WEBVTT

00:00:00.975 --> 00:00:02.571
Hay algoritmos por todos lados.

00:00:04.111 --> 00:00:07.236
Ordenan y separan a los ganadores 
de los perdedores.

00:00:08.019 --> 00:00:10.283
Los ganadores consiguen el trabajo

00:00:10.307 --> 00:00:12.050
o buenas condiciones de crédito.

00:00:12.074 --> 00:00:15.045
A los perdedores ni siquiera 
se les invita a una entrevista

00:00:15.590 --> 00:00:17.367
o tienen que pagar más por el seguro.

00:00:18.197 --> 00:00:21.746
Se nos califica mediante fórmulas
secretas que no entendemos

00:00:22.675 --> 00:00:25.892
y a las que no se puede apelar.

00:00:27.240 --> 00:00:28.536
Eso plantea una pregunta:

00:00:28.560 --> 00:00:31.473
¿Qué pasa si los algoritmos se equivocan?

NOTE Paragraph

00:00:33.100 --> 00:00:35.140
Un algoritmo necesita dos cosas:

00:00:35.164 --> 00:00:37.145
datos ocurridos en el pasado

00:00:37.169 --> 00:00:38.730
y una definición del éxito;

00:00:38.754 --> 00:00:41.211
esto es, lo que uno quiere y lo que desea.

00:00:41.235 --> 00:00:46.272
Los algoritmos se entrenan
mirando, descubriendo.

00:00:46.296 --> 00:00:49.715
El algoritmo calcula a qué
se asocia el éxito,

00:00:49.739 --> 00:00:52.202
qué situaciones llevan al éxito.

NOTE Paragraph

00:00:52.881 --> 00:00:54.643
En general todos usamos algoritmos

00:00:54.667 --> 00:00:57.385
pero no los formalizamos 
mediante un código escrito.

00:00:57.409 --> 00:00:58.757
Les doy un ejemplo.

00:00:58.781 --> 00:01:02.097
Yo uso un algoritmo todos los días
para preparar la comida en casa.

00:01:02.121 --> 00:01:03.597
Los datos que uso

00:01:04.394 --> 00:01:06.053
son los ingredientes de la cocina,

00:01:06.077 --> 00:01:07.604
el tiempo que tengo

00:01:07.628 --> 00:01:08.861
y lo ambiciosa que estoy.

00:01:08.885 --> 00:01:10.594
Y así organizo los datos.

00:01:10.618 --> 00:01:14.869
No incluyo esos paquetitos
de fideos como comida.

NOTE Paragraph

00:01:14.893 --> 00:01:16.762
(Risas)

NOTE Paragraph

00:01:16.786 --> 00:01:18.631
Mi definición del éxito es:

00:01:18.655 --> 00:01:21.314
la comida tiene éxito, 
si mis hijos comen verdura.

00:01:22.181 --> 00:01:25.035
Lo que sería muy distinto, 
si mi hijito tuviera el control.

00:01:25.059 --> 00:01:27.847
Para él el éxito es comer
mucha Nutella.

00:01:29.179 --> 00:01:31.405
Pero yo soy quien elige el éxito.

00:01:31.429 --> 00:01:34.136
Estoy al mando. Mi opinión cuenta.

00:01:34.160 --> 00:01:36.835
Esa es la primera regla de los algoritmos.

NOTE Paragraph

00:01:36.859 --> 00:01:40.039
Los algoritmos son opiniones 
que se embeben en código.

00:01:41.562 --> 00:01:45.225
Es muy diferente a cómo la gente 
se imagina los algoritmos.

00:01:45.249 --> 00:01:49.753
Se creen que los algoritmos son
objetivos, verdaderos y científicos.

00:01:50.387 --> 00:01:52.086
Ese en un truco del marketing.

00:01:53.269 --> 00:01:55.394
Tambien es un truco del marketing

00:01:55.418 --> 00:01:58.572
la intimidación con algoritmos,

00:01:58.596 --> 00:02:02.257
que nos hacer confiar 
y temer los algoritmos

00:02:02.281 --> 00:02:04.739
porque confiamos y tememos 
las matemáticas.

00:02:05.567 --> 00:02:10.397
Muchas cosas pueden salir mal si
confiamos a ciegas en datos masivos.

NOTE Paragraph

00:02:11.684 --> 00:02:15.057
Esta es Kiri Soares. Es la directora 
de una escuela de Brooklyn.

