¿Qué es normal? ¿Y qué caracteriza a un rostro “normal”? Nuestro cerebro analiza y clasifica cada rostro con que nos encontramos. Pero no estamos solos en esa actividad. Toda una rama de la ciencia y la tecnología examina estos procesos cognitivos de subatención y los descompone en normalidades estadísticas. A través del aprendizaje automático, el reconocimiento facial puede utilizarse incluso para categorizar y predecir la conducta humana.
El retrato hablado
París cambió dramáticamente durante el siglo XIX, cuando la Revolución Industrial atrajo a los campesinos a probar suerte en la gran ciudad, y así se inició una tendencia de urbanización que continúa hasta el día de hoy. Por primera vez en sus vidas, los parisinos nativos y los nuevos chicos del barrio se vieron rodeados diariamente por caras nuevas, poco familiares. Estos cambios demográficos, junto con la creciente división entre la clase burguesa industrial y la clase trabajadora, fueron desgarrando el tejido social de la ciudad. La creciente alienación entre los habitantes acrecentó la inquietud en las calles y contribuyó al aumento de la criminalidad.
Si no quiere decirnos quién es, su retrato lo hará: la invención de la foto policial volvió más fácil identificar a los criminales.
| Foto: © Tableau Synoptic des Traits Physionomiques: pour servir a l’étude du “Porträt Parlé”, de Alphonse Bertillon (1909) / dominio público
En épocas anteriores, por lo general el agente de policía sabía a quién estaba arrestando, dónde vivía y qué diría la madre cuando oyera sobre las diabluras de su hijo. Pero el peso de las nuevas caras cambió la situación. Las estaciones de policía comenzaron a usar la tecnología emergente de la fotografía para documentar arrestos, pero esto derivó en la acumulación de una montaña inutilizable e inmanejable de fotografías. El joven oficial parisino Alphonse Bertillon decidió poner orden en el caos. Comenzó por estandarizar la fotografía de arresto policial tomando un retrato frontal y uno lateral, y los puso en una ficha de arresto estandarizada. En otras palabras, inventó la foto policial que hoy consideramos la imagen icónica de la criminalidad. A continuación midió, cuantificó y clasificó el cuerpo, y añadió a la ficha de arresto específicamente datos de identificación. Bertillon también creó una tabla llamada Le Portrait Parlé, el retrato hablado, que revelaría la identidad de una persona en caso de que esta se negara a hacerlo. La tabla presentaba una clasificación de diferentes tipos de narices, bocas, orejas y demás rasgos faciales, y los categorizaba en un sistema.
Para Bertillon, se trataba simplemente de un sistema de indexación que ayudaba a la identificación. Y de hecho, el Bertillonage se difundió rápidamente por Europa y los Estados Unidos como práctica científica de vanguardia para la identificación policial por medio de la fotografía. Ahora bien, pocos años después, para gran decepción de Bertillon, fue reemplazado por la huella digital, que proporcionaba una tecnología de identificación mucho más simple y precisa.
¿Qué es normal?
El estudio de las huellas digitales fue una de las tantas contribuciones científicas de Sir Francis Galton, un prolífico intelectual británico pionero de las estadísticas. Otro descubrimiento científico importante de Galton fue la normalidad estadística o distribución normal. Observó que fenómenos al parecer azarosos a menudo revelan un patrón de probabilidad distribuida alrededor de un pico curvo que tiene la forma de una campana –“curva de campana”–. Esos fenómenos confluirían cerca del pico de la curva de campana en mayor medida que en los bordes.
