Enrique Dans

Mañana, en la ML School for Business Schools organizada por BigML, estaré hablando sobre la importancia de enseñar machine learning en escuelas de negocio con una perspectiva horizontal en lugar de vertical, introduciendo la herramienta en cada una de las áreas en lugar de ubicarla dentro de un curso específico, y de cómo el modelo educativo adoptado puede llegar a influenciar la adopción del machine learning a nivel corporativo.

El machine learning es, en muchos sentidos, una tecnología con una importantísima capacidad para la disrupción. La idea de construir algoritmos capaces de mejorar automáticamente a través de la experiencia no es algo nuevo como disciplina, de hecho, se remonta a la década de los ’60, pero experimentó un largo invierno y un fuerte desinterés debido, fundamentalmente, a la falta de recursos que posibilitasen los niveles de procesamiento de datos que la disciplina precisaba. En muchos sentidos, desde un punto de vista académico me recuerda a lo ocurrido, obviamente a otros niveles, con dos de las asignaturas más representativas de mi experiencia como profesor: las hojas de cálculo e internet: un cierto tiempo de uso prácticamente exclusivo por parte de colectivos especializados y mediante modelos de uso poco amigables que impedían una difusión de la innovación como tal, seguido de un período en el que el desarrollo de interfaces y herramientas progresivamente más sencillas acercan su uso a un público cada vez más amplio.

Si algo tengo claro, es el carácter horizontal del machine learning: en las empresas, encontramos casos de uso en la práctica totalidad de las áreas funcionales, sea en operaciones, en logística, en marketing, en finanzas, en tecnología y sistemas de información, etc. En su momento, tuve claro también ese carácter horizontal de las hojas de cálculo o de internet: su uso debía ser privativo, respectivamente, de áreas como las finanzas o la tecnología, sino que estaba absolutamente claro que se extendería a la totalidad de las áreas funcionales. En mi institución, IE Business School, se utilizan aún versiones – muy modificadas, por supuesto – de algunos de los casos que escribí en su momento para hoja de cálculo, y que tenían que ver con procesos de todo tipo, desde cálculos financieros relativamente complejos hasta automatizaciones de procesos en marketing o en atención al cliente. Un carácter horizontal que desde hace mucho tiempo, no deja lugar a dudas: la hoja de cálculo es, desde hace mucho tiempo, una herramienta universal y una auténtica lingua franca en los negocios.

Con internet viví una experiencia similar: se introdujo en las escuelas de negocios dentro del área de sistemas y tecnologías de información, y durante varias años, todo lo que tenía que ver con la red caía en ese área. Daba igual que el caso fuera de estrategia, de marketing o de operaciones: si la compañía tenía un .com en su nombre o sus operaciones tenían lugar dentro de la red, nos tocaba a los profesores de ese área – hablamos de finales de los ’90 o principios de los ’00, cuando aquella frase de Andy Grove que decía que «todas las empresas serán empresas de internet» aún levantaba sonrisas entre los escépticos.

Ese enfoque vertical, desde mi punto de vista, ha generado un gran retraso en la adopción de esas tecnologías a nivel corporativo. Durante bastantes años, muchas compañías no fueron capaces de extraer todo el valor a herramientas como las hojas de cálculo o como la red, debido simplemente a que erróneamente asignaban su uso a áreas funcionales específicas, fuese a finanzas o a tecnología. Muchos años después, cuando la curva de adopción ya alcanzaba a segmentos mucho más significativos de la sociedad, entendimos que en realidad, se trataba de herramientas que podían – y debían – ser utilizadas para absolutamente todo, y que existían muchas ventajas derivadas de su aplicación.

Con machine learning vamos exactamente por el mismo camino. Y es, me temo, igual de erróneo. Machine learning está siendo introducida en las escuelas de negocios o bien como algo que proviene del área de tecnología, o como cursos específicos que suelen aparecer primero como electivos o talleres. Esa aproximación no solo limita su uso y la transferencia de conocimiento a los entornos corporativos, sino que, además, complica su aprendizaje con un problema fundamental: tendemos a pensar que para utilizar machine learning, nuestros alumnos deben aprender a fabricarse las herramientas necesarias para ello.

Es como pedir a alguien que quiera utilizar una hoja de cálculo que aprenda a programarse una, como ocurría en aquellas pesadísimas primeras sesiones en los orígenes de internet en las que dedicábamos la primera media hora a cómo conectarse (aún evoco el sonido chirriante del handshake del módem), o como cuando ahora dedicamos varias carísimas sesiones a enseñar a nuestros alumnos fundamentos de Python o de R para que puedan hacer cosas que, cuando las necesiten, harán simplemente con unos pocos clics en menús y botones. O como muy bien dice Cassie Kozyrkov en uno de los artículos con una perspectiva más madura que he leído en ese ámbito, contratar a ingenieros expertos en electricidad con capacidad para construir hornos, con el fin de montar una panadería.

No, no es eso. Ni debemos enseñar a los alumnos a fabricarse sus herramientas, ni mucho menos debemos restringir machine learning al ámbito de la tecnología, o peor, al suyo propio, a una especie de compartimento estanco. Lo primero, pretender que los alumnos lleguen a las compañías que les contraten y se dediquen a programar algoritmos en Python o en R, es una enorme fuente de frustración cuando, meses después se demuestra que esos algoritmos creados por ellos son prácticamente imposibles de poner en producción. Lo segundo, simplemente, evita que muchos estudiantes que deberían salir sabiendo utilizar y aplicar machine learning a prácticamente cualquier cosa que genere datos y que se mueva, se interesen por ello, porque lo interpretan como algo que es propio de un area funcional determinada.

Curiosamente, el problema viene de un viejo refrán: «en casa del herrero, cuchillo de palo». Las mismas escuelas de negocio que se dedican a diseñar e impartir cursos in-company en empresas de todo tipo, son aparentemente incapaces de diseñar cursos in-company para sí mismas. Si no fuese por eso, podrían solucionar fácilmente el problema: enseñar machine learning a los profesores que imparten operaciones, finanzas, marketing, emprendimiento, o cualquier otro área funcional. Supervisar y diseñar con ellos aplicaciones del machine learning a sus respectivas áreas, de manera que los alumnos pudiesen experimentar el machine learning como lo que es: una tecnología horizontal profundamente disruptiva, susceptible de ser aplicada a problemas de todo tipo, de todo ámbito, por prácticamente cualquiera con unos mínimos conocimientos de estadística.

No, para aprender a utilizar machine learning no hay que ser un data scientist, ni muchísimo menos. Hay que entender un poco las economías específicas que generan los datos, pero poco más. Creerlo así es, de nuevo, una fuente de frustración y de intimidación. Es provocar que nuestros alumnos salgan pensando que el machine learning es cosa de Terminators, en lugar de entender que es algo que va a afectar a la vida cotidiana de sus clientes, o de ellos mismos. Un error que retrasa la llegada de una herramienta con una potencialidad enorme a compañías de todo tipo, de todo tamaño, de todas las industrias. Un error que ya hemos cometido con otras herramientas, muchas veces anteriormente. Pero sobre todo, un error que no resulta complicado pensar en solucionar.

This article is also available in English on my Medium page, «It’s time business schools got to grips with machine learning«