00:02:15.081 --> 00:02:17.551
En 2011 me contó que 
sus maestros se clasificaban

00:02:17.551 --> 00:02:20.392
mediante un algoritmo complejo y secreto

00:02:20.392 --> 00:02:22.161
llamado "modelo del valor añadido".

00:02:22.505 --> 00:02:25.597
Le dije, "Intente saber 
cuál es la fórmula, muéstremela.

00:02:25.621 --> 00:02:27.162
Se la voy a explicar".

00:02:27.186 --> 00:02:29.327
Me respondió, 
"Trate de conseguir la fórmula,

00:02:29.351 --> 00:02:32.123
pero un conocido del Departamento 
de Educación me dijo

00:02:32.147 --> 00:02:34.253
que era matemática y 
que no la entendería".

NOTE Paragraph

00:02:35.266 --> 00:02:36.604
Esto se pone peor.

00:02:36.628 --> 00:02:40.158
El New York Post la solicitó bajo la 
Ley de Libertad a la Información.

00:02:40.182 --> 00:02:43.141
Obtuvo los nombres de los maestros
y su puntuación

00:02:43.165 --> 00:02:45.947
y los publicó como un acto para
avergonzar a los maestros.

00:02:47.084 --> 00:02:50.944
Cuando intenté conseguir las fórmulas en 
código base, usando el mismo mecanismo,

00:02:50.968 --> 00:02:53.117
me dijeron que no se podía.

00:02:53.141 --> 00:02:54.377
Me lo negaron.

00:02:54.401 --> 00:02:55.575
Más tarde descubrí

00:02:55.599 --> 00:02:58.465
que nadie tenía derecho 
a la fórmula en Nueva York.

00:02:58.489 --> 00:02:59.794
Nadie lo podía entender.

00:03:01.929 --> 00:03:05.153
Entonces apareció un tipo muy 
inteligente, Gary Rubenstein.

00:03:05.177 --> 00:03:08.798
Localizó a 665 maestros por
los datos del New York Post

00:03:08.822 --> 00:03:10.688
que tenían dos puntuaciones.

00:03:10.712 --> 00:03:12.593
Eso podía ocurrir si enseñaban

00:03:12.617 --> 00:03:15.056
matemática en 7º y 8º grado.

00:03:15.080 --> 00:03:16.618
Decidió hacer un gráfico.

00:03:16.642 --> 00:03:18.815
Donde cada punto representa 
a un maestro.

NOTE Paragraph

00:03:19.104 --> 00:03:21.483
(Risas)

NOTE Paragraph

00:03:21.507 --> 00:03:23.028
Y eso ¿qué es?

NOTE Paragraph

00:03:23.052 --> 00:03:24.329
(Risas)

NOTE Paragraph

00:03:24.353 --> 00:03:27.799
Eso no debiera haberse usado nunca
para evaluar a una persona.

00:03:27.823 --> 00:03:29.749
Es casi un generador de números al azar.

NOTE Paragraph

00:03:29.773 --> 00:03:32.719
(Aplausos)

NOTE Paragraph

00:03:32.743 --> 00:03:33.905
Pero lo fue.

00:03:33.929 --> 00:03:35.105
Esta es Sarah Wysocki.

00:03:35.129 --> 00:03:37.304
La echaron junto a otros 205 maestros

00:03:37.328 --> 00:03:39.990
de una escuela en Washington DC,

00:03:40.014 --> 00:03:42.923
a pesar de tener muy buena recomendación 
de la directora

00:03:42.947 --> 00:03:44.785
y de los padres de sus alumnos.

NOTE Paragraph

00:03:45.020 --> 00:03:47.122
Me imagino lo que estarán pensando,

00:03:47.122 --> 00:03:49.933
especialmente los cientificos de 
datos, los expertos en IA

00:03:49.957 --> 00:03:54.183
Pensarán "Nosotros nunca produciríamos
un algoritmo tan inconsistente."

00:03:54.853 --> 00:03:56.536
Pero los algoritmos a veces fallan,


00:03:56.560 --> 00:04:01.158
y tambien provocar mucha destrucción
sin querer.

00:04:02.531 --> 00:04:04.910
Y mientras un avión mal diseñado

00:04:04.934 --> 00:04:06.935
se estrella y todos lo ven,

00:04:06.959 --> 00:04:08.809
un algoritmo mal diseñado

00:04:10.245 --> 00:04:14.110
puede funcionar mucho tiempo
provocando un desastre silenciosamente.

