Sunday, February 11, 2018

ID/TECH/SOC/GINT-TED TALKS-Machine intelligence makes human morals more important by Zeynep Tufekci at TEDSummit

The following information is used for educational purposes only.


Zeynep Tufekci at TEDSummit

Machine intelligence makes human morals more important


June 2016


Machine intelligence is here, and we're already using it to make subjective decisions. But the complex way AI grows and improves makes it hard to understand and even harder to control. In this cautionary talk, techno-sociologist Zeynep Tufekci explains how intelligent machines can fail in ways that don't fit human error patterns -- and in ways we won't expect or be prepared for. "We cannot outsource our responsibilities to machines," she says. "We must hold on ever tighter to human values and human ethics."







Transcript:

So, I started my first job as a computer programmer in my very first year of college -- basically, as a teenager.
Soon after I started working, writing software in a company, a manager who worked at the company came down to where I was, and he whispered to me, "Can he tell if I'm lying?" There was nobody else in the room.
"Can who tell if you're lying? And why are we whispering?"
The manager pointed at the computer in the room. "Can he tell if I'm lying?" Well, that manager was having an affair with the receptionist.
And I was still a teenager. So I whisper-shouted back to him, "Yes, the computer can tell if you're lying."
Well, I laughed, but actually, the laugh's on me. Nowadays, there are computational systems that can suss out emotional states and even lying from processing human faces. Advertisers and even governments are very interested.
I had become a computer programmer because I was one of those kids crazy about math and science. But somewhere along the line I'd learned about nuclear weapons, and I'd gotten really concerned with the ethics of science. I was troubled. However, because of family circumstances, I also needed to start working as soon as possible. So I thought to myself, hey, let me pick a technical field where I can get a job easily and where I don't have to deal with any troublesome questions of ethics. So I picked computers.
Well, ha, ha, ha! All the laughs are on me. Nowadays, computer scientists are building platforms that control what a billion people see every day. They're developing cars that could decide who to run over. They're even building machines, weapons, that might kill human beings in war. It's ethics all the way down.
Machine intelligence is here. We're now using computation to make all sort of decisions, but also new kinds of decisions. We're asking questions to computation that have no single right answers, that are subjective and open-ended and value-laden.
We're asking questions like, "Who should the company hire?" "Which update from which friend should you be shown?" "Which convict is more likely to reoffend?" "Which news item or movie should be recommended to people?"
Look, yes, we've been using computers for a while, but this is different. This is a historical twist, because we cannot anchor computation for such subjective decisions the way we can anchor computation for flying airplanes, building bridges, going to the moon. Are airplanes safer? Did the bridge sway and fall? There, we have agreed-upon, fairly clear benchmarks, and we have laws of nature to guide us. We have no such anchors and benchmarks for decisions in messy human affairs.
To make things more complicated, our software is getting more powerful, but it's also getting less transparent and more complex. Recently, in the past decade, complex algorithms have made great strides. They can recognize human faces. They can decipher handwriting. They can detect credit card fraud and block spam and they can translate between languages. They can detect tumors in medical imaging. They can beat humans in chess and Go.
Much of this progress comes from a method called "machine learning." Machine learning is different than traditional programming, where you give the computer detailed, exact, painstaking instructions. It's more like you take the system and you feed it lots of data, including unstructured data, like the kind we generate in our digital lives. And the system learns by churning through this data. And also, crucially, these systems don't operate under a single-answer logic. They don't produce a simple answer; it's more probabilistic: "This one is probably more like what you're looking for."
Now, the upside is: this method is really powerful. The head of Google's AI systems called it, "the unreasonable effectiveness of data." The downside is, we don't really understand what the system learned. In fact, that's its power. This is less like giving instructions to a computer; it's more like training a puppy-machine-creature we don't really understand or control. So this is our problem. It's a problem when this artificial intelligence system gets things wrong. It's also a problem when it gets things right, because we don't even know which is which when it's a subjective problem. We don't know what this thing is thinking.
So, consider a hiring algorithm -- a system used to hire people, using machine-learning systems. Such a system would have been trained on previous employees' data and instructed to find and hire people like the existing high performers in the company. Sounds good. I once attended a conference that brought together human resources managers and executives, high-level people, using such systems in hiring. They were super excited. They thought that this would make hiring more objective, less biased, and give women and minorities a better shot against biased human managers.
And look -- human hiring is biased. I know. I mean, in one of my early jobs as a programmer, my immediate manager would sometimes come down to where I was really early in the morning or really late in the afternoon, and she'd say, "Zeynep, let's go to lunch!" I'd be puzzled by the weird timing. It's 4pm. Lunch? I was broke, so free lunch. I always went. I later realized what was happening. My immediate managers had not confessed to their higher-ups that the programmer they hired for a serious job was a teen girl who wore jeans and sneakers to work. I was doing a good job, I just looked wrong and was the wrong age and gender.
So hiring in a gender- and race-blind way certainly sounds good to me. But with these systems, it is more complicated, and here's why: Currently, computational systems can infer all sorts of things about you from your digital crumbs, even if you have not disclosed those things. They can infer your sexual orientation, your personality traits, your political leanings. They have predictive power with high levels of accuracy. Remember -- for things you haven't even disclosed. This is inference.
I have a friend who developed such computational systems to predict the likelihood of clinical or postpartum depression from social media data. The results are impressive. Her system can predict the likelihood of depression months before the onset of any symptoms -- months before. No symptoms, there's prediction. She hopes it will be used for early intervention. Great! But now put this in the context of hiring.
So at this human resources managers conference, I approached a high-level manager in a very large company, and I said to her, "Look, what if, unbeknownst to you, your system is weeding out people with high future likelihood of depression? They're not depressed now, just maybe in the future, more likely. What if it's weeding out women more likely to be pregnant in the next year or two but aren't pregnant now? What if it's hiring aggressive people because that's your workplace culture?" You can't tell this by looking at gender breakdowns. Those may be balanced. And since this is machine learning, not traditional coding, there is no variable there labeled "higher risk of depression," "higher risk of pregnancy," "aggressive guy scale." Not only do you not know what your system is selecting on, you don't even know where to begin to look. It's a black box. It has predictive power, but you don't understand it.
"What safeguards," I asked, "do you have to make sure that your black box isn't doing something shady?" She looked at me as if I had just stepped on 10 puppy tails.
She stared at me and she said, "I don't want to hear another word about this." And she turned around and walked away. Mind you -- she wasn't rude. It was clearly: what I don't know isn't my problem, go away, death stare.
Look, such a system may even be less biased than human managers in some ways. And it could make monetary sense. But it could also lead to a steady but stealthy shutting out of the job market of people with higher risk of depression. Is this the kind of society we want to build, without even knowing we've done this, because we turned decision-making to machines we don't totally understand?
Another problem is this: these systems are often trained on data generated by our actions, human imprints. Well, they could just be reflecting our biases, and these systems could be picking up on our biases and amplifying them and showing them back to us, while we're telling ourselves, "We're just doing objective, neutral computation."
Researchers found that on Google, women are less likely than men to be shown job ads for high-paying jobs. And searching for African-American names is more likely to bring up ads suggesting criminal history, even when there is none. Such hidden biases and black-box algorithms that researchers uncover sometimes but sometimes we don't know, can have life-altering consequences.
In Wisconsin, a defendant was sentenced to six years in prison for evading the police. You may not know this, but algorithms are increasingly used in parole and sentencing decisions. He wanted to know: How is this score calculated? It's a commercial black box. The company refused to have its algorithm be challenged in open court. But ProPublica, an investigative nonprofit, audited that very algorithm with what public data they could find, and found that its outcomes were biased and its predictive power was dismal, barely better than chance, and it was wrongly labeling black defendants as future criminals at twice the rate of white defendants.
So, consider this case: This woman was late picking up her godsister from a school in Broward County, Florida, running down the street with a friend of hers. They spotted an unlocked kid's bike and a scooter on a porch and foolishly jumped on it. As they were speeding off, a woman came out and said, "Hey! That's my kid's bike!" They dropped it, they walked away, but they were arrested.
She was wrong, she was foolish, but she was also just 18. She had a couple of juvenile misdemeanors. Meanwhile, that man had been arrested for shoplifting in Home Depot -- 85 dollars' worth of stuff, a similar petty crime. But he had two prior armed robbery convictions. But the algorithm scored her as high risk, and not him. Two years later, ProPublica found that she had not reoffended. It was just hard to get a job for her with her record. He, on the other hand, did reoffend and is now serving an eight-year prison term for a later crime. Clearly, we need to audit our black boxes and not have them have this kind of unchecked power.
Audits are great and important, but they don't solve all our problems. Take Facebook's powerful news feed algorithm -- you know, the one that ranks everything and decides what to show you from all the friends and pages you follow. Should you be shown another baby picture?
A sullen note from an acquaintance? An important but difficult news item? There's no right answer. Facebook optimizes for engagement on the site: likes, shares, comments.
In August of 2014, protests broke out in Ferguson, Missouri, after the killing of an African-American teenager by a white police officer, under murky circumstances. The news of the protests was all over my algorithmically unfiltered Twitter feed, but nowhere on my Facebook. Was it my Facebook friends? I disabled Facebook's algorithm, which is hard because Facebook keeps wanting to make you come under the algorithm's control, and saw that my friends were talking about it. It's just that the algorithm wasn't showing it to me. I researched this and found this was a widespread problem.
The story of Ferguson wasn't algorithm-friendly. It's not "likable." Who's going to click on "like?" It's not even easy to comment on. Without likes and comments, the algorithm was likely showing it to even fewer people, so we didn't get to see this. Instead, that week, Facebook's algorithm highlighted this, which is the ALS Ice Bucket Challenge. Worthy cause; dump ice water, donate to charity, fine. But it was super algorithm-friendly. The machine made this decision for us. A very important but difficult conversation might have been smothered, had Facebook been the only channel.
Now, finally, these systems can also be wrong in ways that don't resemble human systems. Do you guys remember Watson, IBM's machine-intelligence system that wiped the floor with human contestants on Jeopardy? It was a great player. But then, for Final Jeopardy, Watson was asked this question: "Its largest airport is named for a World War II hero, its second-largest for a World War II battle."
Chicago. The two humans got it right. Watson, on the other hand, answered "Toronto" -- for a US city category! The impressive system also made an error that a human would never make, a second-grader wouldn't make.
Our machine intelligence can fail in ways that don't fit error patterns of humans, in ways we won't expect and be prepared for. It'd be lousy not to get a job one is qualified for, but it would triple suck if it was because of stack overflow in some subroutine.
In May of 2010, a flash crash on Wall Street fueled by a feedback loop in Wall Street's "sell" algorithm wiped a trillion dollars of value in 36 minutes. I don't even want to think what "error" means in the context of lethal autonomous weapons.
So yes, humans have always made biases. Decision makers and gatekeepers, in courts, in news, in war ... they make mistakes; but that's exactly my point. We cannot escape these difficult questions. We cannot outsource our responsibilities to machines.
Artificial intelligence does not give us a "Get out of ethics free" card.
Data scientist Fred Benenson calls this math-washing. We need the opposite. We need to cultivate algorithm suspicion, scrutiny and investigation. We need to make sure we have algorithmic accountability, auditing and meaningful transparency. We need to accept that bringing math and computation to messy, value-laden human affairs does not bring objectivity; rather, the complexity of human affairs invades the algorithms. Yes, we can and we should use computation to help us make better decisions. But we have to own up to our moral responsibility to judgment, and use algorithms within that framework, not as a means to abdicate and outsource our responsibilities to one another as human to human.
Machine intelligence is here. That means we must hold on ever tighter to human values and human ethics.Thank you.





