Cuando Paula Gordaliza comenzó a trabajar en la aplicación de teorías estadísticas para crear algoritmos más justos, en 2017, aún se hablaba de la inteligencia artificial (IA) en tiempo futuro. Hoy, los artículos científicos en torno al tema se acumulan cada semana y los debates sobre el papel cada vez más central que los algoritmos ocupan en la sociedad están omnipresentes.
Su línea de investigación está en el corazón de una de las conversaciones más importantes: su trabajo tiene por objetivo diseñar y analizar métodos de aprendizaje automático que detecten, controlen y corrijan los posibles sesgos en los resultados, lo que contribuirá a crear algoritmos más justos, eliminar discriminaciones en los resultados y, en definitiva, a "que la población confíe más en la inteligencia artificial", según sus propias palabras.
Formada en las universidades de Valladolid (UVa) y de Toulouse III-Paul Sabatier, es investigadora posdoctoral en el Basque Center for Applied Mathematics (BCAM), en Bilbao, y profesora asociada en la Universidad Pública de Navarra, puestos desde donde reivindica el papel fundamental de las matemáticas. "En la inteligencia artificial intervienen muchos profesionales, pero la base que dan las matemáticas es la que permite resolver los problemas", asegura. Su trabajo le ha valido este año el reconocimiento de los Premios de Investigación Matemática Vicent Caselles que concede la Real Sociedad Matemática Española y la Fundación BBVA.
Tendemos a pensar en los resultados de las máquinas como algo neutro, objetivo. ¿Qué significa hablar de sesgos en la inteligencia artificial?En realidad, la inteligencia artificial hace lo que le dicen que tiene que hacer, nada más. Pero para funcionar necesita datos y algunos de los principales sesgos que se manifiestan en los resultados en realidad vienen de las bases de datos con las que trabaja, que son las que muchas veces están sesgadas, por diferentes motivos. En las últimas décadas se está haciendo un esfuerzo para cuidar el proceso de recogida de datos, pero muchas veces nos encontramos con ciertos grupos que están más representados que otros y eso condiciona resultados