En la transición hacia una nueva era tecnológica, es crucial recordar que nuestros avances deben guiarse por un sentido de la responsabilidad y la inclusión. La proliferación de las tecnologías del Internet de las Cosas (IoT) y los dispositivos móviles ha aportado una gran cantidad de beneficios, pero también ha dado lugar a la amplificación de la brecha digital en el acceso a las redes móviles.
Este artículo ahonda en la cuestión de la injusticia estructural en las redes móviles y su impacto sobre la sociedad. Introduciremos el concepto de equidad geoespacial y la necesidad de igualdad de acceso a una red de alta calidad. Asimismo, examinamos el papel que la inteligencia artificial (IA) ética puede desempeñar en la reducción de la brecha digital y en el tratamiento de las desigualdades socioeconómicas en el ámbito de las telecomunicaciones. Sigue leyendo para saber más detalles sobre estos conceptos y conocer cómo trabajamos por un futuro más equitativo.
Reconocer lo que realmente importa
Los numerosos beneficios que aportan las ciudades bien organizadas y eficientes son ampliamente reconocidos, a pesar de que la rápida y a menudo no planificada urbanización de las últimas décadas ha provocado grandes cambios sociales y estructurales junto con cambios importantes en la movilidad y sostenibilidad. Un claro ejemplo de esto es la creciente necesidad de servicios de telecomunicación y conexión a internet cada vez más rápida, impulsada por la adopción de tecnologías del IoT y dispositivos móviles.
Internet se está convirtiendo cada vez más en una red móvil. Cientos de millones de usuarios acceden cada día al mismo a través de la red de telefonía móvil, la cual supone la única estructura de nivel global con soporte de movilidad universal. Esto ha causado nuevas formas de desigualdades socio-demográficas y dado lugar a una división digital, en términos de acceso a servicios de redes móviles de calidad.
«Internet se está convirtiendo cada vez más en una red móvil»
Equipo de Telefónica Research
Varios estudios han demostrado que la calidad de experiencia (QoE, según sus siglas en inglés) en redes móviles varia significativamente dependiendo de factores socio-económicos, como la calidad de los dispositivos de los usuarios o el acceso a las estaciones base de las teleoperadoras, así como los patrones de movilidad y el uso de datos. Esto sugiere que ignorar estos factores en la planificación y gestión de los entornos de redes móviles podría ampliar la brecha digital en entornos urbanos.
Operadores de Redes Móviles (MNOs según sus siglas en inglés) también se enfrentan a varios retos a la hora de gestionar sus recursos de red de forma eficiente, incluyendo la necesidad de equilibrar el objetivo de alto rendimiento de las redes para clientes con los costes de desplegado y gestión, costes energéticos, así como incluyendo objetivos de neutralidad y no discriminación en la lista de consideraciones.
Desigualdad estructural y sus consecuencias en la sociedad
La literatura sobre desigualdad social ha evidenciado una injusticia estructural en el acceso al capital social o recursos limitados y las consecuencias negativas que ello tiene para la sociedad. Por ejemplo, información sobre el código postal y las direcciones físicas han sido utilizados de forma implícita en diversos procesos de decisión como el del cálculo de la cuota del seguro para vehículos, o para la provisión de servicios médicos, suscitando inquietudes sobre la desigualdad. Numerosos estudios han revelado parcialidad en otras áreas como: empleos de calidad, acceso a la vivienda, educación, seguridad pública, acceso a cuidados médicos y redes sociales en general.
A pesar de que tan solo unos pocos trabajos hayan estudiado la relación entre los factores socioeconómicos en redes móviles, el concepto de justicia geoespacial –que persigue ofrecer un nivel de conectividad estable sobre los dispositivos móviles mientras se desplazan– permanece todavía prácticamente inexplorado. Debido a diversas tendencias sociales, la aparición del COVID-19 y el contexto actual de la economía de los datos, transmitiendo grandes volúmenes de datos entre equipos de escritorio y dispositivos móviles, el acceso igualitario a la red móvil y la calidad de acceso han asumido una importancia mucho mayor que en cualquier precedente.
Un mayor conocimiento de la correlación entre los patrones de movilidad y las localizaciones residenciales de grupos raciales provoca serias dudas sobre la posibilidad de que los algoritmos puedan inducir nuevos sesgos contra grupos sociales en riesgo.
Relacionado con este tema, un trabajo reciente por parte del equipo de Telefónica Research ha identificado asociaciones de algunos factores estructurales sobre métricas de calidad de la red. Más específicamente, los investigadores han detectado que entre aquellos que experimentan una mayor latencia, hay un número mayor de individuos pertenecientes a clases socioeconómicas privilegiadas, mientras que se observan mayores porcentajes de retransmisión de paquetes entre individuos pertenecientes a clases desfavorecidas. Esto revela que la fragmentación social y la reconocible desigualdad impacta a la calidad global de la conectividad que experimentan los usuarios en base a sus dispositivos móviles, elecciones de configuración, patrones de movilidad, grupos étnicos y clases sociales.
IA ética y la lucha contra la desigualdad social
Las desigualdades ya mencionadas se traducen en una serie de requisitos y ajustes de red en relación a los usuarios finales, sus dispositivos, el consumo que realizan de datos móviles y el acceso a recursos remotos. Motivado por los Principios de Neutralidad de la Red, los investigadores Ioannis Arapakis, Souneil Park, David Solans y José Suárez-Varela, del equipo de Telefónica Research, han propuesto un conjunto de algoritmos basados en inteligencia artificial [pendiente de patente: P2200012] para promover la justicia geoespacial en redes móviles haciendo uso de aprendizaje por refuerzo (en inglés, Reinforcement Learning, RL), basándose en tecnologías que permiten implementar estrategias imparciales y multi-objetivo para la asignación de recursos.