Transcripción: (Español)

Empecé mi primer trabajo como programadora informática en mi primer año de universidad, básicamente, siendo aún adolescente.
Poco después de empezar a trabajar, programando software en una empresa, un gerente que trabajaba en la compañía vino allí donde estaba yo, y me dijo al oído: "¿Puede decir ella si estoy mintiendo?" No había nadie más en la habitación.
"¿Puede "quién" decir si está mintiendo? ¿Y por qué estamos susurrando?"
El gerente señaló la computadora de la habitación. "¿Puede ella decir si estoy mintiendo?" Bueno, el gerente tenía una aventura con la recepcionista.
Y yo todavía era adolescente. Por lo tanto, le susurro yo a él: "Sí, la computadora puede determinar si Ud. está mintiendo".
Bueno, me reí, pero, en realidad, me reía de mí. Hoy en día, existen sistemas informáticos que pueden detectar estados emocionales e incluso mentir a partir del procesamiento de rostros humanos. Los anunciantes, e incluso hay gobiernos muy interesados.
Me había convertido en programadora informática porque yo era una de esas chicas locas por las matemáticas y la ciencia. Pero también me había interesado por las armas nucleares, y había empezado a realmente a preocuparme por la ética de la ciencia. Yo estaba preocupada. Sin embargo, por circunstancias familiares, también debía empezar a trabajar lo antes posible. Así que me dije, bueno, vamos a elegir un campo técnico donde poder conseguir un trabajo fácil y donde no tenga que lidiar con preguntas molestas sobre ética. Así que elegí las computadoras.
Bueno, ¡ja, ja, ja! Todas las risas a mi costa. Hoy en día, los informáticos construyen plataformas que controlan lo que millones de personas ven todos los días. Están desarrollando automóviles que podrían decidir a quién atropellar. Es más, están construyendo máquinas, armas, que podrían matar a seres humanos en la guerra. Esto es ética a fondo.
La inteligencia artificial está aquí. Estamos usando la computación para tomar todo tipo de decisiones, además de nuevos tipos de decisiones. Planteamos preguntas a las computadoras que no tienen respuestas correctas individuales, por ser subjetivas e indefinidas y cargadas de valores.
Planteamos preguntas como: "¿A quién debe contratar la empresa?" "¿Qué actualización de qué amigo debe mostrarse?" "¿Qué convicto tiene más probabilidades de reincidir?" "¿Qué artículo de noticias o película se deben recomendar a la gente?"
Miren, sí, hemos venido usando computadoras hace tiempo, pero esto es diferente. Se trata de un giro histórico, porque no podemos anclar el cálculo para este tipo de decisiones subjetivas como anclamos el cálculo para pilotar aviones, construir puentes o ir a la luna. ¿Son los aviones más seguros? ¿Se balanceó el puente y cayó? Ahí, hemos acordado puntos de referencia bastante claros, y tenemos leyes de la naturaleza que nos guían. Nosotros no tenemos tales anclas y puntos de referencia para las decisiones sobre cuestiones humanas desordenadas.
Para complicar más las cosas, nuestro software es cada vez más potente, pero también es cada vez menos transparente y más complejo. Recientemente, en la última década, algunos algoritmos complejos han hecho grandes progresos. Pueden reconocer rostros humanos. Pueden descifrar la letra. Pueden detectar el fraude de tarjetas de crédito y bloquear el spam y pueden traducir a otros idiomas. Pueden detectar tumores en imágenes médicas. Puede vencer a los humanos en el ajedrez y en el Go.
Gran parte de este progreso viene de un método llamado "aprendizaje automático". El aprendizaje automático es diferente a la programación tradicional, donde se da al equipo instrucciones exactas, detalladas y meticulosas. Es como si uno alimentara el sistema con una gran cantidad de datos, incluyendo los datos no estructurados, como los que generamos en nuestras vidas digitales. Y el sistema aprende de esos datos. Y también, de manera crucial, estos sistemas no funcionan bajo una lógica de una sola respuesta. No producen una respuesta sencilla; es más probabilístico: "Esto es probablemente parecido a lo que estás buscando".
La ventaja es que este método es muy potente. El jefe de sistemas de inteligencia artificial de Google lo llama: "la eficacia irrazonable de los datos". La desventaja es que realmente no entendemos lo que aprendió el sistema. De hecho, ese es su poder. Esto no se parece a dar instrucciones a una computadora; se parece más a la formación de una criatura cachorro máquina que realmente no entendemos o controlamos. Así que este es nuestro problema; un problema cuando el sistema de inteligencia artificial hace cosas erróneas. Es también un problema cuando hace bien las cosas, porque ni siquiera sabemos qué es qué cuando se trata de un problema subjetivo. No sabemos qué está pensando esta cosa.
Por lo tanto, piensen en un algoritmo de contratación, un sistema usado para contratar, usa sistemas de aprendizaje automático. un sistema así habría sido entrenado con anteriores datos de empleados y tiene la instrucción de encontrar y contratar personas como las de alto rendimiento existentes en la empresa. Suena bien. Una vez asistí a una conferencia que reunió a los responsables de recursos humanos y ejecutivos, las personas de alto nivel, que usaban estos sistemas en la contratación. Estaban muy emocionados. Pensaban que esto haría la contratación más objetiva, menos tendenciosa, para dar a las mujeres y a las minorías mejores oportunidades contra los administradores humanos tendenciosos.
La contratación humana es tendenciosa. Lo sé. Es decir, en uno de mis primeros trabajos como programadora, mi jefa a veces venía allí donde yo estaba muy temprano en la mañana o muy tarde por la tarde, y decía: "Zeynep, ¡vayamos a comer!" Me dejaba perpleja por el momento extraño de preguntar. Son las 16. ¿Almuerzo? Estaba en la ruina, así que, ante un almuerzo gratis, siempre fui. Más tarde me di cuenta de lo que estaba ocurriendo. Mis jefes inmediatos no habían confesado a sus altos mandos que el programador contratado para un trabajo serio era una adolescente que llevaba pantalones vaqueros y zapatillas de deporte en el trabajo. Yo hacía un buen trabajo, solo que no encajaba por la edad y por el sexo equivocado.
Así que contratar a ciegas independiente del género y de la raza ciertamente me parece bien. Sin embargo, con estos sistemas, es más complicado, y he aquí por qué: Hoy los sistemas informáticos pueden deducir todo tipo de cosas sobre Uds. a partir de sus pistas digitales, incluso si no las han dado a conocer. Pueden inferir su orientación sexual, sus rasgos de personalidad, sus inclinaciones políticas. Tienen poder predictivo con altos niveles de precisión. Recuerden, por cosas que ni siquiera han dado a conocer. Esta es la inferencia.
Tengo una amiga que desarrolló este tipo de sistemas informáticos para predecir la probabilidad de depresión clínica o posparto a partir de datos de medios sociales. Los resultados son impresionantes. Su sistema puede predecir la probabilidad de depresión meses antes de la aparición de cualquier síntoma, meses antes. No hay síntomas, sí hay predicción. Ella espera que se use para la intervención temprana. ¡Estupendo! Pero ahora pongan esto en el contexto de la contratación.
Así que en esa conferencia de recursos humanos, me acerqué a una gerenta de alto nivel de una empresa muy grande, y le dije: "Mira, ¿qué pasaría si, sin su conocimiento, el sistema elimina a las personas con alta probabilidad futura de la depresión? No están deprimidos ahora, solo quizá en el futuro, sea probable. ¿Y si elimina a las mujeres con más probabilidades de estar embarazadas en el próximo año o dos, pero no está embarazada ahora? ¿Y si contratamos a personas agresivas, porque esa es su cultura de trabajo?" No se puede saber esto mirando un desglose por sexos. Estos pueden ser equilibrados. Y como esto es aprendizaje automático, no la programación tradicional, no hay una variable etiquetada como "mayor riesgo de depresión", "mayor riesgo de embarazo", "escala de chico agresivo". Ud. no solo no sabe lo que su sistema selecciona, sino que ni siquiera sabe por dónde empezar a buscar. Es una caja negra. Tiene capacidad de predicción, pero uno no lo entiende.
