YouTube

Got a YouTube account?

New: enable viewer-created translations and captions on your YouTube channel!

Spanish subtitles

← El desconocido potencial de los datos abiertos | Fredi Vivas | TEDxRosario

Get Embed Code
5 Languages

Showing Revision 45 created 07/02/2019 by Sebastian Betti.

  1. Era el fin de 2016.

  2. No sé qué estaban haciendo Uds.,
    pero yo estaba pendiente de esto.
  3. Este peliculón, si no lo vieron,
    Dr. Strange, mírenla.
  4. Pero la realidad es que
    la mayoría de la gente en el mundo
  5. estaba pendiente de lo que pasaba
    en EE.UU.
  6. EE.UU. estaba viviendo
    un proceso de elecciones,
  7. y lo que pasaba antes de eso
    era que se veían estos números:
  8. El 71 % para Hilary Clinton
    por sobre Donald Trump.
  9. Parecía que ganaba pero, en realidad,
  10. terminó pasando esto.
  11. Todos sabemos la historia, ganó Trump.
  12. Pero, la vida siguió;
    era abril de este año
  13. y yo estaba pendiente
    de una noticia que pasaba.
  14. La NASA estaba trabajando
    en este proyecto bastante raro,
  15. un avión que atraviese
    la barrera del sonido sin hacer ruido.
  16. Bueno, y de repente me dicen:
  17. "Sabes que Mark Zuckerberg
    está siendo llamado al Senado a declarar,
  18. aparentemente hubo filtración de datos,
  19. y eso favoreció a Trump
    para que fuera presidente.
  20. Bueno, parecía raro,
    pero esto estaba pasando.
  21. Este personaje de Star Trek
    se llama Data, no sé si...
  22. Facebook es una empresa gigante,
    y el poder que tiene sobre los datos,
  23. sobre nuestro comportamiento,
    es increíblemente grande.
  24. Puso encima de un debate
    sobre la privacidad de la información
  25. en todas las mesas de Mirtha Legrand
    del mundo se hablaba de esto;
  26. la primera vez que pasaba una cosa así.
  27. Entonces la gente empezó a pensar:
    "¿Qué pasó con esto, qué hicieron?"
  28. Bueno, los psicólogos dicen
    que la personalidad es una mezcla
  29. entre lo que pensamos, lo que sentimos
    y lo que hacemos.
  30. Y con cada clic que damos en Facebook
    ellos nos conocen más y más.
  31. Pero es ilegal que nos envíen anuncios
    en función a esa personalidad.
  32. Lo que aún no es ilegal es que
    nos envíen anuncios
  33. en función a nuestros intereses.
  34. Por ejemplo, si le damos "me gusta"
    a una película, o seguimos un artista.
  35. Entonces, imagínense si hubiera
    otra forma de generar esos avisos.
  36. Hay una empresa
    que se llama Cambridge Analytica,
  37. que es especializada en análisis de datos
  38. para campañas políticas,
    que lo que hicieron fue
  39. crear un algoritmo
    que cree una personalidad
  40. basada en los datos de Facebook.
  41. Y parece que esto, según los expertos,
    funciona muy bien.
  42. De hecho, con 10 "me gusta"
    que uno da en Facebook,
  43. Facebook nos conoce mejor que
    nuestros compañeros de trabajo,
  44. Con 150 nos conoce mejor
    que nuestros padres,
  45. y con 300 mejor que nuestra pareja.
  46. Ahora, Facebook tomó realmente
    una muy mala decisión
  47. con la forma en que manejaron
    nuestros datos,
  48. porque lo que hicieron fue,
    de alguna manera,
  49. utilizarlos para un fin que
    no estábamos planeando, ¿no?
  50. Nos imaginábamos algunos usos posibles,
  51. pero, creo que no nos imaginábamos
    lo que terminó pasando.
  52. Entonces, nos da un poco de miedo,
  53. porque usaron nuestras emociones
    más íntimas,
  54. para generar un provecho que no era
    el que se suponía que podía pasar.
  55. Y con todo esto,
    para dar un caso práctico,
  56. Donald Trump utilizó fuertemente
    en su campaña el apoyo a las armas, ¿no?
  57. a la portación de armas.
  58. Entonces, imagínense que con esta prueba
    que hicieron, que se llama
  59. "La prueba de los 5 grandes",
    basada en la psicología,
  60. determinen algunos rasgos que dicen,
    por ejemplo, que si somos
  61. amigos del cambio, si somos extrovertidos,
    si somos tímidos, si somos amables,
  62. si somos de enojarnos fácilmente.
  63. Con estas pruebas de "los 5 grandes"
    que le llaman
  64. crearon publicidades, crearon anuncios
    que nos envían en forma dirigida
  65. a nosotros.
  66. Entonces, por ejemplo,
    sí tenemos una personalidad