La invención mencionada (Figura 3) está diseñada para instalarse en un entorno de asignación de recursos de red que puedan optimizar múltiples objetivos (y a menudo en conflicto) de forma eficiente a la vez que sin perder de vista el objetivo final: reducir la brecha entre segmentos socioeconómicos. Más específicamente, propone una solución distribuida basada en datos que permita un control eficiente de las redes móviles, consiguiendo así una mejor asignación de recursos considerando los patrones de tráfico de red observados, y manteniendo a su vez las consideraciones de igualdad en el foco.
Con esta invención, los usuarios podrían experimentar una mejor calidad del servicio y obtener una experiencia más homogénea independientemente de sus condiciones socio-económicas. Por ejemplo, un objetivo podría ser que los usuarios disfruten de una cantidad de tiempo similar en el uso de comunicaciones de alto rendimiento (4G, 5G), incluso si en su lugar de residencia el acceso a estas tecnologías es limitado. Esto puede conseguirse, por ejemplo, haciendo una priorización oportunista de aquellos usuarios cuando tienen acceso a antenas con mejores recursos de red. A pesar de la complejidad de obtener un esquema de asignación de recursos óptimo para todos los usuarios, una política de calidad podría tener un impacto significativo en el conjunto de usuarios, negocios y el medio ambiente.
En búsqueda de la paridad estadística
En la literatura de la Justicia Algorítmica, una amplia cantidad de trabajos se centran en un único principio central: la paridad estadística, que busca la consecución de un comportamiento similar para todos los grupos demográficos, con atención especial a aquellos grupos sensibles. Satisfacer la paridad estadística en redes móviles asegura que distintos grupos demográficos serán tratados de forma similar, previniendo así que se les asignen a sus dispositivos menos recursos de red de forma sistemática.
Para explicar el concepto de paridad estadística, vamos a considerar el siguiente ejemplo. Cada algoritmo puede ser representado como un punto en la curva OP (Figura 4) correspondiendo a (X=predicciones para el grupo más privilegiado, Y=predicciones para el grupo más desfavorecido) métricas cuantificadas de forma apropiada a través de grupos basados en atributos sensibles (género, nacionalidad, etc).
En la práctica, el conjunto de configuraciones válidas tiene forma de una curva cóncava, como se representa en la ilustración de más arriba. En ella, O representa una mala configuración con un rendimiento sub-óptimo para todos los grupos (por ejemplo, una asignación de recursos aleatoria) y P representa una configuración que maximiza la brecha entre el grupo privilegiado y aquel más desfavorecido. El punto de paridad estadística corresponde a la línea de 45º, tan lejos como sea posible del punto O, de forma que se seleccione una configuración en la sección óptima. Los algoritmos que consideran la paridad estadística tienden a seleccionar configuraciones cercanas al punto P.
En nuestro caso, formulamos el problema de asignación de recursos a un usuario/dispositivo como una tarea de emparejamiento entre dispositivos y antenas (Figura 3). A cada usuario/dispositivo se le asigna una porción del total de los recursos disponibles que dependerá del resto de antenas que pueden dar cobertura al dispositivo en un determinado instante, y la calidad de la red que pueden aportar.
Cada asignación implica un cierto coste, que es básicamente la diferencia entre el rendimiento que un usuario obtendría si se le asignaran el conjunto más óptimo de recursos disponibles comparado con el conjunto finalmente asignado (por ejemplo, en términos de tiempo: “¿cuánto tiempo extra requeriría el dispositivo para ejecutar de forma satisfactoria la tarea X si se le asigna un conjunto recursos de segundo nivel comparado con la asignación de recursos de primer nivel?”).
Una política de asignación de recursos justa sería aquella que distribuye los costes de asignación de forma equitativa entre todos los dispositivos. Dado que igualar dicho coste entre todos los dispositivos en un período de tiempo puede corresponder a un problema altamente complejo, aproximamos este problema desde un punto de vista grupal, buscando igualar el coste de asignación medio entre grupos demográficos a través del uso de algoritmos eficientes de aprendizaje por refuerzo.
Consiguiendo paridad en un mundo conectado
En este artículo presentamos una novedosa técnica que para el desarrollo de algoritmos que provean de paridad geoespacial en redes móviles. El campo emergente de la IA justa ha conseguido notables avances en la consecución y expansión del ámbito de la IA, desde la base robusta de las métricas tradicionales utilitaristas (que a menudo se traducen en incentivos económicos), para incluir progresivamente nociones inspiradas en la no discriminación e igualdad en desarrollos y decisiones.
En este sentido, Telefónica ha lanzado recientemente la campaña publicitaría «#TodosEnLaFoto» con el propósito de enfatizar la necesidad de que la tecnología sea accesible y que contribuya al desarrollo de todas las personas de forma equitativa. En la era de la conectividad, el acceso a internet de calidad es un activo crítico que impulsa la educación y la economía. El desarrollo de tecnologías de este tipo, que buscan mitigar desigualdades y promueven la inclusión de un Internet de alta calidad es un requisito necesario para asegurar el desarrollo social y económico a largo plazo.
Por este motivo, desde el equipo de Telefónica Research nuestros esfuerzos están centrados en el desarrollo de tecnologías que contribuyan a incluir a todas las personas en la foto, reduciendo así las desigualdades y maximizando la inclusión.
Imagen de cabecera de Brand Factory.