"¿Qué salvaguardia", pregunté, "puede asegurar que la caja negra no hace algo perjudicial?" Ella me miró como si acabara de romper algo valioso.
Me miró y dijo: "No quiero oír ni una palabra de esto". Dio la vuelta y se alejó. Eso sí, ella no fue grosera. Era claramente: lo que no sé, no es mi problema, vete, encara la muerte.
Un sistema de este tipo puede ser incluso menos sesgado que los administradores humanos en algunos aspectos. Y podría tener sentido monetario. Pero también podría llevar a un cierre constante pero sigiloso del mercado de trabajo a las personas con mayor riesgo de depresión. ¿Es este el tipo de sociedad la que queremos construir, sin siquiera saber que lo hemos hecho, porque nos movemos en torno a decisiones de máquinas que no entendemos totalmente?
Otro problema es el siguiente: estos sistemas son a menudo entrenados con datos generados por nuestras acciones, por huellas humanas. Podrían pues estar reflejando nuestros prejuicios, y estos sistemas podrían dar cuenta de nuestros prejuicios y la amplificación de ellos volviendo a nosotros, mientras que decimos: "Somos objetivos, es el cómputo neutral".
Los investigadores encontraron que en Google las mujeres tienen menos probabilidades que los hombres de que les aparezcan anuncios de trabajo bien remunerados. Y buscando nombres afroestadounidenses es más probable que aparezcan anuncios que sugieren antecedentes penales, incluso cuando no existan. Estos sesgos ocultos y algoritmos de la caja negra que descubren los investigadores a veces, pero a veces no, pueden tener consecuencias que cambian la vida.
En Wisconsin, un acusado fue condenado a seis años de prisión por escaparse de la policía. Quizá no lo sepan, pero los algoritmos se usan cada vez más en las decisiones de libertad condicional y de sentencia. El acusado quiso saber: ¿Cómo se calcula la puntuación? Es una caja negra comercial. La empresa se negó a que se cuestionara su algoritmo en audiencia pública. Pero ProPublica, organización no lucrativa de investigación, auditó precisamente ese algoritmo con los datos públicos que encontró, y descubrió que sus resultados estaban sesgados y su capacidad de predicción era pésima, apenas mejor que el azar, y se etiquetaban erróneamente acusados ​​negros como futuros criminales con una tasa del doble que a los acusados ​​blancos.
Piensen en este caso: Esta mujer llegó tarde a recoger a la hija de su madrina de una escuela en el condado de Broward, Florida, iba corriendo por la calle con una amiga. Vieron la bicicleta de un niño sin candado y una moto en un porche y tontamente saltó sobre ella. A medida que aceleraban, una mujer salió y dijo, "¡Eh, esa es la bicicleta de mi hijo!" Se bajaron, se alejaron, pero fueron detenidas.
Estaba equivocada, fue una tontería, pero también tenía solo 18 años. Tenía un par de faltas menores. Mientras tanto, detenían al hombre por hurto en Home Depot, por un valor de USD 85, un delito menor similar. Pero él tenía dos condenas anteriores por robo a mano armada. Sin embargo, el algoritmo la anotó a ella como de alto riesgo, y no a él. Dos años más tarde, ProPublica descubrió que ella no había vuelto a delinquir. Pero le era difícil conseguir un trabajo con sus antecedentes registrados. Él, por el contrario, era reincidente y ahora cumple una pena de ocho años de prisión por un delito posterior. Es evidente que necesitamos auditar nuestras cajas negras para no tener este tipo de poder sin control.
Las auditorías son grandes e importantes, pero no resuelven todos los problemas. Tomemos el potente algoritmo de noticias de Facebook, ese que sabe todo y decide qué mostrarles de las páginas de los amigos que siguen. ¿Debería mostrarles otra imagen de bebé?
¿Una nota deprimente de un conocido? ¿Una noticia importante pero difícil? No hay una respuesta correcta. Facebook optimiza para que se participe en el sitio: con Me gusta, Compartir y con Comentarios.
En agosto de 2014, estallaron protestas en Ferguson, Missouri, tras la muerte de un adolescente afroestadounidense por un policía blanco, en circunstancias turbias. La noticia de las protestas llegaron en mi cuenta de Twitter algorítmicamente sin filtrar pero en ninguna parte en mi Facebook. ¿Y qué pasaba con mis amigos de Facebook? Desactivé el algoritmo de Facebook, lo cual es difícil ya que Facebook quiere seguir manteniéndonos bajo el control del algoritmo, y vi que mis amigos estaban hablando de ello. Pero el algoritmo no me lo mostraba. He investigado esto y encontré que era un problema generalizado.
La historia de Ferguson no era compatible con el algoritmo. No es "gustable". ¿Quién va a hacer clic en "Me gusta"? Ni siquiera es fácil de comentar. Sin Me gusta y sin comentarios, el algoritmo era probable de mostrarse a aún menos personas, así que no tuvimos oportunidad de ver esto. En cambio, esa semana, el algoritmo de Facebook destacó esto, el ALS que era el desafío del cubo de hielo. Noble causa; verter agua con hielo, donar a la caridad, bien. Esa causa era súper compatible con el algoritmo. La máquina tomó esta decisión por nosotros. Una conversación muy importante pero difícil podría haber sido silenciada si Facebook hubiese sido el único canal.
Ahora, por fin, estos sistemas pueden también equivocarse de formas que no se parecen a los humanos. ¿Se acuerdan de Watson, el sistema de inteligencia artificial de IBM que arrasó con los concursantes humanos en Jeopardy? Fue un gran jugador. Pero entonces, para la final de Jeopardy, a Watson se le hizo esta pregunta: "Su mayor aeropuerto lleva el nombre de un héroe de la 2ª Guerra Mundial, la 2ª batalla más grande de la 2ª Guerra Mundial".
Chicago. Los dos humanos lo hicieron bien. Watson, por otra parte, respondió "Toronto" para una categoría de ciudad de EE.UU. El impresionante sistema también cometió un error que un humano nunca cometería, que un estudiante de segundo grado tampoco.
La inteligencia artificial puede fallar en formas que no se ajustan a los patrones de error de los humanos, de maneras que no esperamos y para las que no estamos preparados. Sería pésimo no conseguir trabajo, una vez que uno se cualifica para ello, pero sería el triple de pésimo si fue por un desbordamiento de pila en algunas subrutinas.
En mayo del 2010 un flash crash de Wall Street alimentado por un circuito de retroalimentación por el algoritmo de "venta" de Wall Street borró un billón de dólares en 36 minutos. Yo no quiero ni pensar lo que significa "error" en el contexto de las armas autónomas letales.
Los humanos siempre hemos tenido prejuicios. Los que toman decisiones y los guardias, en los tribunales, en la actualidad, en la guerra... cometen errores; pero ese es exactamente mi tema. No podemos escapar a estas preguntas difíciles. No podemos delegar nuestra responsabilidad a las máquinas.
La inteligencia artificial no nos da una tarjeta libre de ética.
El experto en datos Fred Benenson lo llama "mathwashing" o lavado matemático. Necesitamos lo contrario. Necesitamos fomentar un algoritmo de sospecha, escrutinio e investigación. Tenemos que asegurarnos de tener responsabilidad algorítmica, auditoría y transparencia significativa. Tenemos que aceptar que llevar las matemáticas y la computación a los asuntos humanos, desordenados y cargados de valores no conlleva a la objetividad; más bien, la complejidad de los asuntos humanos invaden los algoritmos. Sí, podemos y debemos usar la computación para ayudar a tomar mejores decisiones. Pero tenemos que apropiarnos de nuestra responsabilidad moral de juicio, y usar algoritmos dentro de ese marco, no como un medio para abdicar y delegar nuestras responsabilidades el uno al otro, como de humano a humano.
La inteligencia artificial está aquí. Eso significa que hay que ajustarla cada vez más a los valores humanos y a la ética humana.Gracias.