  67. abierta al cambio,
  68. y por ejemplo, podemos sentir
    que nos pueden atacar desde afuera
  69. pueden generar este tipo de anuncios,
    no tan obvios como este,
  70. pero sí que, inconscientemente,
    nos trabajaran la cabeza.
  71. Otro, por ejemplo, este anuncio
    si sos una personalidad protectora
  72. y tenés miedo a que le pueda pasar
    algo a tu familia y al futuro,
  73. una publicidad como esta otra.
  74. Ahora, en esa época
    había como dos grupos, ¿no?
  75. O sea, había un grupo que decía,
    bueno, yo le di a Facebook,
  76. le di a Facebook todo lo que soy,
    le di mi intimidad más preciada, ¿no?
  77. le conté todo lo que hacía,
    y las cosas más importantes.
  78. Y otro grupo que estaba
    del otro lado, y decía:
  79. "Yo, bueno, era obvio
    que iba a pasar esto,
  80. Facebook es el Gran Hermano, Skynet,
    y tienen toda la data, y bueno.
  81. Creo que hay un punto medio
    entre esas dos cosas.
  82. Si puede ser que era obvio
    que había muchos datos que tenían
  83. y había unos usos comerciales
    que se esperaban;
  84. pero no era obvio que se usara
    para lo que se terminó usando.
  85. Ahora, con todo esto, ¿podemos decir
    que los datos ganaron una elección?
  86. Bueno, Cambridge Analytica dice que sí,
  87. pero a ciencia cierta no sabemos
    quién voto a quién
  88. en función a los anuncios que vio.
  89. Lo que si estamos seguros es que
    esta campaña fue poco transparente
  90. y que nos hizo replantearnos
    las cosas que publicamos
  91. en las redes sociales.
  92. Seguramente a Uds. también les pasó.
  93. Cuando hablamos de datos
    les tengo que decir que
  94. no siempre los datos que usamos
    y los que compartimos
  95. está mal hacerlo, ¿no?
  96. Por ejemplo, este caso, en Londres
    se viene trabajando hace muchos años
  97. con la apertura de datos,
    generar datos abiertos
  98. para que miles de personas hagan casos;
  99. casos como este, que les voy a contar,
  100. donde el Gobierno, bueno,
    cuando llega tarde un tren
  101. que no debe pasar muy seguido,
  102. le devuelve el valor del boleto
    a las personas.
  103. Nadie reclamaba, la plata quedaba ahí
  104. y hubo un emprendedor, que
    se le prendió la lamparita, y dijo:
  105. "¿Por qué no hacemos algo con esto?"
  106. El tipo agarró y creó una plataforma
  107. donde los usuarios se registran
    con sus datos de la tarjeta,
  108. la SUBE de Londres, digamos.
  109. Cargan sus datos,
    y cuando el tren llega tarde,
  110. y ellos tienen el registro de la hora
    que debería haber llegado,
  111. lo comparan con la hora
    que se subió esa persona,
  112. y si hay una devolución,
    se la envían directamente.
  113. O sea, que cobrás solamente
    porque llegó tarde el tren.
  114. De esta forma, el emprendedor
    hizo unas libras, ¿no?
  115. Se quedó con unos billetes en la mano,
  116. porque se puede hacer plata
    y hacer el bien al mismo tiempo
  117. por supuesto.
  118. El tren está feliz porque
    está auditado por este sistema,
  119. o sea, funciona cada vez mejor
  120. gracias a que la gente
    hace este tipo de controles.
  121. Y las personas que los usan están felices,
  122. se benefician con el dinero
    del boleto reintegrado
  123. y encima, con un servicio cada vez mejor.
  124. Ahora, no hace falta ser
    un capo emprendedor
  125. como este muchacho.
  126. No hace falta querer ser presidente
    o ser dueño de una corporación
  127. para usar datos y para tomar decisiones.
  128. A mí me pasó un montón de veces, ¿no?
  129. Por ejemplo, a los 12 años
    estaba viendo esta película,
  130. no sé si la vieron,
    "Juegos de Guerra".
  131. Uds. son muy jóvenes todos.
  132. "Juegos de Guerra" era un chico
    que estaba en la casa
  133. y le había ido mal en una materia,
  134. se metió a hackear con esa tecnología
  135. y terminó metiéndose en el pentágono, ¿no?
  136. Yo estaba viendo esa película
    a los 12 años;
  137. a esa edad también bailaba folclore.
  138. Les tengo que confesar,
    no le cuenten a nadie
  139. pero aparentemente
    no era muy bueno bailando, ¿no?
  140. y un día estaba en mi casa,
    viendo la película
  141. y viene mi vieja y me dice:
  142. "Fredi, mira, yo te quiero mucho,
    te quiero decir algo,