NOTE Paragraph

00:04:15.748 --> 00:04:17.318
Este es Roger Ailes.

NOTE Paragraph

00:04:17.342 --> 00:04:19.342
(Risas)

NOTE Paragraph

00:04:20.524 --> 00:04:22.912
Fundador de Fox News en el 1996.

00:04:23.436 --> 00:04:26.017
Mas de 20 mujeres se quejaron de
acoso sexual.

00:04:26.041 --> 00:04:29.276
Dijeron que no pudieron 
tener éxito en Fox News.

00:04:29.300 --> 00:04:32.030
Lo echaron el año pasado,
pero hemos visto que hace poco

00:04:32.030 --> 00:04:34.514
los problemas han continuado.

00:04:35.654 --> 00:04:37.054
Esto plantea una pregunta:

00:04:37.078 --> 00:04:39.962
¿Qué debe hacer Fox News para cambiar?

NOTE Paragraph

00:04:41.245 --> 00:04:43.520
Y si substituyeran su mecanismo
de contratación

00:04:43.520 --> 00:04:45.964
con un algoritmo de auto-
aprendizaje automatizado?

00:04:45.988 --> 00:04:47.583
¿Suena bien?

00:04:47.607 --> 00:04:48.907
Piénsenlo,

00:04:48.931 --> 00:04:51.036
Los datos, ¿qué datos serían?

00:04:51.060 --> 00:04:56.007
Una eleccion razonable serian las últimas
21 solicitudes recibidas por Fox News

00:04:56.031 --> 00:04:57.533
Razonable.

00:04:57.557 --> 00:04:59.495
Y ¿cuál sería la definición del éxito?

00:04:59.921 --> 00:05:01.109
Algo razonable sería

00:05:01.109 --> 00:05:03.047
preguntar, quién es exitoso en Fox News.

00:05:03.071 --> 00:05:06.651
Me imagino que alguien que
hubiera estado alli unos 4 años

00:05:06.675 --> 00:05:08.679
y subido de puesto por lo menosuna vez.

00:05:08.816 --> 00:05:10.377
¿Suena razonable?

00:05:10.401 --> 00:05:12.755
Y así se adiestraría el algoritmo.

00:05:12.779 --> 00:05:16.656
Se adiestraría para buscar a gente 
que logra el éxito.

00:05:17.219 --> 00:05:21.537
Y qué solicitudes antiguas 
llegaron al éxito

00:05:21.561 --> 00:05:22.855
según esa definición.

00:05:24.200 --> 00:05:25.975
Ahora piensen que ocurriría

00:05:25.999 --> 00:05:28.554
si lo usáramos con los candidatos de hoy.

00:05:29.119 --> 00:05:30.748
Filtraría a las mujeres

00:05:31.663 --> 00:05:35.593
ya que no parecen ser personas que
hayan tenido éxito en el pasado.

NOTE Paragraph

00:05:39.752 --> 00:05:42.289
Los algoritmos no son justos

00:05:42.313 --> 00:05:45.007
si uno usa algoritmos a ciegas.

00:05:45.031 --> 00:05:46.513
No son justos.

00:05:46.537 --> 00:05:48.665
Repiten prácticas anteriores,

00:05:48.689 --> 00:05:49.872
nuestros patrones.

00:05:49.896 --> 00:05:51.835
Automatizan al status quo.

00:05:52.718 --> 00:05:55.107
Sería genial en un mundo perfecto,

00:05:55.905 --> 00:05:57.217
pero no lo tenemos.

00:05:57.241 --> 00:06:01.343
Y aclaro que la mayoria de las empresas
no estan involucradas en litigios,

00:06:02.446 --> 00:06:05.034
pero los cientificos de datos 
de esas empresas

00:06:05.058 --> 00:06:07.247
emplean esos datos

00:06:07.271 --> 00:06:09.414
para lograr la precisión.

00:06:10.273 --> 00:06:11.654
Piensen qué significa esto.

00:06:11.678 --> 00:06:15.705
Porque todos tenemos prejuicios,
y así podríamos codificar sexismo

00:06:15.729 --> 00:06:17.565
u otro tipo de fanatismo.

NOTE Paragraph

00:06:19.488 --> 00:06:21.129
Un experimento de pensamiento,

00:06:21.129 --> 00:06:22.442
porque me gusta,

00:06:23.574 --> 00:06:26.549
una sociedad totalmente segregada.

