Actualmente estoy llevando a cabo una revisión sistemática de la literatura del uso del crowdsourcing para la identificación y denuncia de delitos; uso promovido tanto por las fuerzas y cuerpos de seguridad del estado como por parte de grupos de ciudadanos independientes.
Los artículos, comunicaciones, etc. que estoy consultando están dando mucho de sí y estoy encontrando aspectos muy interesantes del tema. Hay muchas iniciativas que ya se han llevado a cabo con éxito, y otras propuestas que podrían funcionar (aunque se quedan en eso, en propuestas).
Pues bien, un área donde en su momento el crowdsourcing fue bastante utilizado (y hablo en pasado), especialmente en Reino Unido, fue en el análisis de vídeos de cámaras de seguridad para la identificación de delincuentes.
El funcionamiento básico era sencillo.
Cualquier comercio podía registrarse en la plataforma correspondiente y subir fragmentos de video o fotografías de su tienda en los que se hubieran cometido algún delito (normalemente hurtos). También permitían en algunos casos el acceso a la emisión en directo de las cámaras de seguridad.
Este contenido era accesible entonces por personal de otros comercios también registrados en la plataforma, grupos dedicados a la vigilancia de delitos (asociaciones o grupos con cierto grado de oficialidad) o incluso la policía. Estos trataban de identificar a los sospechosos, a parte de tomar nota por si se acercaban a sus tiendas. En caso de tener éxito, se comunicaba la identidad a la plataforma, quien se ponía en contacto con la policía.
Este tipo de acciones, que aquí en España serían ilegales, tuvieron cierto éxito en su momento llegando a reducir el número de pequeños hurtos. De hecho hoy en día siguen existiendo, aunque alguna de estas plataformas, y de ahí el título del post, ha evolucionado. Ha pasado de un modelo basado en la inteligencia colectiva a un modelo basado en la inteligencia artificial.
Hablo en concreto de Facewatch.
Esta plataforma, que en su momento seguía el esquema antes indicado, ha sustituido la labor de la multitud por la labor de algoritmos para el reconocimiento facial. Las ventajas son obvias, desde la automatización del proceso (ya no hay que esperar a que alguien lo vea y analice), hasta la exactitud en el reconocimiento. Tiene también sus desventajas y habrá situaciones en las que el sistema no funcione lo suficientemente bien.
Esta evolución es totalmente lógica y natural, pero no por ello deja de reflejar una realidad: cada vez de manera más habitual, tareas que hoy se realizan mediante crowdsourcing, se realizarán en breve de manera más rápida y eficiente por algoritmos + Inteligencia Artificial.
Una de las formas de llevar a cabo el crowdsourcing es mediante la conocida como «Computación Humana»: las personas colaboran con las máquinas aportando aquella información o conocimiento que estas son incapaces de obtener o generar. Pues bien, esta evolución va a ir depositando cada vez más peso en la máquina y menos en la persona.
Las tareas más afectadas serán aquellas tareas más mecánicas, aquellas que pueden ser explicadas o descritas (encasilladas) mediante un algoritmo. Esto dejará todavía a nuestro alcance todas aquellas tareas que tengan un aspecto subjetivo o creativo, por pequeño que sea, como el ingenio, la imaginación o el discernimiento.
Tampoco hay que subestimar lo que Tomas Malone llama en su último libro las «supermentes». En este caso, Malone plantea por un lado el excepcional trabajo que un grupo de personas pueden hacer juntas y como la tecnología puede, no solo favorecer ese trabajo, sino multiplicar su resultado.
Referencias
- Trottier, D. (2014). Crowdsourcing CCTV surveillance on the Internet. Information, Communication & Society, 17(5), 609-626.
- Malone, T. (2018). Superminds: The surprising power of people and computers thinking together. New York: Little Brown.