Source/Fuente:www.ted.com

ID/PENS/GINT-¿Hasta qué punto los algoritmos condicionan nuestra visión del mundo? por Natalí Schejtman

The following information is used for educational purposes only.


IDEAS | PENSAMIENTO

¿Hasta qué punto los algoritmos condicionan nuestra visión del mundo?






Herramientas informáticas tan omnipresentes como desconocidas, los algoritmos expanden su influencia hacia la política, la salud e incluso el empleo

Natalí Schejtman

11 de febrero de 2018

"Si un meteorito cae en el medio de campo pero nadie lo postea, ¿cayó realmente?", se preguntaban los actores de Asuntos que queman, un ensayo escénico alrededor de las redes basadas en algoritmos que ordenan y visibilizan (e invisibilizan) la información. La performance, que se reestrenará este año en el Centro Cultural Recoleta, retrataba de qué modo los temas del día se instalan ante nuestros ojos y parecen obligarnos a tomar posición sobre ellos.

Pero no todos los meteoritos caen en todas las pantallas, ni todos los oímos por igual. Lo que "escroleamos" mientras esperamos un colectivo muestra cierta información, polémicas y memes mientras invisibiliza otras. Las plataformas de búsqueda y compras basan sus ofertas en lo que saben de nosotros. Los algoritmos ordenan y jerarquizan la abrumadora cantidad de información digital que consumimos. Y no aparecen solamente cuando Google arroja resultados personalizados según nuestras búsquedas anteriores o ubicación geográfica, o cuando Facebook premastica nuestro muro para que encaje con lo que infiere que nos interesa. Los algoritmos también se usan para otros fines: desde inferir riesgos de enfermedades graves antes de que aparezcan hasta guiar la contratación de nuevos empleados en una compañía.

Esa ubicuidad plantea una serie de preguntas: ¿Qué pasa cuando las huellas que dejamos online, pensando que son privadas y nos pertenecen, son usadas por otros para tomar decisiones sobre nosotros? ¿Cuán conscientes somos de la incidencia que los softwares basados en algoritmos tienen en nuestra vida cotidiana? ¿Las decisiones tomadas por máquinas contribuyen a un mundo más "objetivo" o más opaco?


Si te gustó X te va a gustar Y

La metáfora de un elemento no humano que se va inoculando e imitando la vida cotidiana es recurrente en la cultura popular. La teórica cultural Mercedes Bunz vuelve sobre esa potente idea para referirse a la invasión de los algoritmos en su libro La revolución silenciosa. Cómo los algoritmos transforman el conocimiento, el trabajo, la opinión pública y la política sin hacer mucho ruido, publicado originalmente en 2012 y recientemente editado en la Argentina por Editorial Cruce. En estos años, la influencia de los algoritmos se intensificó: "Esa transformación está entrando en un segundo estadio, con la Internet de las cosas y la inteligencia artificial", explica Bunz desde el Reino Unido, donde vive y enseña.

En su libro recorre los aspectos incipientes de esta revolución. Crónicas deportivas escritas por softwares, la relación con el conocimiento médico y la idea de experto post Google, y la organización de la sociedad civil en la era Twitter. Bunz se detiene en el caso de la Primavera Árabe para indagar en cómo la concentración en la plaza Tahir en Egipto supuso una forma de convocatoria y comunicación novedosa en ese momento. Justamente, el caso de estas revueltas sigue siendo estudiado en el marco del debate sobre si los medios online realmente democratizan las prácticas sociales, y la discusión sobre las "burbujas" de filtros digitales, que brindan información de acuerdo a posturas ideológicas previamente analizadas y leídas por algoritmos. Desde la victoria de Trump en Estados Unidos, el papel de esos algoritmos se volvió un tema de análisis y opinión recurrente. Obama lo retomó en su reciente entrevista con David Letterman para Netflix, planteándolo como uno de los desafíos de la democracia actual. Curiosamente, el ex presidente de Estados Unidos deja de lado que la misma plataforma que produjo y lanzó esa valiosa entrevista está construida sobre un muy sofisticado sistema de recomendaciones algorítmicas que, en definitiva, es parte de la misma cuestión. De hecho, en un análisis publicado en The Atlantic sobre cómo hizo Netflix para "conocer" a sus usuarios, Alexis Madrigal investigó y reveló en 2014 el modo en que la plataforma "deconstruyó" a Hollywood en miles de formas de describir un contenido audiovisual. El algoritmo de Netflix trabaja sobre esa enorme base de datos que se alimenta de los millones de usuarios que muestran sus preferencias. A la hora de producir contenido original, esa información es oro en bytes.





En su charla con David Letterman, Obama también alertó sobre el desafío de los algoritmos Fuente: Reuters

Votantes en la mira

Política, entretenimiento y tecnología convergen como preocupación y posibilidad. En un artículo de la publicación digital Panamá Revista, Pablo Touzon analizaba la práctica y el método del estratega de Cambiemos Jaime Durán Barba como una "política algorítmica ": más bien predictiva, poco amante del riesgo o de los volantazos impopulares. En cambio, esta "nueva política" lee a los votantes como usuarios con preferencias rastreables y genera nuevas preguntas sobre democracias y opinión pública.

El aprovechamiento de las posibilidades tecnológicas para identificar, segmentar y convencer es metafórica y a la vez muy concreta. Hace varios años que las campañas políticas se basan en conocer al usuario-votante por medio de sus clics. Pero ése es un terreno que también se presta a cuestionamientos. Una reciente investigación daba cuenta de cómo en las últimas elecciones de Chile se utilizó el software Instagis para cruzar información privada de los usuarios (como domicilio o identificación tributaria) con su actividad en las redes sociales, y de allí deducir sus simpatías ideológicas. Según el informe del Centro de investigación e información periodística de Chile (Ciper), el partido Renovación Nacional y luego Sebastián Piñera, solo por dar un ejemplo reciente, utilizaron datos algorítmicos al servicio de una campaña electoral, aprovechando los agujeros legislativos en materia de protección de datos personales (y el gris en la definición de qué es un dato personal).






Los algoritmos, presentes en la última campaña electoral chilena Fuente: Reuters

"Los algoritmos pueden ayudar a la representación política cuando permiten identificar con mayor precisión las necesidades de los votantes. Son negativos, por otro lado, cuando permiten la manipulación de los votantes", reflexiona Ernesto Calvo, doctor en Ciencias Políticas, profesor de la Universidad de Maryland y autor de Anatomía politica de Twitter en Argentina: tuiteando #Nisman. Calvo viene investigando el aspecto polarizado de las redes sociales a causa de los algoritmos que priorizan comentarios afines. Y también hasta qué punto estas burbujas online ideológicas se traducen en la polarización offline, teniendo en cuenta las fuertes grietas que lideran las grandes decisiones políticas de los últimos años. "Recientemente realizamos experimentos controlados en la Argentina y en Estados Unidos en donde mostramos el aumento en la percepción de polarización que tienen los votantes cuando son expuestos a mensajes negativos en redes sociales. Aleatoriamente, dos grupos fueron expuestos a tuits políticos mientras un tercer grupo no fue tratado. En el grupo que recibió la información de redes sociales hubo un amento de 15% en la distancia ideológica entre Cambiemos y el FPV reportada por los encuestados. Lo mismo ocurrió en Estados Unidos al medir la distancia entre Donald Trump y Hillary Clinton. Esto no quiere decir que la polarización se deba a las redes sociales, pero hay evidencia muy contundente de que las redes sociales contribuyen a la polarización".

