IMAGE: Nick Youngson CC BY-SA 3.0Un informe de UBS sitúa a Waymo, la subsidiaria de Alphabet dedicada a la conducción autónoma y dirigida por John Krafcik, en una valoración en torno a los $135,000 millones. La razón sería el fortísimo liderazgo obtenido por la compañía sobre todos sus competidores, que le permitiría obtener ingresos derivados de fuentes como la explotación de taxis autónomos, el transporte de todo tipo de mercancías, la comercialización de su tecnología de conducción autónoma y de sus sistemas operativos a otros fabricantes, la monetización del tiempo de los ocupantes en el vehículo o la explotación de los mapas en tiempo real obtenidos de la navegación de su flota.

El origen de Waymo se sitúa hace aproximadamente nueve años, en forma de un proyecto conocido como Google Self-Driving Car Project e incubado dentro de la factoría de proyectos de la compañía. Tras esos inicios, fue constituida como compañía en diciembre de 2016 bajo el paraguas de Alphabet, ese holding dedicado a hacer apuestas (bets) sobre proyectos en fase alpha, y ha conseguido situarse a muchísima distancia de todos sus competidores, a los que aventaja claramente en kilómetros recorridos, más de ocho millones; o en distancia recorrida entre intervenciones, cuatro veces más que las de sus competidores, casi cincuenta mil kilómetros. En 2018, la compañía ha materializado pedidos de varios miles de minivans híbridos Chrysler Pacífica, y de 20,000 Jaguar I-Pace eléctricos, y ha obtenido licencias para operar flotas de taxis autónomos en varios estados. 

Hace nueve años, la idea de que se pudiesen desarrollar coches que condujesen solos era simplemente una quimera. Cuando empezamos a hablar del tema, la práctica totalidad de los comentarios lo veían como algo completamente utópico o lo situaban a varias décadas de distancia. Ahora, los habitantes de varias ciudades norteamericanas los consideran ya una parte normal del paisaje urbano: vehículos sin conductor de seguridad que transportan personas en flotas de varias decenas o cientos, con total normalidad y con accidentes anecdóticos o completamente no relacionados con su condición de autónomos.

Nueve años con miles de millones de dólares en inversiones, sin ver ni un dólar en ingresos, con importantísimas apuestas que van desde los ciclos de desarrollo tecnológico hasta la evolución de la regulación, con una visión clara e invariable: la de construir no un vehículo, sino un conductor. Mientras otras marcas se obsesionaban con la idea de ir escalando por los niveles de autonomía reduciendo progresivamente la implicación del conductor, Waymo apostó directamente desde un primer momento por eliminarlo, por prescindir completamente de la intervención humana, por entregar todas las funciones a un algoritmo que mejoraba constantemente, con cada kilómetro recorrido en circuitos o en tráfico real, con cada minuto de prácticas en entornos virtuales, con cada interacción con cada elemento de la conducción.

Los negocios que cambian el mundo se caracterizan, cada vez más, por su visión a largo plazo. La tecnología, a pesar de la impresionante velocidad que caracteriza los panoramas que genera, es un negocio de largo plazo, de consistencia, de apuestas que, en el momento en que se plantean, están al alcance de muy pocos o son evaluadas como locuras por muchos otros. Quienes no estén preparados para ese tipo de apuestas, se limitarán a seguir la rueda de los que sean capaces de planteárselas.

 

IMAGE: Waymo

Lo siento, me equivoqué. Durante bastante tiempo predije de manera insistente en artículos, clases y conferencias que el horizonte para la llegada de vehículos de conducción autónoma podía estimarse en torno al año 2020. Y no, no ha sido así. Esta semana, concretamente el día 7 de noviembre de 2017, Waymo ha anunciado que los vehículos de conducción completamente autónoma, sin conductor humano tras el volante, ya están disponibles para pruebas en condiciones reales de tráfico, en calles y carreteras reales, en Phoenix, Arizona, para aquellos que quieran aplicar como voluntarios a su early rider program. Es lo que podemos considerar un auténtico momento histórico.