00:06:28.247 --> 00:06:31.575
segregada racialmente, 
todas las ciudades y los barrios

00:06:31.599 --> 00:06:34.636
y donde enviamos a la policia
solo a barrios minoritarios

00:06:34.660 --> 00:06:35.853
para detectar delitos.

00:06:36.451 --> 00:06:38.670
Los arrestos serían sesgados.

00:06:39.851 --> 00:06:42.426
Y, además, elegimos a los
cientificos de datos

00:06:42.450 --> 00:06:46.611
y pagamos por los datos para predecir
dónde ocurrirán los próximos delitos.

00:06:47.275 --> 00:06:48.762
El barrio de una minoría.

00:06:49.285 --> 00:06:52.410
O a predecir quien será 
el próximo criminal.

00:06:52.888 --> 00:06:54.283
Una minoría.

00:06:55.949 --> 00:06:59.490
Los cientificos de datos se jactarían
de su grandeza y de la precisión

00:06:59.514 --> 00:07:00.811
de su modelo,

00:07:00.835 --> 00:07:02.134
y tendrían razón.

NOTE Paragraph

00:07:03.951 --> 00:07:08.566
La realidad no es tan drástica,
pero tenemos grandes segregaciones

00:07:08.590 --> 00:07:09.877
en muchas ciudades

00:07:09.901 --> 00:07:11.794
y tenemos muchas pruebas

00:07:11.818 --> 00:07:14.506
de datos políticos y 
legislativos sesgados.

00:07:15.632 --> 00:07:18.447
Y podemos predecir puntos calientes,

00:07:18.471 --> 00:07:20.331
lugares donde podrá ocurrir un delito

00:07:20.401 --> 00:07:24.267
Y así predecir un crimen individual

00:07:24.291 --> 00:07:26.061
y la criminalidad de los individuos.

00:07:26.972 --> 00:07:30.935
El organismo de noticias ProPublica 
lo estudió hace poco.

00:07:30.959 --> 00:07:32.983
un algoritmo de "riesgo recidivista"

00:07:33.007 --> 00:07:34.170
según los llaman

00:07:34.194 --> 00:07:37.388
usado en Florida
al hacer sentencias judiciales.

00:07:38.411 --> 00:07:41.996
Bernardo, a la izquierda, un hombre negro
sacó una puntuación de 10 de 10.

00:07:43.179 --> 00:07:45.186
Dylan, a la derecha, 3 de 10.

00:07:45.210 --> 00:07:47.711
10 de 10, alto riesgo
3 de 10, bajo riesgo.

00:07:48.598 --> 00:07:50.983
Los sentenciaron por tener drogas.

00:07:51.007 --> 00:07:52.551
Ambos con antecedentes penales

00:07:52.551 --> 00:07:54.991
pero Dylan habia cometido un delito

00:07:55.015 --> 00:07:56.191
Bernard, no.

00:07:57.818 --> 00:08:00.884
Esto importa porque
a mayor puntuación

00:08:00.908 --> 00:08:04.381
mayor probabilidad de 
una sentencia más larga.

NOTE Paragraph

00:08:06.294 --> 00:08:07.588
¿Que sucede?

00:08:08.526 --> 00:08:09.858
Lavado de datos.

00:08:10.930 --> 00:08:15.357
El proceso que se usa para
ocultar verdades feas

00:08:15.381 --> 00:08:17.202
dentro de una caja negra
de algoritmos

00:08:17.226 --> 00:08:18.516
y llamarlos objetivos;

00:08:19.320 --> 00:08:20.888
llamándolos meritocráticos

00:08:23.118 --> 00:08:25.503
cuando son secretos,
importantes y destructivos

00:08:25.527 --> 00:08:28.014
Les puse un nombre a estos algoritmos:

00:08:28.038 --> 00:08:30.037
"armas matemáticas de destrucción"

NOTE Paragraph

00:08:30.061 --> 00:08:31.625
(Risas)

NOTE Paragraph

00:08:31.649 --> 00:08:34.703
(Aplausos)

NOTE Paragraph

00:08:34.727 --> 00:08:37.081
Estan en todos sitios

00:08:37.695 --> 00:08:41.418
Son empresas privadas
que construyen algoritmos privados

00:08:41.442 --> 00:08:42.834
para fines privados.