Recientemente, The Guardian publicó otra investigación con foco en el algoritmo de recomendación de YouTube (que venía evitando la pesquisa por la que pasaron otras redes sociales). Allí se describe cómo la plataforma estaría priorizando la recomendación de videos conspirativos y sensacionalistas, y cómo, también, jugó un papel en las elecciones estadounidenses de 2016.

Asimismo -y aunque los partidos políticos parecen más ocupados en hacerse de esta nueva herramienta que en cuestionar sus implicancias-, la pregunta por la inteligencia artificial, la polarización y la democracia vive momentos de auge desde el referéndum británico para salir de las Unión Europea. Recientemente la comisión de información del Reino Unido inició una investigación a partir de que los medios difundieron de qué modo el uso de big data ayudó a influir en el voto por abandonar la Unión Europea. Por su parte, Bunz se detiene en el potencial de la tecnología en relación con la democracia y observa un aspecto ligado a la educación: "Necesitamos comprometernos con la tecnología digital mucho más. Esto no significa necesariamente que tenemos que aprender a programar. Pero votar responsablemente en una democracia significa estar políticamente informados, y usar y moldear la tecnología es lo mismo en el siglo XXI. Si no queremos que este desarrollo global sea un riesgo para nuestras democracias, necesitamos hacer de la tecnología y cómo funciona una parte de nuestra educación".

El factor humano

La académica Taina Bucher investiga desde hace años la vinculación de los algoritmos con la vida social de los usuarios. En una de sus publicaciones más recientes, habla del "imaginario algorítmico"; es decir, reflexiona sobre la vinculación afectiva entre los usuarios y las fórmulas que diseñan sus muros de Facebook y otras redes sociales. En su investigación sobre cómo los usuarios perciben los algoritmos, encuentra frustración, especulación, enojo y, por momentos, una pulseada entre el hombre y lo que la máquina lee sobre él.

Ese despertar de una conciencia que desautomatice nuestra forma de vivir y consumir información digital es un tema recurrente entre unos cuantos académicos, pensadores y activistas. En su charla TED La inteligencia artificial hace que la moral humana sea más importante, la programadora y socióloga Zeynep Tufecki apela a nuevas preguntas morales que deberían plantearse alrededor del poder de la inteligencia artificial. Cita el caso de una colega suya que desarrolló un software que permite, utilizando información de las redes sociales, predecir casos de depresión posparto antes de que aparezcan los síntomas. Tufecki se pregunta cómo podría funcionar una herramienta que tiene un fin "noble" en un contexto de contratación laboral: "¿qué pasaría si el sistema elimina a las personas con alta probabilidad futura de la depresión?", dice.




Zeynep Tufekci: "La inteligencia artificial hace que la moral sea más importante" (Charla TED) (*)Ver video completo con transcripción en el siguiente post.

En definitiva, la huella digital -el historial de búsquedas de Google, clics, "Me gusta", compras, etcétera- podría tener puntos en común con la idea del inconsciente freudiano y la huella mnémica, algo que va más allá de lo que podemos recordar de manera conciente.

Pero también hay una incipiente preocupación por la reproducción de determinandos sesgos en los supuestamente deshumanizados algoritmos. A fin del año pasado, el grupo Liberty advirtió a los legisladores de la comisión de Ciencia y Tecnología del parlamento británico que el software utilizado para predecir si alguien es un criminal basado en su comportamiento anterior era discriminatorio. Eso se hizo después de conocer que la policía de Durham trabajaba con un sistema llamado Harm Assessment Risk Tool (herramienta de evaluación de daño), que usaba información digital para clasificar a los sospechosos según su potencial riesgo de cometer un crimen. Consultada por BBC, la investigadora Sandra Wachter, del Instituto de Internet de Oxford aseguró: "La comunidad que codifica debería ser más diversa. Si solo tenemos programadores varones y blancos, obviamente va a haber un sesgo en los sistemas".






Ilustración: Pep Serra / Médula Estudio

Efectivamente, los sesgos de género también están presentes. Por ejemplo, según una investigación de la Universidad de Boston y Microsoft Research Nueva Inglaterra, las bases de datos vinculadas a la inteligencia artificial consideran la palabra "programador" más cerca de la palabra "varón" que de la palabra "mujer".

El factor humano vuelve a ser decisivo en estas creaciones que tienen un aspecto autónomo. Mercedes Bunz lo menciona en su libro una y otra vez: "Los algoritmos y las máquinas son una creación humana", insiste. "Aunque todos están viendo cómo funciona la inteligencia artificial, rápidamente se dan cuenta de que es fundamentalmente diferente de la humana -los chicos chiquitos no necesitan ver miles de gatos antes de poder identificar a uno-. De todos modos, hay algo profundamente humano dentro de los algoritmos: son creados por nosotros, los seres humanos". Lo cierto es que éste parece un momento más bien salvaje en la evolución de los algoritmos: prácticamente desregulados, opacos, misteriosos, y también invasivos y poderosos. Calvo describe este estado de situación: "Con la excepción del área salud, que tiene estándares claros de depósito y acceso de datos, en casi todas las áreas de nuestra vida informática carecemos de reglas (formales e informales) para dirimir qué tipo de información es aceptable capturar y distribuir, así como las reglas para explotar comercialmente esta información. La regulación de esta área es de una complejidad extraordinaria, dado que la línea que separa lo público de lo privado es casi inexistente. Es un área en el cual no está claro cuáles regulaciones son posibles, necesarias y beneficiosas". Con la revolución iniciada, sus consecuencias todavía están por verse.



Fuente:www.lanacion.com.ar

Saturday, February 10, 2018

FEEL/SOC/LIF/GINT-TED TALKS-How to fix a broken heart by Guy Winch

The following information is used for educational purposes only.


Guy Winch at TED2017


How to fix a broken heart


April 2017


At some point in our lives, almost every one of us will have our heart broken. Imagine how different things would be if we paid more attention to this unique emotional pain. Psychologist Guy Winch reveals how recovering from heartbreak starts with a determination to fight our instincts to idealize and search for answers that aren't there -- and offers a toolkit on how to, eventually, move on. Our hearts might sometimes be broken, but we don't have to break with them.







Transcript:


At some point in our lives, almost every one of us will have our heart broken.
My patient Kathy planned her wedding when she was in middle school. She would meet her future husband by age 27, get engaged a year later and get married a year after that. But when Kathy turned 27, she didn't find a husband. She found a lump in her breast. She went through many months of harsh chemotherapy and painful surgeries, and then just as she was ready to jump back into the dating world, she found a lump in her other breast and had to do it all over again. Kathy recovered, though, and she was eager to resume her search for a husband as soon as her eyebrows grew back in. When you're going on first dates in New York City, you need to be able to express a wide range of emotions.
Soon afterwards, she met Rich and fell in love. The relationship was everything she hoped it would be. Six months later, after a lovely weekend in New England, Rich made reservations at their favorite romantic restaurant. Kathy knew he was going to propose, and she could barely contain her excitement.
But Rich did not propose to Kathy that night. He broke up with her. As deeply as he cared for Kathy -- and he did -- he simply wasn't in love.
Kathy was shattered. Her heart was truly broken, and she now faced yet another recovery. But five months after the breakup, Kathy still couldn't stop thinking about Rich. Her heart was still very much broken. The question is: Why? Why was this incredibly strong and determined woman unable to marshal the same emotional resources that got her through four years of cancer treatments? Why do so many of us flounder when we're trying to recover from heartbreak? Why do the same coping mechanisms that get us through all kinds of life challenges fail us so miserably when our heart gets broken?
In over 20 years of private practice, I have seen people of every age and background face every manner of heartbreak, and what I've learned is this: when your heart is broken, the same instincts you ordinarily rely on will time and again lead you down the wrong path. You simply cannot trust what your mind is telling you.
For example, we know from studies of heartbroken people that having a clear understanding of why the relationship ended is really important for our ability to move on. Yet time and again, when we are offered a simple and honest explanation like the one Rich offered Kathy, we reject it. Heartbreak creates such dramatic emotional pain, our mind tells us the cause must be equally dramatic. And that gut instinct is so powerful, it can make even the most reasonable and measured of us come up with mysteries and conspiracy theories where none exist. Kathy became convinced something must have happened during her romantic getaway with Rich that soured him on the relationship, and she became obsessed with figuring out what that was. And so she spent countless hours going through every minute of that weekend in her mind, searching her memory for clues that were not there. Kathy's mind tricked her into initiating this wild goose chase. But what compelled her to commit to it for so many months?
Heartbreak is far more insidious than we realize. There is a reason we keep going down one rabbit hole after another, even when we know it's going to make us feel worse. Brain studies have shown that the withdrawal of romantic love activates the same mechanisms in our brain that get activated when addicts are withdrawing from substances like cocaine or opioids. Kathy was going through withdrawal. And since she could not have the heroin of actually being with Rich, her unconscious mind chose the methadone of her memories with him. Her instincts told her she was trying to solve a mystery, but what she was actually doing was getting her fix. This is what makes heartbreak so difficult to heal. Addicts know they're addicted. They know when they're shooting up. But heartbroken people do not. But you do now. And if your heart is broken, you cannot ignore that. You have to recognize that, as compelling as the urge is, with every trip down memory lane, every text you send, every second you spend stalking your ex on social media, you are just feeding your addiction, deepening your emotional pain and complicating your recovery.
Getting over heartbreak is not a journey. It's a fight, and your reason is your strongest weapon. There is no breakup explanation that's going to feel satisfying. No rationale can take away the pain you feel. So don't search for one, don't wait for one, just accept the one you were offered or make up one yourself and then put the question to rest, because you need that closure to resist the addiction. And you need something else as well: you have to be willing to let go, to accept that it's over. Otherwise, your mind will feed on your hope and set you back. Hope can be incredibly destructive when your heart is broken.
Heartbreak is a master manipulator. The ease with which it gets our mind to do the absolute opposite of what we need in order to recover is remarkable. One of the most common tendencies we have when our heart is broken is to idealize the person who broke it. We spend hours remembering their smile, how great they made us feel, that time we hiked up the mountain and made love under the stars. All that does is make our loss feel more painful. We know that. Yet we still allow our mind to cycle through one greatest hit after another, like we were being held hostage by our own passive-aggressive Spotify playlist.
Heartbreak will make those thoughts pop into your mind. And so to avoid idealizing, you have to balance them out by remembering their frown, not just their smile, how bad they made you feel, the fact that after the lovemaking, you got lost coming down the mountain, argued like crazy and didn't speak for two days. What I tell my patients is to compile an exhaustive list of all the ways the person was wrong for you, all the bad qualities, all the pet peeves, and then keep it on your phone.
And once you have your list, you have to use it. When I hear even a hint of idealizing or the faintest whiff of nostalgia in a session, I go, "Phone, please."
Your mind will try to tell you they were perfect. But they were not, and neither was the relationship. And if you want to get over them, you have to remind yourself of that, frequently.
None of us is immune to heartbreak. My patient Miguel was a 56-year-old senior executive in a software company. Five years after his wife died, he finally felt ready to start dating again. He soon met Sharon, and a whirlwind romance ensued. They introduced each other to their adult children after one month, and they moved in together after two. When middle-aged people date, they don't mess around. It's like "Love, Actually" meets "The Fast and the Furious."
Miguel was happier than he had been in years. But the night before their first anniversary, Sharon left him. She had decided to move to the West Coast to be closer to her children, and she didn't want a long-distance relationship. Miguel was totally blindsided and utterly devastated. He barely functioned at work for many, many months, and he almost lost his job as a result. Another consequence of heartbreak is that feeling alone and in pain can significantly impair our intellectual functioning, especially when performing complex tasks involving logic and reasoning. It temporarily lowers our IQ.
But it wasn't just the intensity of Miguel's grief that confused his employers; it was the duration. Miguel was confused by this as well and really quite embarrassed by it. "What's wrong with me?" he asked me in our session. "What adult spends almost a year getting over a one-year relationship?" Actually, many do.
Heartbreak shares all the hallmarks of traditional loss and grief: insomnia, intrusive thoughts, immune system dysfunction. Forty percent of people experience clinically measurable depression. Heartbreak is a complex psychological injury. It impacts us in a multitude of ways. For example, Sharon was both very social and very active. She had dinners at the house every week. She and Miguel went on camping trips with other couples. Although Miguel was not religious, he accompanied Sharon to church every Sunday, where he was welcomed into the congregation. Miguel didn't just lose his girlfriend; he lost his entire social life, the supportive community of Sharon's church. He lost his identity as a couple. Now, Miguel recognized the breakup had left this huge void in his life, but what he failed to recognize is that it left far more than just one. And that is crucial, not just because it explains why heartbreak could be so devastating, but because it tells us how to heal. To fix your broken heart, you have to identify these voids in your life and fill them, and I mean all of them. The voids in your identity: you have to reestablish who you are and what your life is about. The voids in your social life, the missing activities, even the empty spaces on the wall where pictures used to hang. But none of that will do any good unless you prevent the mistakes that can set you back, the unnecessary searches for explanations, idealizing your ex instead of focusing on how they were wrong for you, indulging thoughts and behaviors that still give them a starring role in this next chapter of your life when they shouldn't be an extra.
Getting over heartbreak is hard, but if you refuse to be misled by your mind and you take steps to heal, you can significantly minimize your suffering. And it won't just be you who benefit from that. You'll be more present with your friends, more engaged with your family, not to mention the billions of dollars of compromised productivity in the workplace that could be avoided.
So if you know someone who is heartbroken, have compassion, because social support has been found to be important for their recovery. And have patience, because it's going to take them longer to move on than you think it should. And if you're hurting, know this: it's difficult, it is a battle within your own mind, and you have to be diligent to win. But you do have weapons. You can fight. And you will heal.Thank you.




Source:www.ted.com

OP/POL/SOC/GINT-¿Queremos revertir la decadencia? por Ricardo Esteves

The following information is used for educational purposes only.

       ¿Queremos revertir la decadencia?

Ricardo Esteves

LA NACION

10 de febrero de 2018

La derrota electoral de Daniel Scioli y el triunfo de Cambiemos significaron un hito fundamental para la vida del país, un hito de esperanza y una desaceleración del proceso de decadencia que tiene atrapada a la Argentina desde hace tantas décadas. Sin embargo, ese proceso no ha podido ser revertido aún por la sociedad -es tarea de todos, no solo del Gobierno-. Ahora, cabe la pregunta: ¿quiere realmente la sociedad argentina revertir la decadencia? ¿Está dispuesta a tolerar los sacrificios que implica?

No por considerar la economía por encima de la política o de la moral, lo cierto es que cuesta encontrar en estas disciplinas indicadores empíricos que puedan atestiguar sobre la reversión de la decadencia. En cambio, a partir de ciertos indicadores económicos se pueden constatar conductas colectivas guiadas por la racionalidad y la responsabilidad que conducen invariablemente a elevar los estándares sociales y humanos. ¿Cuáles son esos indicadores? El índice de inflación y el nivel de inversión.

La reversión del proceso de declinación de la Argentina se podrá constatar sólidamente el día que el país pueda sostener una inflación del 5% anual -o menos- y niveles de inversión como mínimo del 22% del PBI. Debería ser sencillo ya que son metas modestas, pero para la Argentina no lo es. En contraste, mientras el país conviva con altas tasas de inflación y pobres niveles de inversión continuará en la senda descendente en que el populismo arraigó las mentes de los argentinos, a tal punto que modificar la realidad implica sobre todo una batalla cultural.

Un hábito arraigado, promovido por el populismo y un factor clave de la decadencia es que el país gasta más de lo que produce. Por eso necesitó endeudarse en 40.000 millones de dólares en 2017 para cubrir gastos corrientes del Estado (el 86% son salarios, jubilaciones y subsidios, o sea, consumo). Una cifra escalofriante que se suma a la cuenta del "debe". Contra eso el país solo puede aducir "que nos quiten lo bailado". ¡ Muy triste! Y una prueba contundente de que no hemos salido aún de la decadencia. ¿Quién se hará cargo del faltante en este 2018, en 2019, en 2020... si nadie está dispuesto a sacrificar un céntimo de su actual nivel de ingreso?

