Apuntes | La Inteligencia Artificial: ¿al servicio de la paz?
Según las cifras facilitadas por el Programa Uppsala de Datos sobre Conflictos (en inglés, UCDP), el número de víctimas mortales como consecuencia de conflictos armados en los que participa al menos un Estado ha ido en aumento. En los conflictos en Siria y Yemen y, más tarde, en Ucrania, Etiopía, Gaza y otros lugares, varios cientos de miles de soldados y civiles han perdido la vida en enfrentamientos. La violencia de base estatal sigue siendo la forma más mortífera, pero también ha crecido la violencia unilateral, en la que un gobierno o un grupo armado ataca a civiles, y los conflictos entre grupos armados no estatales.
Las víctimas mortales derivadas directamente de la lucha armada son solo la punta del iceberg, pues los conflictos también destruyen la salud, la seguridad alimentaria, la educación, la igualdad de género, etc. Si se consideran los efectos a largo plazo, el exceso de mortalidad y morbilidad derivada de los conflictos armados es al menos tan alto como su impacto directo.
Monitorear los conflictos
Necesitamos saber dónde, cuándo, cómo y por qué se libran las guerras, y hacer un seguimiento de sus consecuencias. Hoy, los mejores proveedores de datos son entidades académicas neutrales, al margen de la interferencia política (como el UCDP o el Armed Conflict Location & Event Data) pero que suelen depender de fuentes de financiación limitadas e inciertas. A ello se suma que utilizan codificadores humanos para analizar noticias, informes y fuentes locales, y estas limitaciones hacen que los recursos para recopilar datos no alcancen a cubrir las necesidades reales.
Existen ya diversas herramientas de IA que pueden mejorar la cantidad y calidad de los datos disponibles sobre conflictos. Los Modelos Masivos de Lenguaje (LLM) resultan particularmente útiles a la hora de analizar las fuentes textuales, que son básicas en materia de conflictos; sin embargo, requieren de directrices claras por parte de codificadores humanos que comprendan las complejidades y tergiversaciones políticas. Es el caso del Peace Science Infrastructure, un proyecto piloto que reelabora los contenidos de la extensa base de datos del UCDP. Para ello, el algoritmo trabaja de manera automática, pero solicita la opinión humana para contextualizar los registros que le resultan difíciles de clasificar. Esta metodología mixta, de colaboración entre la IA y los expertos en conflictos permite ahorrar tiempo y ampliar sistemáticamente los datos sobre los conflictos. Además de los datos estadísticos, existen otras fuentes de información, como las imágenes vía satélite y radares. Con esos datos se pueden localizar, por ejemplo, incendios y demoliciones producidos por los combates mucho antes de que las noticias las reporten.
También la modelización de la incertidumbre es otro de los ámbitos donde el aprendizaje automático y los modelos estadísticos pueden reforzar la calidad, utilidad y credibilidad de los datos sobre los conflictos procesados por codificadores humanos, que a menudo, cuando son incompletos, tienden a basarse en estimaciones conservadoras.
Anticipación: previsión de conflictos
Con seguridad, el empleo de herramientas basadas en la IA para ampliar y procesar los datos con la mayor rapidez posible mejorará la capacidad de anticipación y la gestión de los conflictos ya en sus primeras fases de escalada. La previsión de conflictos ha avanzado sustancialmente en la última década y cada vez es más viable predecir la probabilidad, localización e intensidad de futuros acontecimientos conflictivos. Varios proyectos de predicción ofrecen sistemas de visualización en línea de código abierto que dan muestra de su utilidad (entre ellos el proyecto VIEWS del PRIO y el Proyecto de Alerta Temprana, del Museo Conmemorativo del Holocausto en Estados Unidos).
La previsión de conflictos sigue siendo un campo que está en su fase inicial de desarrollo. Dado que rara vez accedemos a las negociaciones entre líderes políticos, y menor aún es nuestra capacidad de evaluar la percepción de los actores privados implicados, no existen datos fiables para pronosticar con certeza nuevos conflictos armados. Aun así, los factores «estructurales», como los sistemas políticos, las estructuras económicas y la pobreza, son útiles para establecer clasificaciones en función de los riesgos latentes. Valga señalar a modo de ejemplo que, si bien los modelos existentes no permiten determinar con precisión dónde y cuándo emergerá la violencia, Etiopía encabezaba ya nuestra lista de potenciales países en guerra antes del estallido del conflicto en Tigray (Véase Hegre et al. «Predicting armed conflict 2010–2050». International Studies Quarterly, vol. 57, n.º 2, junio de 2013, p. 250-270).