Para demostrar este fenómeno estadístico bastante abstracto, Galton construyó un mecanismo particular, que en cierto modo recordaba a un pinball, y lo llenó con frijoles. En la parte de arriba de la tabla todos los frijoles se encauzaban a una salida única ubicada en el centro, desde la cual caían hacia un conjunto de obstáculos cilíndricos. En su caída, los frijoles rebotaban contra los obstáculos y finalmente caían en casilleros igualmente distribuidos en la base de la tabla. Aunque no había modo de predecir qué frijol caería en qué casillero, la distribución general repetía la curva de la campana. Los casilleros centrales contenían la mayor cantidad de frijoles y cuanto más alejados estaban los casilleros a izquierda derecha recibían menos frijoles.
Recreación de la caja de Galton: la distribución de los frijoles que caen repite siempre la curva de campana
| © CC BY-SA 4.0
Cuantificar la distribución normal permitía también cuantificar la desviación común, es decir, el grado de dispersión a lo largo de los casilleros. Un grado bajo de desviación estándar significaba que los casilleros se acercaban a la norma, al pico de la curva. Un alto grado de desviación estándar significaba que estaban desplegados con mayor amplitud y que era más probable que ocurrieran anormalidades.
Esta práctica formulación matemática ayudó a que la normalidad estadística se convirtiera en mucho más que un estándar científico. Galton aspiraba a usar la lente estadística para todo aspecto de la vida, y la normalidad se expandió rápidamente más allá del contexto de las ciencias naturales. Antes de los trabajos de Galton de finales del siglo XIX no era normal usar la palabra “normal” para describir algo ajeno al reino de las ciencias naturales. A consecuencia de los descubrimientos de Galton, el concepto de normalidad rápidamente se normalizó, y a través de la obra de Émile Durkheim y otros sociólogos impregnó las ciencias sociales y la cultura en general.
¿Rostro normal o desviado?
En 1893 Galton visitó el laboratorio forense de Bertillon y se volvió un gran admirador del Bertillonage. No estaba interesado en lo que las herramientas y métodos de Bertillon podían revelar sobre la responsabilidad de algunos individuos en relación con crímenes pasados, más bien quería predecir a través de la estadística futuras desviaciones.
Fotografía y registro de datos de Francis Galton (73 años), hechos por Bertillon cuando Galton visitó su laboratorio en 1983.
| Foto: © Wikipedia/dominio público
Igual que Bertillon, Galton estaba consagrado al examen sistémico del retrato fotográfico. Inspirado por los hallazgos de normalidad estadística, Galton inventó la técnica del retrato compuesto, que consistía en fotografiar a diferentes sujetos usando la misma película a baja exposición, lo que producía una única imagen mixta. Hizo retratos compuestos de oficiales del ejército y del Real Cuerpo de Ingenieros, así como de delincuentes y enfermos mentales. Galton trató de identificar cómo era el aspecto de la gente normal y buscó métodos para reconocer y, en última instancia, predecir desviaciones sociales.
Galton examinó retratos de criminales y enfermos mentales para descubrir el típico aspecto de la gente normal.
| Foto: © Frontispiece of Inquiries into Human Faculty and its Development, Francis Galton (1883) / dominio público
Para Galton, las estadísticas eran más que un proyecto intelectual, dado que creía en su uso para crear una sociedad mejor. Fundó el movimiento eugenésico, que buscaba interpretar la evolución y la selección natural (avances científicos de su primo segundo, Charles Darwin) como un criterio prescriptivo para crear una sociedad mejor y no tanto como un análisis de la variabilidad en la naturaleza. Los seguidores de la eugenesia como Galton practicaban la fisiognomía, una pseudociencia que evaluaba los rasgos de la personalidad a partir de la apariencia física, lo que es como juzgar un libro por su tapa. Usaban la codificación de Bertillon (medir y registrar datos) y su clasificación del cuerpo para analizar, categorizar y predecir la potencial contribución a la sociedad de una persona y el impacto que tendría en el patrimonio genético de las siguientes generaciones. Los eugenistas creían que la naturaleza, más que la crianza (o Dios), era el agente principal en el destino humano. Por eso sostenían que el mejor modo para hacer progresar a la raza humana era mantener la pureza de la herencia y evitar que los desviados trajeran niños al mundo. Las políticas eugenistas se practicaron en toda Europa Occidental y en el Reino Unido, pero fue en Estados Unidos donde los eugenistas por primera vez hicieron aprobar leyes de esterilización que impedían a los discapacitados tener hijos.