00:08:43.214 --> 00:08:46.428
Incluso los mencionados
de los maestros y la policía pública

00:08:46.452 --> 00:08:48.321
fueron diseñados por empresas privadas

00:08:48.345 --> 00:08:50.576
y vendidos a 
instituciones gubernamentales.

00:08:50.600 --> 00:08:52.473
Lo llaman su "salsa secreta"

00:08:52.497 --> 00:08:54.625
por eso no nos pueden hablar de ello.

00:08:54.649 --> 00:08:56.869
Es un poder privado

00:08:57.924 --> 00:09:02.619
que saca provecho por su
autoridad inescrutable.

00:09:05.114 --> 00:09:08.048
Entonces uno ha de pensar,
ya que todo esto es privado

00:09:08.072 --> 00:09:09.230
y hay competición,

00:09:09.254 --> 00:09:11.560
tal vez un mercado libre
podrá solucionarlo

00:09:11.584 --> 00:09:12.833
Pero no.

00:09:12.857 --> 00:09:15.977
Se puede ganar mucho dinero
con la injusticia.

NOTE Paragraph

00:09:17.127 --> 00:09:20.496
Tampoco somos agentes 
económicos racionales.

00:09:21.031 --> 00:09:22.323
Todos tenemos prejuicios

00:09:22.960 --> 00:09:26.337
Somos racistas y fanáticos
de una forma que no quisiéramos,

00:09:26.361 --> 00:09:28.380
de maneras que desconocemos.

00:09:29.352 --> 00:09:32.433
Lo sabemos al sumarlo

00:09:32.457 --> 00:09:35.677
porque los sociólogos
lo han demostrado consistentemente

00:09:35.701 --> 00:09:37.270
con experimentos que construyeron

00:09:37.270 --> 00:09:39.682
donde mandan una cantidad de solicitudes
de empleo

00:09:39.682 --> 00:09:43.123
de personas de calificaciones iguales
pero algunas con apellidos blancos

00:09:43.123 --> 00:09:44.543
y otras con apellidos negros,

00:09:44.543 --> 00:09:46.931
y los resultados siempre los 
decepcionan, siempre.

NOTE Paragraph

00:09:47.510 --> 00:09:49.281
Nosotros somos los prejuiciosos

00:09:49.305 --> 00:09:52.734
que inyectamos prejuicios
a nuestros algoritmos

00:09:52.758 --> 00:09:54.570
al elegir qué datos recoger,

00:09:54.594 --> 00:09:57.337
así como yo elegí no pensar 
en los fideos--

00:09:57.361 --> 00:09:58.986
Y decidi que no era importante.

00:09:59.010 --> 00:10:04.694
Pero tenerle confianza a los datos
basados en prácticas pasadas

00:10:04.718 --> 00:10:06.732
y eligiendo la definición del éxito,

00:10:06.756 --> 00:10:10.739
¿cómo pretendemos que los
algoritmos emerjan intactos?

00:10:10.763 --> 00:10:13.119
No podemos. Tenemos que verificarlos.

00:10:14.165 --> 00:10:15.874
Hay que revisarlos por equidad.

NOTE Paragraph

00:10:15.898 --> 00:10:18.609
Y las buenas noticias son

00:10:18.633 --> 00:10:21.985
que los algoritmos pueden ser 
interrogados,

00:10:22.009 --> 00:10:24.043
y nos dirán la verdad todas las veces.

00:10:24.067 --> 00:10:26.560
Y los podemos arreglar.
Y mejorarlos.

00:10:26.584 --> 00:10:28.959
Lo explico. Esto se llama revisión 
del algoritmo,

00:10:28.983 --> 00:10:30.662
lo explico.

NOTE Paragraph

00:10:30.686 --> 00:10:32.882
Primero, verificación de 
integridad de datos.

00:10:34.132 --> 00:10:36.789
por el riesgo recidivista.

00:10:37.582 --> 00:10:41.155
La verificación de la integridad de datos 
implicaría una conciliación

00:10:41.179 --> 00:10:44.705
que en EE. UU. los blancos y los 
negros fuman marihuana

00:10:44.729 --> 00:10:47.214
pero a los negros es mas fácil que 
los arresten

00:10:47.238 --> 00:10:50.422
más probablemente cuatro o cinco 
veces más dependiendo de la zona.