Simplemente llega el vehículo, una minivan Chrysler Pacifica convenientemente modificada, te subes al asiento de atrás, y el vehículo te lleva al lugar indicado sin que haya nadie tras el volante.

Por el momento, gratis, como corresponde a un servicio en pruebas, pero la compañía no descarta empezar a plantearlo como servicio comercial con un precio en breve. Al principio, la mayoría de los vehículos llevarán un empleado de la compañía en el asiento de atrás observando el comportamiento del vehículo y con capacidad para accionar un botón para detenerlo, pero en los próximos meses, los usuarios podrán acceder a vehículos completamente libres de supervisión. Tras esa fase de pruebas, Waymo lanzará un servicio de taxis autónomos abiertos a cualquier usuario en la ciudad de Phoenix y alrededores. El robotaxi ya está aquí.

Además de ser un triunfo para la compañía que apostó por desarrollar el vehículo autónomo sin plantearse una sustitución progresiva del conductor humano, sino comenzando directamente por el nivel más elevado de autonomía, el anuncio supone también un gran momento para el gobernador del estado de Arizona, el republicano Doug Ducey, que apostó de manera clara e inequívoca por convertirse en un lugar hospitalario y con regulación amigable para las compañías que hacían pruebas en esta tecnología. Cuando Uber, que camina en sus pruebas a un paso muchísimo más lento que Waymo, se vio obligada a abandonar California por diferencias con su administración estatal, el gobernador invitó públicamente a la compañía a trasladarse con sus vehículos y personal a Arizona, oferta que fue aceptada, aunque le llevó a recibir no pocas críticas que afirmaban que anteponía los beneficios de esas empresas a la seguridad de sus ciudadanos. Ahora, sin embargo, Arizona y Phoenix pueden capitalizar el hecho de convertirse en la primera ciudad del mundo que cuenta con un servicio de taxis verdaderamente autónomos, lo que pone de manifiesto la necesidad de que los legisladores se planteen la necesidad de aceptar el rápido progreso de la tecnología, de facilitar sus progresos, y de anticipar las ventajas que su aplicación puede traer consigo. Para un territorio, plantear entornos regulatorios razonables es, cada vez más, una necesidad que puede permitir que sus habitantes disfruten antes de las ventajas de nuevos desarrollos tecnológicos que hace muy poco tiempo habríamos considerado dentro del ámbito de la ciencia-ficción.

Mi predicción del 2020 respondía a patrones de difusión tecnológica aplicados en función de los tiempos de desarrollo de otras innovaciones recientes. Me equivoqué en mis estimaciones, porque los ciclos de desarrollo se comprimen cada día más. Los ciclos de adopción, que responden a factores sociales, regulatorios y de otros tipos, es posible que también se aceleren, lo que nos llevaría a que en el año 2020, las flotas de taxis completamente autónomos no solo estuviesen ya completamente desarrolladas y sensiblemente mejoradas con respecto a la conducción tradicional desde el punto de vista de sus prestaciones tecnológicas, sino que además, fuesen ya una parte del paisaje habitual de un buen número de ciudades en todo el mundo.

La estrategia de Waymo no ha sido en ningún momento la de comercializar vehículos, sino la de convertir la posesión de un automóvil en un modelo obsoleto y transformarla en un servicio al que accedemos cuando lo necesitamos. Muy probablemente, la idea será, una vez que el desarrollo se encuentre convenientemente probado, convertirlo en una plataforma de desarrollo abierta a fabricantes de automóviles siguiendo un modelo similar al de Android, lo que podría dar lugar a una fase de adopción sensiblemente más rápida. Otras marcas, como Daimler, GM, BMW o Volkswagen parecen inclinarse también por la idea de desarrollar y gestionar sus propias flotas solas o en alianza con otras compañías, mientras Tesla o Volvo posiblemente se mantendrían todavía en el modelo de venta al usuario final o plantearían modelos mixtos. Si las estimaciones de los escépticos, de todos aquellos que afirmaban que “la conducción autónoma no podía ser y además era imposible”, se equivocaron de parte a parte, las llevadas a cabo por los estrategas de la industria del automóvil tampoco les van a la zaga.

