Hace unos pocos años, cuando todavía trabajaba en la petrolera tuve las ocasión de rechazar a IBM. A pesar de lo bien que se vendía su Watson como la solución universal capaz de resolver cualquier tipo de problema… no me lo creí (y sigo sin creérmelo). El mosqueo fue total cuando encima se ofrecieron a hacernos el proyecto totalmente gratis necesitando tan solo datos sin querer conocer nada del problema a resolver.

El tiempo nos ha dado la razón y hasta la revista alemana Der Spiegel acaba de publicar un artículo que relata los decepcionantes resultados de IBM a la hora de implantar soluciones de Inteligencia Artificial usando Watson en distintos hospitales. La idea es simple: si la práctica médica tiene un alto porcentaje de conocimiento y otro de experiencia en casos similares, no es lógico pensar que un sistema como Watson, capaz de buscar, consultar y analizar cantidades de información que escapan a la capacidad humana puede lograr mejores resultados que un médico?

Numerosos despliegues en entornos hospitalarios están siendo fracasos en mayor o menor grado. En Alemania, el responsable de dos hospitales en los que se instaló Watson argumentaba que en el caso de un paciente con dolor de pecho, el sistema no sugería las causas más probables (angina, ataque cardíaco, …) sino que ofrecía enfermedades raras. En este caso se ponía de manifiesto los problemas para entender las notas escritas de los médicos, cómo las abreviaturas lo confundían y los problemas para interpretar correctamente frases con negaciones (por ejemplo: «no se puede descartar»)

En otros hospitales en los que habían adquirido el sistema para ayudar en tratamientos contra el cáncer se quejaban de que «Watson no era capaz siquiera de identificar tratamientos de libro». En 2017 se canceló un proyecto en el M.D. Anderson Cancer Center y numerosas voces críticas han ido surgiendo.

Lo que parece es que IBM está intentando introducir esta tecnología en muchos campos sin quizá comprender la dificultad que entraña. No tiene nada que ver análisis genéticos en el caso de cáncer (donde suele existir gran cantidad de datos estructurados), con la enorme dificultad de dar diagnósticos y tratamientos genéricos, combinando información difícil de extraer de las historias clínicas y con información incompleta y a veces incorrecta. Lo mismo ocurre a la hora de establecer un novedoso sistema, por ejemplo, para optimizar una refinería en la que muchas veces las medidas de las variables de proceso vienen con errores, variables que además suelen estar muy correlacionadas entre sí. La inclusión del conocimiento de los Ingenieros Químicos que conocen las ecuaciones de conservación que las ligan es vital para el éxito de dichos modelos de simulación / optimización.