Bertillon nunca pensó su tecnología para que se usara de esa manera. Respecto a las teorías científicas racistas de un contemporáneo, el criminólogo italiano Cesare Lombroso, Bertillon dijo: “No, no me convence que sea la falta de simetría en el rostro o el tamaño de la órbita ocular o la forma de la mandíbula lo que hace de un hombre un malhechor”.
Bertillon sostenía que había visto una variación muy amplia de rostros en su laboratorio forense y que un defecto en el ojo, por ejemplo, no indicaba que la persona fuera un criminal, pero sí que una visión pobre podría haberle dejado pocas alternativas en el mercado laboral.
Bertillon codificaba el cuerpo para establecer una identificación y una relación con una conducta anterior y no para proyectar o predecir actos futuros. Sin embargo, la misma codificación y clasificación de conductas y rasgos personales fue lo que permitió la identificación forense y la predicción estadística. El racismo científico y la fisiognomía tomaron forma en el siglo XX. En su libro Mi lucha, Adolf Hitler remite a los eugenistas estadounidenses como la mayor fuente de inspiración para lo que posteriormente en Alemania sería la eugenesia nazi. Los nazis llevaron esta filosofía y esta práctica a un extremo atroz con la exterminación y el genocidio de judíos gitanos, homosexuales, discapacitados y otras personas marcadas como desviadas de la imagen aria normalizada y racista. Después de la derrota en la Segunda Guerra Mundial, las ideas de fisiognomía y racismo científico recibieron condena internacional y en los años siguientes subsistieron durmiendo bajo la superficie pero no desaparecieron, ya que estaban profundamente arraigadas en la herencia de la normalidad estadística.
El retrato vuelve a hablar
El análisis facial tuvo su retorno espectacular en la segunda década del siglo XXI gracias a los últimos avances en las estadísticas, mejoradas por las computadoras. Los actuales “científicos de datos” son directos descendientes intelectuales de los pioneros de las estadísticas y la codificación del siglo XIX. Algunos de ellos se centran en la identificación, renovando los intentos de Bertillon de identificar de modo forense a los individuos relacionando los datos con la documentación previa. Otros, como lo hacía Galton, buscan con el análisis proyectar de modo estadístico la conducta futura basándose en patrones del pasado. En un intento de explotar la tecnología al máximo, hoy la identificación y la proyección a menudo se usan combinadas. Por ejemplo, en noviembre de 2021, por presión de los entes reguladores, Facebook anunció que dejaría de usar el reconocimiento facial para identificar a usuarios en fotos y dijo que implementaría su servicio “Automatic Alt Text”, que analiza las imágenes para generar de modo automático un texto de descripción de su contenido.
Los centros de datos están acumulando más y más datos. Crean un retrato cada vez más detallado de nuestra conducta pasada que alimenta las predicciones algorítmicas de nuestra conducta futura. Al igual que el retrato compuesto de Galton, la imagen de conducta normal se construye a partir de múltiples ejemplos superpuestos de diferentes sujetos. Cada frijol de información es encauzado a través de cajas negras algorítmicas para encontrar su camino a los casilleros distribuidos normalmente a lo largo de la curva de campana de la cultura futura normalizada. La normalización a través de los datos se convierte en un proceso que se basta a sí mismo. No sólo predice el futuro, también lo dicta. Cuando el camino predicho es la apuesta más segura, apostar a una desviación se convierte en un riesgo ya sea financiero, cultural o incluso político. Ese es el modo en que la predicción basada en datos normaliza el pasado e impide el cambio. Por eso los algoritmos de aprendizaje automático son conservadores desde su concepción, ya que sólo pueden predecir el modo en que se repetirán patrones del pasado. No pueden predecir cómo pueden evolucionar esos patrones.