Si vives de conducir un vehículo, replantéate tu vida. En Phoenix ya hay una flota de vehículos autónomos llevando a personas de manera rutinaria, desenvolviéndose perfectamente y mezclándose con el tráfico normal de la ciudad. Se llama disrupción, y ya está aquí.

 

TensorFlowTodo indica que Google está comenzando a promocionar activamente en el mercado chino su plataforma de machine learning, TensorFlow, en un mercado del que salió huyendo hace algún tiempo con su motor de búsqueda, pero que cumple todas las características para ser uno de los entornos más decisivos del futuro. Varios eventos privados, trabajo en universidades y con líderes de opinión en ese entorno parecen destinados a convertir TensorFlow en la plataforma de desarrollo elegida por más y más estudiantes, académicos y trabajadores, en un entorno en el que el desarrollo de todo lo relacionado con machine learning parece haberse convertido en una prioridad nacional, y en el que la generación de datos parece contar con muchos menos límites en términos de privacidad que los existentes en otros entornos.

La atención dedicada por Google deja clara la importancia del mercado que está comenzando a desarrollarse en torno a las plataformas de machine learning, en un mercado que está comenzando a definirse según hablamos. La importancia que Google otorga al tema es elevadísima: la compañía insiste en que se trata del próximo gran factor competitivo, en que está redefiniendo la totalidad de sus actividades en torno al tema, y en que está dotando de competencia y habilidades en machine learning a todo su personal, a prácticamente todos los niveles. Adquisiciones, plataformas, presencia en plataformas de terceros, y una labor de constante apostolado para una herramienta que muchos desarrolladores que utilizan de forma habitual critican fuertemente, pero que parece constituir la apuesta de la compañía por obtener un liderazgo en el desarrollo de soluciones basadas en machine learning. Para los desarrolladores, es muy posible que TensorFlow suponga una opción importante, con la posible ventaja de contar con una compañía puntera detrás, y con la posibilidad de mejorar rápidamente sus problemas principales, pero ahora mismo, tiene claramente sus detractores.

¿Dónde radica la importancia de estos movimientos? Una parte muy importante del futuro de la disciplina podría venir determinado por la elección de los desarrolladores, de las personas que trabajan en la adaptación de sus aplicaciones de todo tipo para hacer uso del machine learning. Compañías como Facebook y otras han reaccionado liberando sus plataformas en open source para obtener una popularidad mayor, otras como IBM aplican su fuerza comercial para multiplicar su llegada al mercado corporativo tradicional, mientras otras más pequeñas como BigML – de la que soy asesor estratégico – presumen de una gran usabilidad, una amplia gama de soluciones, una gran preferencia entre los desarrolladores que lo utilizan, y una creciente cantidad de instalaciones en compañías de todas las industrias. En ese escenario, el mercado chino representa posiblemente el de mayor crecimiento en número de desarrolladores, el que más compañías parecen estar afrontando con un mayor nivel de prioridad, y un entorno en el que muchos conceptos difíciles de plantear en otros países podrían convertirse en realidad.

Machine learning ya es mucho más que un concepto o una tendencia: está definiendo los entornos del futuro, y las compañías lo saben. Si aprender o entender machine learning no está en tu agenda como directivo, sin duda hay algo que te estás perdiendo, y es muy relevante: que las decisiones que en gran medida contribuyan a dar forma a tus productos y servicios en el futuro no las vas a tomar tú ni directivos como tú, sino tus desarrolladores, un talento escaso que en muchas compañías ya ocupa los puestos mejor pagados, y al que se llega con argumentos completamente distintos a los que se plantean para convencer al directivo tradicional. La batalla por la hegemonía en las herramientas del futuro se juega en otros terrenos.

 

IMAGE: WaymoWaymo, la subsidiaria de Alphabet, Inc. para el desarrollo de la conducción autónoma, anuncia que comienza pruebas de conducción de sus vehículos en tráfico real en Detroit, una zona caracterizada por inviernos muy fríos y con gran abundancia de nieve. Con esto, las pruebas de conducción en tráfico real de Waymo se extienden ya a 24 ciudades (una en el lluvioso estado de Washington, quince en California, seis en Arizona y una en Texas), y tratan de abarcar cada vez más circunstancias en la conducción.

