos para que aprenda los patrones de las secuencias de cada resultado. Lo importante desde una perspectiva de investigación es que el modelo matemático que estima las probabilidades es, en sí mismo, interesante. Es un objeto matemático que representa todas las relaciones entre cosas que pueden suceder en la vida humana. Es por eso que llamamos a nuestro modelo “modelo básico” en el artículo.
一En el caso particular de la predicción de la muerte, ¿cómo lo entrenaron?
一En el caso de predecir la muerte, le mostramos al algoritmo muchos ejemplos de personas que viven y muchos ejemplos de personas que mueren y lo entrenamos para que detecte los patrones que distinguen esos resultados. En este momento el modelo utiliza datos del mercado laboral y algunos datos de salud.
一¿Qué datos se tienen en cuenta? O, más bien, ¿cuáles son las variables más importantes a la hora de llegar a una predicción?
一Esto es lo bueno de nuestro modelo. Debido a que es un modelo básico de todos los eventos de la vida de una persona, simplemente lo entrenamos para que reconozca la diferencia entre los resultados y el modelo “descubre” cuáles son las variables relevantes dentro de esas secuencias de vida. En todos los demás modelos tienes que decidir qué datos quieres usar para la predicción. Nosotros simplemente los usamos todos.