Paul Bennett es investigador principal y gerente de Investigación del Grupo de Ciencias de los Datos y la Información en Microsoft Research. Él y su equipo trabajan para hacer que las máquinas conozcan el calendario y el correo electrónico, trasladando así la asistencia inteligente al ámbito de la ciencia y la estación de trabajo.
En ese grupo, según ha explicado, piensan en dos cosas. En primer lugar lo relativo a la Ciencia de la Información, que trata sobre la manera en que las personas trabajan y usan la información en cada aspecto de sus vidas.
En segundo lugar la Ciencia de los Datos, ya que piensan en la forma en que se analizan los datos y las trazas de comportamiento que tienen de las personas que interactúan con los datos; cómo se pueden predecir sus acciones y cómo se puede entender lo que están tratando de hacer.
“Lo que intentamos hacer en el grupo es realmente reunir a estos dos aspectos y entender cómo las personas están trabajando con la información, cómo sus huellas de comportamiento dicen lo que están haciendo, lo que les gustaría hacer y qué software ni siquiera puede ayudarles a hacerlo”.
El trabajo, en pocas palabras, se traduce en trata de tomar la ciencia ficción y hacerla realidad. “Las cosas que has visto en películas, que sabes hace 15-20 años que dijiste no son posibles, primero que nada se trata de hacerlas realidad y luego se trata de imaginar el futuro y sentar las bases de cómo llegamos a la ciencia ficción del futuro”.
Y es que Paul Bennett y su equipo han estado pensando en la forma exacta de cómo las personas toman decisiones y qué información de respaldo necesitan, pero también tratan de entender dónde están las brechas en la asistencia inteligente.
Una de las conclusiones claves a las que ha llegado el grupo es que falta muchísima información sobre el contexto y, por supuesto, considera que existe una variedad de cosas que entran en ese contexto. Algunas de las variables claves serían el tiempo, las personas y de qué se trata.
“Si sé cuándo va a pasar algo y dónde crees que va a pasar, si conozco a las personas involucradas y sé de qué se trata, esas cosas siempre existen con el correo electrónico y los calendarios”, ha explicado el investigador.
A su juicio, la información que esto proporciona al sistema para razonar en nombre de la persona y, de hecho, ayudarla de forma proactiva, ofrece una gran oportunidad para los científicos.
Razonamiento inteligente
Lo que hacen en esta investigación es empujar ese límite de razonamiento aún más, bajo la premisa de pensar en nombre de alguien, lo que quiere, poder predecir lo que necesitará y ayudarle con la asistencia inteligente.
“Si piensas en tener, ya sabes, tu propio asistente ejecutivo, un gran asistente ejecutivo está preparado para responder a todas tus preguntas. Y ahí es donde viven muchos de los asistentes en este momento. Te responden, conocen las respuestas, vuelven. Un asistente aún mejor comienza a anticipar tus necesidades”.
Es precisamente allí donde se encaminan los investigadores: la recomendación proactiva de correo electrónico consciente del calendario. “Cuando se habla de razonar en nombre de alguien, se trata de decir look, esa información está ahí, ya tiene acceso a ella”.
Sin embargo, todo este trabajo amerita una serie de técnicas y por eso en el Grupo de Ciencias de los Datos y la Información de Microsoft Research intentan tomar una perspectiva de HCI (Interacción Persona-Computadora o Interacción Persona-Ordenador).
“Si intentáramos identificar qué es lo que las personas necesitan, a veces la forma en que interactúan con el sistema está muy influenciada por sus capacidades actuales. Entonces, ¿cómo se obtiene lo que usarían si esas capacidades estuvieran allí o cuáles son esas necesidades?”, son algunas de las preguntas que se hacen en el equipo.
Ante ello, el correo electrónico lo han visto como una gran oportunidad para la asistencia inteligente, por ser una de las maneras en que se comunican las personas. A criterio de Paul Bennett, la parte interesante de esto es que pueden capturar este tipo de información flexible para que la máquina pueda responder a la persona con una recomendación proactiva.
“Esa es una de las cosas que observan algunos de los investigadores de nuestro grupo, ¿cómo permitimos que las personas se enfoquen y estén en el momento de lo que están haciendo y se den cuenta de lo que pueden estar tratando de tomar una nota rápida? Algo más, ¿no es realmente la clave?”.
La recomendación proactiva
Si los investigadores pueden ver todas las reuniones, correos electrónicos y documentos y preguntarse: ¿podemos predecir, de forma regular, qué es relevante?, entonces vendrían con técnicas típicas de aprendizaje automático en las que se puede comenzar con técnicas muy simples, como la regresión logística lineal simple, pasando a técnicas más complicadas.
“Resulta que, en este espacio, los desafíos claves no son tanto la arquitectura del modelo que está viendo, sino la forma en que enfrenta los desafíos de privacidad. Lo cual es muy, muy, de nuevo, diferente a cosas como la publicidad y la venta de libros”.
Si las máquinas se enfocan en la recomendación proactiva, no se trataría sólo de encontrar lo que más le convenga a la persona, sino de saber cuáles son las otras posibilidades y de una buena decisión para que pueda seguir adelante.