La nieve y el hielo suponen una prueba muy dura para la conducción de un vehículo: no solo por las condiciones de las vías, que todos aquellos que hemos tenido que conducir alguna vez en esas circunstancias conocemos, sino por el efecto de las bajas temperaturas sobre los sensores, que pueden verse total o parcialmente tapados por los elementos y dificultar sus lecturas. Señales viales total o parcialmente ocultas, hielo o nieve en los sensores, visibilidad muy reducida… en dos ocasiones he pasado lapsos de tres días en Detroit en invierno, y decididamente no son condiciones para cualquiera. Hablamos, obviamente, de cuestiones muy relativas: yo me considero un buen conductor bajo cualquier tipo de lluvia – normal en alguien que ha vivido buena parte de su vida en Galicia – y me sorprende hasta qué punto los conductores madrileños son, por lo general, malos y peligrosos con el suelo mojado. Cuando viví en California, sin embargo, una simple lluvia fuerte se consideraba muy peligrosa, y muchos de mis compañeros en la universidad se quedaban en casa porque consideraban que no se podía conducir en esas circunstancias. En Detroit, no saber conducir razonablemente bien bajo la nieve implica casi que en invierno te resignas a quedarte en casa día sí y día también.

Los vehículos de Waymo están, a todas luces, batiendo récords de fiabilidad. Estadísticamente, calcular el nivel de accidentalidad es tan sencillo como ver el número de kilómetros recorridos por vehículos bajo conducción autónoma y dividirlos entre el número de accidentes, y por el momento, no hay ninguna discusión: los vehículos autónomos no tienen prácticamente ningún accidente, y los pocos que tienen, provienen de acciones de torpes conductores humanos que se dan contra ellos. Ahora bien… ¿qué ocurre cuando sometemos la tecnología a prácticamente “pruebas de tortura”, como conducir en medio de circunstancias climatológicas extremas como nieve o hielo?

El pensamiento tradicional apuntaría a pensar que de alguna manera, en ese tipo de circunstancias no habituales, el humano podría llegar a reaccionar de manera más ventajosa que la máquina. Sin embargo, todo indica que no es así, y que tras el adecuado entrenamiento, el vehículo autónomo puede llegar a adaptar su conducción y sus reacciones mucho mejor que el conducido por una persona, y accionar los controles de la dirección y la tracción de una manera mucho más adecuada a las circunstancias. ¿Qué ocurre cuando hablamos de niveles de accidentalidad, y comprobamos que, en efecto, el mejor escenario, incluso en circunstancias difíciles, es el de que el humano se mantenga alejado de los mandos y deje su lugar a una máquina? No, conducir con nieve y hielo no es precisamente la idea que tengo de algo “divertido”. ¿Qué ocurrirá cuando este tipo de vehículos autónomos ofrezcan sus servicios comercialmente en diversas ciudades comenzando ya en pocos meses, y tu pareja o tus padres insistan en que “ese día, con la que está cayendo, no vayas en tu vehículo, sino que utilices uno autónomo”? ¿Conseguirán las pruebas de Waymo en Detroit acallar a los escépticos, o seguirán diciendo eso de “que me lo dejen a mí o a mi cuñado, y ya verán lo que es conducir con nieve”… :-)

 

IMAGE: Peerayot To-im - 123RFExplicar la noticia de hace unos pocos días sobre AlphaGo Zero, el último avance en el algoritmo que fue capaz de ganar con gran ventaja a los tres mejores jugadores del mundo de Go, el llamado “ajedrez asiático”, con unas reglas aparentemente muy sencillas pero con posibilidades combinatorias enormemente complicadas, puede ser relativamente complicado en el mundo occidental, donde la popularidad de este juego es relativamente escasa.

