web analytics

Archivo de mayo 3rd, 2019

Algoritmos ciudadanos, ¿son tan inocentes como parecen?

Esta entrada de la serie “La ciudad matemática” entrada está inspirada en el artículo Seeing the smart city: Mapping technologies in Canada, publicado en la sección canadiense de The Conversation.

Bancos inteligentes

Es posible que usted se haya encontrado alguna vez en la carretera a un automóvil de Google Maps con esa extraña cámara en la parte superior. Google está trazando un mapa global del planeta, que de momento, nos está resultando muy útil cuando planificamos un desplazamiento entre dos puntos, dentro o fuera de nuestra ciudad. Obviamente, con la colaboración del sistema de GPS, sistema que usa la simple geometría analítica unida a las correcciones relativistas.

Pero probablemente lo que usted no se imagina es que si se sienta en un banco público de un parque y usa su móvil con la aparente wifi gratuita, sus datos están siendo anotados. Esta tarea y algunas otras que comentaremos, son las que desarrolla el grupo Sidewalk Labs, una filial de Google, cuyos objetivos son “idear, diseñar, comprobar y elaborar innovaciones urbanas para ayudar a que las ciudades afronten sus grandes desafíos”.

Así que usted está navegando gratuitamente, lo que es una maravilla, pero sus datos están siendo recogidos: si usted reserva un restaurante, o un billete de tren o avión, o conecta con determinadas webs, etc. Pero también hay sensores que analizan sus desplazamientos, y cámaras que hacen lo mismo con el tráfico. Dicho esto, ¿dónde queda la privacidad? ¿quién garantiza que estos datos son usados con buenos fines y no para sacar provecho y utilizarnos como clientes sin que nosotros lo sepamos?

El artículo citado al comienzo de esta entrada se refiere precisamente a este tema. Es importante informar a los ciudadanos del uso y los peligros de este tipo de tecnologías de los que en muchas ocasiones no son conscientes.

¿Y cómo se analizan todos esos datos que se obtienen cuando nos movemos por la ciudad inteligente o matemática? Los pasos son varios, tal y como se describe en el artículo Essential Math for Data Science, escrito por Tirthajyoti Sarkar: :

  • Se hace un modelo del proceso.
  • Se construye una hipótesis.
  • Se hace una estimación rigurosa de la calidad de la fuente de datos.
  • Se cuantifica la incerteza sobre los datos y las predicciones.
  • Se identifican los patrones ocultos en la enorme cantidad de datos.
  • Se analiza las limitaciones del modelo.
  • Se trabaja la demostración matemática y la lógica que hay detrás.

En su artículo, da unos consejos sobre las matemáticas que se deberían estudiar para llevar esto adelante (y por qué hacerlo):

  • Funciones, variables, ecuaciones y grafos
  • Estadística
  • Álgebra lineal
  • Cálculo diferencial
  • Matemática discreta
  • Optimización e Investigación de Operaciones

Como ven, las matemáticas están detrás y lo iremos desvelando a lo largo de este año.

___

Manuel de León (CSIC, Fundador del ICMAT, Real Academia de Ciencias, Real Academia Canaria de Ciencias).

 

Etiquetas: , ,
Categorias: General