Predecir nuevos conflictos armados resulta muy difícil, pero prever su evolución una vez transcurridos los dos primeros meses, es más asumible. Y esto tiene un gran valor, ya que la cuantificación sistemática de la probable trayectoria a largo plazo de un conflicto ‒incipiente o consolidado‒, nos permite evaluar los costes y beneficios de una posible intervención.
Otra evolución reciente de la previsión de conflictos es la atención creciente que presta a la incertidumbre de las conclusiones. Dado que la guerra suele ser el resultado de un proceso largo y oculto de negociación, que estalla abruptamente en violencia extrema, necesitamos modelos que registren e informen de que, con una determinada probabilidad, más o menos baja, existen indicios significativos de una potencial escalada de la violencia. Estos modelos de incertidumbre, que abarcan toda la distribución de probabilidades para los múltiples resultados posibles, aumentarán enormemente la utilidad de los modelos de previsión de conflictos. Técnicamente, los modelos utilizan varios métodos, como el bootstrapping, el bayesiano, el de Montecarlo, el ensamblaje y la «predicción conforme» para extraer distribuciones de probabilidad de los modelos de aprendizaje automático y asignar factibilidad al conjunto de los escenarios posibles.
Acción anticipatoria
Los modelos basados en la IA para el seguimiento y anticipación de los conflictos armados se complementan con modelos para apoyar la «acción anticipatoria», es decir, las acciones preventivas de los conflictos armados o, al menos, encaminadas a minimizar su impacto negativo sobre las poblaciones locales.
Una forma de asesorar estas acciones anticipatorias es mediante la modelización de escenarios, que estima la intensidad prevista de los conflictos a escala mundial ‒o en una determinada región‒ en función de determinados supuestos, como los recursos dedicados a la prevención de conflictos y su eficacia, pero también, y en la vertiente positiva, calculan los beneficios potenciales de una mitigación de la conflictividad mundial. Y en esta dirección, la simulación de escenarios demuestra que las operaciones de mantenimiento de la paz, cuyo cometido principal es la contención de la violencia, reportan gran cantidad de beneficios (Véase Håvard Hegre et al. «Evaluating the conflict-reducing effect of UN peacekeeping operations». The Journal of Politics, vol. 81, n.º 1, enero de 2019, p. 215-232).
La modelización de escenarios seria aún más potente si contáramos con modelos más avanzados sobre el impacto humanitario y, en particular, si se elaboraran modelos que abarcaran conjuntamente los impactos directos e indirectos del conflicto como los flujos migratorios, o las crisis sanitarias o alimentarias. Las herramientas de mejora de datos basadas en IA descritas anteriormente también aumentarán nuestra capacidad para monitorizar y modelizar estos impactos derivados.
Finalmente, los modelos de IA pueden utilizarse también en mecanismos como una suerte de «seguros paramétricos», a través de los cuales la financiación de la ayuda humanitaria podría activarse y transferirse inmediatamente después de un suceso destructivo, sin tener que esperar a una estimación exacta de las pérdidas. Actualmente, la Organización de las Naciones Unidas para la Alimentación y la Agricultura (FAO) está desarrollando modelos de este tipo para situaciones de crisis que puedan afectar a la seguridad alimentaria (también conflictos), a partir de los datos facilitados por el UCDP y los modelos de previsión de VIEWS.
En conclusión, no hay duda de que la IA está asociada a riesgos; es una tecnología que fácilmente puede emplearse para vigilar y reprimir la disidencia, difundir información falsa y minar la posibilidad de un debate público bien informado, basado en los hechos y que incluya puntos de vista alternativos; supone un ataque a los fundamentos de las instituciones democráticas y fortalece a las élites poderosas, que tienden a beneficiarse de los conflictos armados. Toda investigación sobre estos peligros y cómo podemos evitarlos es urgente y sigue siendo demasiado incipiente. No obstante, no podemos obviar que la IA es, también, una herramienta poderosa que puede ponerse al servicio del bien común.
A lo largo de este artículo he sugerido una serie de propuestas acerca de cómo la IA puede ayudar a reducir los costes humanos innecesarios de los conflictos armados, mediante una mejor monitorización de la situación, mejoras en la capacidad de previsión y, en última instancia, de la acción anticipatoria. Por supuesto, cualquier acción eficaz demanda una inversión de recursos suficiente para lograr avances. La investigación sobre estos métodos y la demostración de su utilidad ponen de relieve la necesidad y los beneficios de estas prácticas. Sumado a ello, al utilizar y desarrollar estas herramientas para un buen fin, la ONU, los gobiernos y otros actores que cuentan con agendas humanitarias también aumentarán su competencia para contrarrestar los efectos adversos del uso malintencionado de las nuevas tecnologías.