La noticia fue publicada originalmente por DeepMind, la compañía adquirida por Google en 2014, y bien reflejada tanto por MIT Tech Review como por The Atlantic, que se centran en explicar la diferencia entre el hito obtenido por AlphaGo Zero frente al llevado a cabo en enero de 2016 por AlphaGo. Las explicaciones pueden ayudar a entender algunos conceptos básicos de machine learning, y cómo esta disciplina podría evolucionar en el futuro.

Como ya comenté en su momento, lo que AlphaGo obtuvo cuando venció a los mejores jugadores del mundo fue un desarrollo de deep learning seguido de reinforcement learning: tras entrenar originalmente al algoritmo con todas las partidas de Go registradas en la historia del juego disponibles, se obtuvo una máquina capaz de imitar a los mejores jugadores, capaz de predecir sus jugadas en un 57% de las ocasiones, pero incapaz, por lo general, de mejorar su rendimiento en una partida. Para lograrlo, se planteó entrenar a esa máquina con nuevas partidas inventadas por sí misma mediante combinatoria, dando lugar a jugadas previamente inexistentes, no llevadas a cabo anteriormente, con probabilidades muy bajas y no contempladas nunca – y por tanto, no anticipables – por jugadores humanos, pero que fueron las que, en último término, lograron decidir algunas de las partidas definitivas. AlphaGo logró ganar a los mejores jugadores humanos gracias a haber probado anteriormente espacios combinatorios que, sencillamente, nunca habían sido probados anteriormente en ninguna partida, y que podían, a pesar de su bajísima probabilidad, dar lugar a estrategias ganadoras. 

¿Qué aporta, sobre esto, AlphaGo Zero? Sencillamente, eliminar la primera fase, la del aporte del registro histórico de partidas de Go jugadas por humanos. Para obtener este nuevo algoritmo, que ha sido capaz de vencer al anterior AlphaGo por cien partidas a cero, se partió, como su nombre indica, desde cero. Un algoritmo con las reglas del juego definidas, que comienza desde ahí a probar movimientos en partidas que juega contra sí mismo. Si tienes una suscripción, lo puedes leer en NatureTras el adecuado número de iteraciones, muchos millones de partidas, ese algoritmo, que nunca ha recibido información sobre partidas jugadas con humanos, supera al anterior, lo que elimina la necesidad, en problemas que puedan ser homologados a este – problemas estables con entornos altamente predecibles – de partir de una amplia cantidad de datos históricos.

¿Qué debería llevarnos a pensar un hito como este? Para un directivo, significa que tendría que empezar a pensar qué operaciones en su cadena de valor o en su día a día pueden caer dentro de este tipo de situaciones: espacios combinatorios muy amplios, pero que generan resultados predecibles en torno a reglas conocidas y bien definidas. Obviamente, no se trata de la solución a todos los problemas, pero sí posiblemente a algunos. Es el momento de empezar a plantearnos este tipo de cuestiones: qué problemas podemos resolver mediante algoritmos que aprenden a partir de datos históricos, recogidos en nuestros ficheros transaccionales, en nuestros CRMs o en nuestros ERP a lo largo de años de operativa, y cuáles pueden solucionarse sin necesidad de esos datos, simplemente definiendo bien las reglas y entrenando al algoritmo desde un espacio combinatorio limpio, desde cero.

La alternativa no es poca cosa: en la inmensa mayoría de las ocasiones, la mayor inversión en tiempo y recursos en los proyectos de machine learning, en torno a un 80%, tiene que ver con la recolección de datos hoy almacenados en modelos relacionales, con su transformación y con su preparación. Si para algunos proyectos podemos partir de cero, la situación en términos de reducción de coste y de incremento del rendimiento puede ser considerable, y puede convertirse en interesantes ventajas competitivas. Entender ese tipo de situaciones, ser capaces de pensar en términos de entrenamiento de algoritmos, y desarrollar una cierta sensibilidad sobre qué técnicas pueden servir a qué situaciones son precisamente el tipo de habilidades que las compañías tendrían que estar ahora mismo desarrollando en sus directivos, no discusiones sobre dudosos futuros apocalípticos, robots asesinos y mundos post-trabajo. De hecho, lo que queda es, precisamente, mucho trabajo por hacer.