Inteligencia Artificial y Conservacion

Con la reciente popularización de software relacionado con “deep learning” (lo cual significa redes neuronales de múltiples capas, y alguna cosa mas), se ha sugerido que dicho software será de gran utilidad en biología de la conservación (Kwok, 2019; Silvestro et al., 2022 y otros). Nos debemos de preguntar de que forma. Precisamente ¿como ayudará el “deep learning” a la conservación?   Los ejemplos en la literatura se refieren casi en su totalidad a tareas orientadas al monitoreo y a la identificación de especies, o a la identificación de áreas importantes para ser conservadas. Esto es, las impresionantes capacidades de los algoritmos modernos de la inteligencia artificial (IA) permiten encontrar patrones en grandes bases de datos de imágenes o de sonidos. Sin embargo, en la práctica, conservar es mas que un asunto de conocimientos. Debemos preguntarnos qué tanto los métodos de IA pueden ayudar en otras tareas de la biología de la conservación. Aquí vamos a sugerir dos avenidas de discusión.

La conservación de la diversidad biológica, en el campo, es mas un asunto de negociar entre diferentes puntos de vista (el de los científicos, los políticos, los rancheros, las comunidades indígenas…) y menos uno de imponer el conocimiento de uno solo de los grupos de participantes. Los métodos de IA se enfocan casi únicamente en la obtención de patrones sobre datos obtenidos por científicos. Dichos patrones pueden ser novedosos, reales y muy interesantes para un biólogo, pero tienden a ser el resultado de un proceso dominado por expertos dentro de un solo punto de vista. Carecen del elemento de “legitimidad” (participación igualitaria de todos los interesados Cash et al.) que se sabe es necesario en las negociaciones exitosas.  Mas aún, los problemas de la biología de la conservación distan mucho de ser simples. Las problemáticas de la conservación suelen presentarse en la forma de conflictos entre posiciones legítimas, a veces planteadas en forma prolija y poco definida. Por ejemplo, puede haber un conflicto entre la sobrevivencia de un grupo humano vs. la persistencia de especies amenazadas. Si pregunta uno a un algoritmo como ChatGPT, por ejemplo sobre un conflicto sobre agua,  se obtienen respuestas de sentido común y muy poco valor práctico, como que las quejas de una parte: “… are justified on ethical, environmental, and humanitarian grounds, and they serve to highlight the need for a more cooperative and comprehensive approach to water management in the region.”

El hecho es que los algoritmos actuales de IA manejan mal problemas con planteamientos muy complejos, o que incluyan conflictos de puntos de vista, como son la mayor parte de los problemas reales de conservación.

La pregunta es que tanto la IA puede ayudar en el proceso de negociación esencial en la biología de la conservación. Que puede ayudar a los científicos a establecer patrones está fuera de duda. Es el llegar a acuerdos entre grupos muy heterogéneos la parte que queremos cuestionar.

2) Una segunda avenida de reflexión se encuentra a lo largo de la pregunta de cuales son los objetivos de la ciencia. Claramente la ciencia, tal y como se practica en las instituciones del mundo occidental, pretende incrementar el conocimiento sobre lo natural. Esto significa tres cosas principales: describir el mundo natural, explicarlo, y predecir nuevos resultados (a menudo con el objetivo tecnológico de controlar un fenómeno). Estos tres puntos son independientes hasta cierto punto, como se puede ejemplificar usando el caso del conocimiento astronómico del sistema solar. Las regularidades de los movimientos de estrellas y planetas han sido percibidas y descritas desde la remota antigüedad, por muchas culturas. La explicación en términos de movimientos y fuerzas actuando a distancia se propuso en Europa, en los siglos XVI y XVII, y en términos de la geometría del espacio-tiempo, en el S. XX. La capacidad predictiva, de gran importancia para la agricultura y la planeación de actividades sociales, existía sobre la base de tablas y modelos matemáticos ad hoc desde tiempo de los griegos antiguos. No fue sino hasta el S. XVII que la ontología de la ciencia llamada occidental, al exigir que el conocimiento tuviera “explicación” en términos de leyes y mecanismos expresables matemáticamente, obligó a que la predicción y la explicación se hicieran coincidir. Pues bien, hoy por hoy (las cosas cambian muy rápido), los métodos de IA llamados “deep learning” son potentes para describir y para predecir, y muy poco útiles para explicar.  Pero en la ontología de la ciencia la explicación es parte esencial. Mas aún, una negociación sin explicación no es negociacion, es imposicion. Entonces, en la praxis de la conservación, la IA es de ayuda en el mejor de los casos, parcialmente, hasta que mejore su capacidad para ayudar a un colectivo de humanos a entender (o sea, a socializar una explicación). Y por supuesto, hay quien opina que explicar se hará superfluo (Kelling et al., 2009), cosa que dudamos.

Resumiendo, los algoritmos de deep learning en IA son sin duda de un poder espectacular para encontrar patrones en grandes bases de datos y para clasificar sonidos, imágenes y textos. No es evidente que también lo sean para producir explicaciones de dichos patrones, ni para facilitar las negociaciones entre grupos heterogéneos, respecto a problemas complejos, con objetivos contrastantes al tiempo que legítimos. Seamos cuidadosos al aceptar novedades tecnológicas como si se tratara de la “bala de plata” capaz de atacar cualquier problema.