Algunos creen que el crecimiento permitirá cubrir el faltante, y que así se podrá liberar a la sociedad de cualquier sacrificio (para que los sigan votando). Pero el crecimiento depende de la inversión. ¿Habrá inversión con esta brutal carga impositiva? ¿Con las condiciones laborales de la Argentina? ¿Con lo que cuestan las cosas en el país? ¿Con este nivel de inflación? Se supone que el capital internacional vendrá a la Argentina cuando haya garantías de que tendrá un retorno sobre su inversión. No va a venir a levantar la factura de consumo de la que los argentinos no estamos dispuestos a hacernos cargo.

Sabiamente, el Gobierno optó por el gradualismo para evitar los efectos de un shock, pero eso no quiere decir que la sociedad no deba hacer los deberes del caso. O que les traslade toda la responsabilidad a los gobernantes por un desajuste que es estructural.

La señal de madurez colectiva vendrá cuando el país pueda mantener tasas de inflación y niveles de inversión que atestigüen que dejó de gastar por encima de sus posibilidades, que comenzó a asignar una proporción adecuada de la producción nacional para "construir un futuro". E iniciar así un proceso de recapitalización que abrirá indefectiblemente las compuertas a un mejoramiento en otros planos de la vida nacional. La disminución de la pobreza, el gran objetivo, solo comenzará a operar cuando se puedan conjugar esos niveles de inflación y de inversión, como una consecuencia natural y lógica.

Lograr esos indicadores no es exclusividad de países sajones o asiáticos, ya que Perú tuvo en 2017 una inflación anual del 1,4% y una tasa de inversión del 25%. Y Chile, 2,8% y 22%, respectivamente. Y Brasil, 3% de inflación y un magro nivel de inversión (19%) a causa de su crisis política y económica.

El Gobierno salvó a la sociedad -y se salvó a sí mismo- de padecer las calamidades que incubó el kirchnerismo, y se cargó a sus espaldas el lastre de aquella gestión. Les hizo un favor a la sociedad y al kirchnerismo. Mientras este cínicamente se desvive por destituirlo, la sociedad exige y actúa como si el país estuviera en equilibrio y pretende además desligarse de cualquier costo o responsabilidad por los despilfarros y las atrocidades que se cometieron, como si los Kirchner hubieran llegado al poder con el voto de los marcianos.


Empresario y licenciado en Ciencias Políticas






Fuente:www.lanacion.com.ar

OP/POL/SOC/GINT-Estamos salvados: se reunifica el PJ por Carlos M. Reymundo Roberts

The following information is used for educational purposes only.


     Estamos salvados: se reunifica el PJ

Carlos M. Reymundo Roberts

LA NACION

10 de febrero de 2018

No estamos perdidos. Ninguna penuria coyuntural o estructural que atraviese el país, ninguna crisis, calamidad o lluvia ácida podrán derrotarnos. No estamos perdidos. En un acontecimiento llamado a cambiar el curso de la historia, el PJ acaba de dar una señal de madurez y superación: el reencuentro, anteayer, de kirchneristas, massistas y randazzistas. Sin llegar a jurarse amor eterno (en un partido en el que la eternidad se cuenta en días o semanas), pusieron la semillita de la reconciliación y la van a regar con el odio común a Macri. Estuve ahí, por supuesto, porque no iba a perderme un acto tan tierno, pletórico de abrazos, sonrisas y lágrimas de emoción. La sensación que me quedó es que esta vez el propósito de enmienda de los herederos de Perón es sincero. Realmente encontré un ánimo de cambio, sobre todo en lo ético. No quieren ver más al PJ asociado a la corrupción. Solo fue un descuido que la reunión se haya hecho en un edificio del sindicato de los porteros, cuyo líder, Víctor Santa María, podría ir en cualquier momento a la cárcel al no conseguir justificar su extraordinaria fortuna.

Allí estuvieron, tomados de la mano, agitando pañuelos y cantando villancicos, Filmus y Felipe Solá, Agustín Rossi y Fernando "Chino" Navarro, Alberto Fernández y Alberto Rodríguez Saá, entre muchos otros representantes de la renovación peronista. Al leer estos nombres algunos podrían concluir que es una lista de consumados perdedores, y que en la puerta había un cartel que prohibía la entrada a quienes el año pasado no hubiesen sufrido una paliza en las urnas. Pero los asistentes no estaban pensando en el ayer, sino en el mañana. "Las derrotas enseñan", suele decir Filmus, titular de la cátedra Traspiés Electorales. "Esta vez la reunificación va en serio", promete Felipe Solá, gran contador de chistes. Hace años se enojó conmigo porque al verlo tan desorientado le recomendé un GPS. La verdad es que ya no le hace falta: en el abrazo con los kirchneristas encontró el calor que tanto venía buscando.

Acaso el que mejor resume el espíritu del encuentro de anteayer es Alberto Fernández, que después de haber sido la eminencia gris de Néstor y Cristina fue la eminencia gris oscuro de Scioli, de Massa y de Randazzo, en ese desorden. Otra vez: no hay que detenerse en el fracaso de todos sus asesorados, y mucho menos en lo bien que se hace pagar por conducir al patíbulo. Cuando estaba con Cristina hacía planes para destruir a Scioli, cuando estaba con Scioli hacía planes contra Cristina y contra Massa, cuando estuvo con Massa urdía la forma de hundir a Cristina y a Scioli, y ahora que está con Randazzo, al que le hizo sacar cuatro o cinco votos, aboga por la unidad de todos ellos. La segunda suba de las naftas en un par de semanas lo convenció de la necesidad de ahorrar en desplazamientos.

Para el peronismo, que es un movimiento, lo importante es moverse. Y en eso está, alentado más por los tropiezos del Gobierno -inflación, trepada del dólar, endeudamiento, escandaletes- que por el reencuentro de sus espectros: Moyano/Cristina, Cristina/Alberto Fernández (ya se vieron tres veces), Moyano/Baradel, Massa/Randazzo, Scioli/Rodríguez Saá, Magario/Felipe Solá. Me pregunto si esas son las mejores fórmulas para atraer a los millennials y a las clases medias urbanas que huyeron espantados del PJ. En cualquier momento lo van a echar a Durán Barba por falta de laburo.

Otra movida pejotista la hizo Moyano cuando declaró, esta semana, que "al Gobierno le queda poco tiempo". Lo llamé y le pregunté qué había querido decir exactamente. "Que hay que rajarlos", me contestó. Lo bueno de Hugo es que desconoce los matices y administra un caudal austero de palabras. Aclarado el punto y sin siquiera despedirse le pasó el teléfono a la CEO del Grupo Moyano (empresas de salud, correo, seguros, textil, construcción, carpintería metálica, inmuebles, fútbol...), Liliana Zulet, que además es su mujer. Lili me pidió que lo disculpara: "Entre sus negocios, Camioneros, Independiente, sus negocios, el frente judicial, sus negocios y ahora la desestabilización del Gobierno, el pobre no tiene tiempo para nada". Muerta de risa me contó también que la última compra de su marido, muy preocupado por el avance de las causas en las que está involucrado, son unos anteojos negros recién traídos de China. ¿Para esconderse? No. Resulta que en ese país la policía ha empezado a usar unos anteojos especiales con reconocimiento facial que detectan delincuentes. Gracias a esos dispositivos, provistos de una pequeña cámara conectada a un registro de sospechosos y criminales, ya ha logrado hacer varias detenciones. Los anteojos que ahora usa Hugo de día y de noche, dice Lili, tienen una prestación similar: detectan policías.

En el acto de anteayer nadie condenó la proclama golpista de Moyano, e incluso me quedé con la sospecha de que muchos la aplauden. Le atribuyen a Cristina haber dicho que, diferencias aparte, no se puede desconocer el poder de movilización y desestabilización de un sindicato que tiene 100.000 afiliados. ¿100.000 camiones bloqueando calles y rutas? A Cris se le hace agua la boca.

Según Estela de Carlotto, el Papa está preocupado por el país. No entiendo por qué.





Fuente:www.lanacion.com.ar

OP/POL/SOC/GINT-Interrogantes y debates que nos atrapan en el pasado por Jorge Lanata

The following information is used for educational purposes only.


       Interrogantes y debates que nos atrapan en el pasado

Nuestra culpa social frente a los hechos es tanta que obedecemos a las víctimas a rajatabla.

Jorge Lanata

Soy parte de un país que, a 202 años de su independencia, aún se pregunta “qué tipo de país queremos”. Todo, todo el tiempo, está bajo discusión en Argentina: si hay que ir obligatoriamente al trabajo, si dar exámenes es discriminatorio para los que no aprueban, si los buenos y los malos deben ganar lo mismo, si la industria o el campo, la tecnología o la manufactura, etc. ,etc.