00:10:51.317 --> 00:10:54.143
Y ¿cómo son los prejuicios en 
otras categorías criminales,

00:10:54.167 --> 00:10:55.618
y cómo lo justificamos?

NOTE Paragraph

00:10:56.162 --> 00:10:59.201
Segundo, debemos pensar 
en la definición del éxito,

00:10:59.225 --> 00:11:00.606
revisarla.

00:11:00.630 --> 00:11:03.382
¿Recuerdan el algoritmo
de la contratación?

00:11:03.406 --> 00:11:06.571
alguien que se queda cuatro años 
y asciende de cargo una vez?

00:11:06.595 --> 00:11:08.364
Ese es el empleado exitoso,

00:11:08.388 --> 00:11:11.467
pero tambien es el empleado
apoyado por la cultura.

00:11:12.089 --> 00:11:14.015
Esto puede ser bastante injusto.

00:11:14.039 --> 00:11:16.104
Tenemos que separar dos cosas.

00:11:16.128 --> 00:11:18.554
Mirar a la audicion de una 
orquesta de ciegos

00:11:18.578 --> 00:11:19.774
por ejemplo.

00:11:19.798 --> 00:11:22.554
Los que dan la audición están 
detrás de la partitura.

00:11:22.946 --> 00:11:24.877
Lo que quiero que piensen

00:11:24.901 --> 00:11:28.318
es que la gente que escucha
decide lo que es importante

00:11:28.342 --> 00:11:30.371
y lo que no lo es,

00:11:30.395 --> 00:11:32.454
sin que eso nos distraiga.

00:11:32.961 --> 00:11:35.710
Cuando empezaron las audiciones 
de orquesta de ciegos

00:11:35.734 --> 00:11:39.178
la cantidad de mujeres aumentó
un factor de cinco veces.

NOTE Paragraph

00:11:40.253 --> 00:11:42.268
Tambien hay que pensar en la precisión

00:11:43.233 --> 00:11:46.967
y así el modelo 
del valor añadido fallaría.

00:11:47.578 --> 00:11:49.740
Por supuesto ningún algoritmo es perfecto,

00:11:50.620 --> 00:11:54.225
asi que hay que considerar los 
errores de cada algoritmo.

00:11:54.836 --> 00:11:59.195
¿Qué frecuencia tienen los errores
y con quiénes falla?

00:11:59.850 --> 00:12:01.568
Y ¿cuál es el costo de dicha falla?

NOTE Paragraph

00:12:02.434 --> 00:12:04.641
Y por último, tenemos que considerar

00:12:05.973 --> 00:12:08.159
los efectos a largo plazo 
de los algoritmos,

00:12:08.866 --> 00:12:11.073
los bucles de retroalimentación 
que engendran.

00:12:11.586 --> 00:12:12.822
Eso suena a abstracto.

00:12:12.846 --> 00:12:16.270
Pero imagínese si los ingenieros 
de Facebook lo hubieran considerado

00:12:16.270 --> 00:12:21.125
antes de mostrarnos cosas
publicadas por nuestros amigos.

NOTE Paragraph

00:12:21.761 --> 00:12:24.995
Tengo dos mensajes,
uno para los científicos de datos.

00:12:25.450 --> 00:12:28.859
Cientificos de datos: no debemos
ser los árbitros de la verdad.

00:12:29.520 --> 00:12:33.303
Debemos ser tradutores de las
discusiones éticas que ocurren

00:12:33.327 --> 00:12:34.621
en toda la sociedad.

NOTE Paragraph

00:12:35.579 --> 00:12:37.712
(Aplausos)

NOTE Paragraph

00:12:37.736 --> 00:12:39.292
Y para el resto de Uds.

00:12:40.011 --> 00:12:41.747
los que no son científicos de datos:

00:12:41.747 --> 00:12:43.609
esta no es un examen de matemáticas.

00:12:43.632 --> 00:12:44.980
Es una lucha politica.

00:12:46.587 --> 00:12:50.494
Tenemos que exigir responsabilidad
a los lores de los algoritmos.

NOTE Paragraph

00:12:52.118 --> 00:12:53.617
(Aplausos)

NOTE Paragraph

00:12:53.641 --> 00:12:57.866
La era de la fe ciega en los
datos masivos debe terminar.

NOTE Paragraph

00:12:57.890 --> 00:12:59.057
Muchas gracias.

NOTE Paragraph

00:12:59.081 --> 00:13:05.601
(Aplauso)