El discurso sobre la privacidad en línea todavía influye en el debate sobre el derecho personal de preservar el carácter privado de actividades pasadas. Pero ahora los aparatos de vigilancia algorítmica no están interesados necesariamente en nuestras actividades individuales pasadas. Están interesados en la imagen que revelan nuestros retratos compuestos, la imagen que define el camino de la normalidad y describe como sospechosas las desviaciones de la norma.
Online Normalizi.ng
Tal como las máquinas, los humanos también estamos categorizando constantemente los rostros de los otros. Capturamos, clasificamos y analizamos cada atributo fisionómico. Pero ¿somos conscientes de nuestras burbujas diarias, de la forma en que constantemente definimos lo que es normal y lo que no? ¿De cómo categorizamos a la gente y de cómo somos categorizados? De eso se trata el proyecto Normalizi.ng. Es un proyecto experimental de investigación online que usa el aprendizaje automático para analizar y entender cómo decidimos quién tiene un aspecto más “normal”.
Los participantes de la experiencia que propone la página web Normalizi.ng deben pasar por tres pasos comunes a la estadística temprana y a la actual. En el primer paso –captura– se los exhorta a poner su rostro en un marco y a tomarse una selfie. En el segundo –clasificar– se les muestra una serie de registros de participantes anteriores. Entonces pueden deslizarse hacia la derecha o la izquierda para clasificar qué narices, qué bocas, qué ojos y rostros lucen más “normales”. En el paso tercero –analizar– el algoritmo analiza los rostros y los deslizamientos de normalización. Estos últimos se registran en una ficha de arresto inspirada en el Bertillonage con puntuaciones dinámicas de normalización y después se agregan los rostros de los participantes a un mapa algorítmico de normalidad inspirado en el Portrait Parlé.
The Normalizi.ng Map
El mapa usa un algoritmo de análisis facial para agrupar en una cuadrícula de dos dimensiones rostros con características familiares. Cuanto más alto es el puntaje de tanto más ancho es el marco blanco de cada retrato individual. Cada hora, a medida que se suman más participantes, el algoritmo actualiza y vuelve a dibujar el mapa. Ahora bien, en el mapa siempre hay dos conglomerados claramente identificados como masculino y femenino. En los márgenes se forman otras concentraciones: un conglomerado de piel negra, a menudo unisex, un cúmulo asiático que a veces hace transición hacia uno latinx. Un conglomerado infantil, uno anciano, uno barbudo… Es interesante que los rostros con tapabocas de pandemia se distribuyen de modo equivalente en todo el mapa. El mapa algorítmico se redibuja constantemente y repite y amplifica las divisiones de la clasificación facial. Así se visibiliza cómo la actual discriminación sistemática en sociedades de todo el mundo –de personas de determinados géneros, de determinado color de piel, de determinada edad o corte de pelo– está incluida, amplificada y convenientemente oculta detrás de la aparentemente objetiva caja negra de la inteligencia artificial.
Los rostros poco familiares son una de las cosas que hacen que París y otras ciudades nos parezcan tan excitantes, tan llenas de posibilidades. París nunca volverá a ser un pequeño pueblo homogéneo. Tampoco lo será Internet. El algoritmo es el policía que nos ve a través de nuestros estereotipos, nunca nos habla como a personas, nunca les habla a nuestras madres. Hagamos un alto y preguntémonos: ¿es eso lo que queremos sistematizar, automatizar, amplificar? Y más que eso, ¿es la normalidad algo que debemos custodiar.
El panel
(Mis)Reading Human Emotions, con Mushon Zer-Aviv, en el festival “When Machines Dream the Future”. (
Wenn Maschinen Zukunft träumen)
marzo 2022