A principios del siglo XX este era el país del mañana. Finalmente, hoy ni siquiera somos el país del presente. Nos seguimos preguntando cómo queremos ser. En esa crisis adolescente nos preguntamos también qué hacer con los uniformados, qué hacer con los delincuentes y qué hacer con la justicia. Mientras tanto, claro, la realidad sucede con independencia de nuestros deseos.

Hay que agregar que todas estas discusiones tienen público, un público por cierto bastante snob que opina sobre fútbol sin haber pateado jamás una pelota. Como los críticos y los eunucos, todos opinan qué hacer sin haberlo hecho jamás. Para empezar por el más delicado de los asuntos: las fuerzas armadas. Las posibilidades son dos: disolverlas o tomarlas en serio. Los países que optaron por el primer camino son veinticinco: algunas islas (Barbados, Dominica, Granada, Islandia, Kiribati, islas Marshall, isla Mauricio, Micronesia, Nauru, Palaos, islas Salomón, Samoa, San Cristóbal y Nieves, Santa Lucía, San Vicente y las Granadinas, Tuvalu y Vanuatu) y microestados (Andorra, Liechtenstein, Mónaco, San Marino y Ciudad del Vaticano).

Lo que no se ve en ningún lugar del mundo son fuerzas armadas sin armas, dos aviones desvencijados y submarinos que se hunden. Es una obviedad recordar que, hace cuarenta y dos años, las fuerzas armadas se convirtieron en fuerzas de ocupación que reprimieron a la sociedad civil y tomaron el gobierno en medio de una matanza. Los nietos secuestrados buscados por las Abuelas mantienen hasta hoy vigente esa tragedia. Pero hubo juicio a las juntas, justicia federal y juicios por la verdad y asimilar a las actuales fuerzas armadas a la dictadura es simplemente una estupidez. Una estupidez –quiero decir, enfermedad- bastante difundida en un sector social, el mismo que creyó verosímil que Macri había mandado a secuestrar y matar a Maldonado.

Es cierto: nadie destruyó más a las Fuerzas Armadas que los propios militares que las deshonraron. Pero no sería justo vivir otros cuarenta años pensando en aquellos cuarenta años. La lógica que combatió a las instituciones fue la lógica de las víctimas, que se impuso sobre la ley. Nuestra culpa social frente a los hechos es tanta que obedecemos a las víctimas a rajatabla; les asiste la verdad por decreto: el hermano de Maldonado es un experto perito forense, Hebe Bonafini es una experta constructora de viviendas y fundadora de universidades.

La ley existe para que eso, precisamente, no suceda. Podemos compartir y respetar el dolor de las víctimas, pero no debemos darles la autoridad de dictar políticas sobre sus propios casos. El caso Chocobar volvió a enfrentarnos a esa lógica: el pueblo baja el pulgar y en la arena del circo el esclavo debe morir. El estado existe justamente por ese motivo: pavimenta la selva y le pone semáforos. En esta pesadilla de que los buenos puedan matar a los malos, ¿sabremos siempre quiénes son los buenos? ¿No se consideraron buenos, también, los militares o los terroristas del setenta? Ver a la muerte como una solución, en un país donde la muerte sucedió de sobra, es casi suicida. Chocobar es un pequeño ejemplo de un problema mayor: no vivimos a la Policía como parte de nuestra comunidad, sino como una mafia que puede robarnos o matarnos.

Y lo peor: es parcialmente cierto, con la complicidad de los políticos la Policia mantiene sus negocios en la droga, la prostitución, las zonas liberadas, etc. El trabajo de María Eugenia Vidal es un hito histórico en el área pero claro, faltan y faltarán muchos años para que la Policía se normalice. Entretanto, los despreciamos pero –hipócritas al fin- los llamamos para pedir auxilio.

Lo opuesto a la “justicia dandy” de Zaffaroni no es un paredón, sino la ley. La ley aplicada desde su texto y no desde la parcialidad ideológica del juez. A los dandys nunca los mancha la sangre. Estén en Italia o en su casona de Flores, viendo correr a los efebos por el jardín. No debe existir una postura más elegante que el anarquismo pacífico de Spencer. Pero, como dicen que dijo Sartre en los sesenta cuando le mostraron cómo funcionaban los kibutz: “Lástima que tengan que hacerlo con personas”. A doscientos dos años de nuestra independencia, acá nos ven, discutiendo el canibalismo. Deberíamos avanzar un poco.





Fuente:https://www.clarin.com/opinion/interrogantes-debates-atrapan-pasado_0_HyE185jIz.html

Friday, February 9, 2018

GINT-La vida de una empleada doméstica por Daniel Gigena

The following information is used for educational purposes only.



       La vida de una empleada doméstica


Daniel Gigena

LA NACION




Mi mamá volvía muchas veces disgustada por una frase dedicada en tono antipático Fuente: LA NACION

8 de febrero de 2018

Cuando mi madre enviudó, el dinero que entraba en la casa disminuyó de golpe y buscó trabajo como empleada doméstica en casas de algunos vecinos del barrio. Trabajaba varias horas en dos o tres casas de familia los días de semana y los domingos, en un salón de fiestas. Los dueños del salón tenían también una fábrica de pastas y, de regreso del trabajo los domingos, almorzábamos las pastas que ella traía. El del salón era el trabajo más esforzado y la comida tenía un sabor ambivalente para nosotros.

De las casas de los vecinos, ella volvía con historias de madres e hijos, de padres y hermanos, de noviazgos y de rupturas inevitables. Mi madre era una narradora precipitada, se anticipaba a la conclusión y quería imponer una moraleja que a veces no era tan evidente. Esos relatos alimentaban los momentos que compartíamos.

Le hacía preguntas por las vidas de los demás porque siempre había pensado, seguramente de manera equivocada, en el carácter ejemplar de los aciertos y los errores de los demás. Más temprano que tarde, tuve que descubrir que lo que para unos eran logros para otros representaban los fracasos más desalentadores.

Aunque mi madre tuvo siempre un gran carisma y no le costaba nada trabar amistad con las dueñas o los dueños de las casas de familia para las que trabajaba, limpiar afuera la cansaba enormemente. La comunicación fluida entre vecinos había adoptado un encuadre desigual. Ahora sé que eso ocurre en todos los trabajos, donde las escalas jerárquicas asumen por momentos una importancia mayor que el proceso de trabajo, y lo vuelve espeso e insoportable, pero en esas ocasiones no podía más que escucharla y padecer en silencio con ella.

Volvía muchas veces disgustada por una frase dedicada en tono antipático. No estaba acostumbrada a recibir órdenes, aunque sí a darlas en el ambiente hogareño. Pocas veces se quejaba con amargura y descargaba la furia con baldazos o escobazos. El agua caía desde la terraza donde colgábamos la ropa al sol.

Una vez ocurrió una tragedia en la familia que era dueña del salón de fiestas. Yo había encontrado una figura retórica en esa circunstancia, pero me guardé la ocurrencia cuando mi madre me contó que el hijo mayor había muerto en un accidente de tránsito. Sus padres habían depositado una esperanza enorme en él, tanto como la desconfianza que les suscitaba el segundo hijo varón. Esos restos de tradiciones antiguas, como el mayorazgo, todavía sobreviven.

Como empleada doméstica, mi madre se convirtió de la noche a la mañana en la confidente de la angustia de la señora de la casa. Llegaba exhausta y se echaba en la cama con los ojos abiertos. Al propio duelo se sumaba otro. Por distintos motivos, ambos eran irrenunciables. El dinero se pagaba con tiempo y con dolor. No había limpiado nada esa tarde, ni la tarde anterior; solamente había escuchado los planes que la madre "viuda" de un hijo había elucubrado para él, los recuerdos de infancia protagonizados por el difunto, los infaltables remordimientos cuando alguien al que amamos muere súbita o no tan súbitamente. La fábrica de pastas cambió de nombre y adoptó el del hijo muerto.

Después de varios meses, mi madre me dijo que la fase más extrema del dolor de la señora para la que trabajaba había pasado. Quise saber las razones por las que ella sostenía eso con tanta seguridad. "Volvieron los modales bruscos", me dijo. Pocas semanas después, una carta oficial dirigida a ella le notificaba que estaba en condiciones de recibir la pensión por la muerte de mi padre. Al día siguiente renunció a sus trabajos como empleada en casas de familia y, meses después, emigró a su país natal. Cuando hablamos por teléfono, me cuenta que nunca dejó de hacer las tareas de la casa.





Fuente:www.lanacion.com.ar

EL INGLÉS QUE TU CARRERA NECESITA, A TU RITMO

The following information is used for educational purposes only. EL INGLÉS QUE TU CARRERA NECESITA, A TU RITMO Reuniones, entrevistas, pre...