  143. pero no sos bueno bailando folclore.
  144. Y lo bueno es que esos ARS 100
    que usamos en esas clases
  145. te las podemos dar
    para que hagas lo que quieras".
  146. Bueno, yo dije,
    primero me sequé las lágrimas,
  147. me recompuse, y dije:
  148. "Bueno, me gusta mucho la computación,
    quiero ser un hacker como este muchacho,
  149. quiero ser como él".
  150. Me metí a los institutos de computación,
  151. y ahí aprendí este apasionante e increíble
    mundo de la tecnología de los 90, ¿no?
  152. Yo me volvía loco con esto,
    pasaba horas jugando.
  153. Y después de eso me dediqué
    toda la vida a la tecnología,
  154. a aprender, a enseñar
    a trabajar con la tecnología.
  155. Y desde ese momento lo hago.
  156. También intento buscar la manera
    de usar la tecnología
  157. con un uso diferente,
    hackearla digamos, ¿no?
  158. Tradicionalmente uno piensa
    que algo se crea para una cosa,
  159. pero se puede dar un uso distinto.
  160. Y una vez estaba
    en una actividad de voluntariado,
  161. no sé si algunos habrán hecho,
    están buenísimos.
  162. estábamos pintando un colegio,
    y estaba con dos compañeros de trabajo,
  163. un físico, un ingeniero, dos cracks,
  164. un talento terrible.
  165. Estaban pintando una reja,
    y lo hacía terriblemente mal, ¿no?
  166. No sabían pintar,
    la pintaban dos veces igual,
  167. se peleaban por los colores.
  168. Le ponían onda, pero eran malísimos.
  169. Entonces, yo pensé:
  170. "Por qué le damos todo nuestro talento
    a las empresas a las que trabajamos,
  171. y cuando le estamos dando
    algo a la sociedad,
  172. le damos lo que peor hacemos.
  173. Y con esa reflexión, profunda, ¿no?
  174. hicimos uno de los proyectos este año,
  175. apalancados en esta iniciativa global
    que se llama Data for Good.
  176. Data for Good es una iniciativa
    que busca usar ciencia y datos,
  177. el poder de los datos, para impactar
    positivamente las vidas de las personas.
  178. Hicimos un proyecto que impactó
    más de 3 millones de personas,
  179. porque en todo el país
    hay unos 240 000 barrios populares
  180. que son los barrios donde vive gente
  181. que no tienen un certificado que
    habilita ese domicilio como válido.
  182. Entonces, no pueden pedir un servicio,
    o no pueden anotar sus hijos al colegio.
  183. Eso pasa en todo el país.
  184. Hay un montón de organizaciones
    trabajando hace dos años más o menos,
  185. se tardaron casi dos años en relevar
    casa por casa
  186. en toda la geografía vasta
    que tiene nuestro país.
  187. E hicieron un relevamiento increíble
    para poder hacer puntos de entrega
  188. de estos certificados.
  189. Para que se junte la gente
    con el certificado
  190. y que puedan tener ese domicilio válido.
  191. Eso es bastante complejo, ¿no?
    porque el país es muy grande.
  192. Entonces, nos pidieron
    cómo podemos mejorar el proceso de eso.
  193. Creamos un algoritmo
    usando técnicas de ciencia de datos
  194. para optimizar esos puntos de entrega,
    que en cada barrio se haga uno,
  195. y que las familias tengan
    que caminar lo menos posible
  196. Esta es la primera familia que obtuvo
    el certificado de vivienda en Bariloche,
  197. el primero de país:
    con eso pudo conectar la luz en su casa.
  198. Gracias.
  199. (Aplausos)
  200. Con esto buscamos
    que estas organizaciones argentinas
  201. tengan el mismo poder de decisión
    que tienen,
  202. gracias a las herramientas
    de análisis de datos,
  203. que tienen las empresas de Silicon Valley,
    es realmente el mismo.
  204. Para que puedan hacer mejor
    lo que hacen mejor.
  205. Nosotros visualizamos un futuro
    donde estas organizaciones,
  206. que enfrentan estos problemas,
  207. tengan el mismo nivel de acceso
    al análisis avanzado de datos
  208. que tienen las grandes corporaciones.
  209. Los datos, la tecnología,
    la información está ahí para la usemos.
  210. Cualquiera de Uds.
    puede cambiar su vida,
  211. pueden emprender
    y hacer un cambio en la realidad,
  212. y las grandes corporaciones
    pueden cambiar el mundo.
  213. ¿Uds. que van a hacer
    con los datos que tienen,
  214. que decisiones van a tomar?
  215. Muchas gracias.
  216. (Aplausos)