La pandemia por el covid-19 nos está dejando muchas lecciones en el campo de los negocios, enfrentándonos a nuevos retos, pero también presentándonos nuevas oportunidades. A continuación, se detalla algunas recomendaciones legales para comenzar un startup.

Constitución de la sociedad:
Es el primer paso, la formalización de un startup. Esta debe hacerse de un inicio que se comenzara a comercializar el producto o servicio. La forma societaria recomendable es optar por una sociedad anónima cerrada (S.A.C.) o una sociedad anónima regular (S.A.). Esta decisión debe considerar el número de accionistas que tendrá el startup en una etapa inicial, luego del levantamiento de capital de los inversionistas, ya que la S. A. C. establece como límite máximo un total de 20.

Esto servirá para diferenciar el patrimonio y las deudas de la nueva empresa con la de los fundadores. Al respecto, es importante llevar las cuentas por separado entre accionistas y la nueva empresa, y además así brindamos seguridad a los futuros inversionistas.

Acuerdo o pacto de fundadores:
La elaboración de un acuerdo entre los fundadores es una figura legal imprescindible y asegura que la amistad permanezca intacta cuando surjan discrepancias. Es básico definir, por ejemplo, cual será el rol de cada uno de los socios fundadores, que pasará en caso alguien decida retirarse de la sociedad, entre otros.

Protección de la propiedad intelectual:
Proteger la marca, nombre comercial y dominio web del startup. Para ello debes realizar una búsqueda, averiguar si el signo distintivo que quieren usar se encuentra disponible y lego registrarlos ante la Indecopi. Además, se debe proteger cualquier desarrollo tecnológico hecho por trabajadores de la startup o terceros contratados por la misma empresa. Cn el fin de que los derechos de propiedad intelectual sobre estos desarrollos sean cedidos a favor de la empresa.

Establecer un formato de contrato comercial:
Tener un formato de contrato comercial para los clientes que permita iniciar la negociación en términos más favorables para el startup.
Tener un “template” evita que te impongan desde el inicio sus condiciones. Así protegemos legalmente la empresa ante casos de incumplimiento. Además, facilita las operaciones y evita procesos judiciales innecesarios.

Es muy importante que este documento incluya lo siguiente: el alcance del contrato, forma de pago, plazos de entrega o implementación, causales y mecanismos de terminación, alcance de la responsabilidad, confidencialidad y la no exclusividad para el cliente, de ser este el caso.

Establecer relaciones laborales:
Es fundamental contar con un plan de incentivos remunerativos que facilite atraer y retener colaboradores clave. Por ejemplo, los ‘stock options’ ofrecen una alternativa de adquisición de acciones de una startup por parte de colaboradores clave a un menor precio en el mercado.

Base de datos personales:
Otro paso esencial son los términos y condiciones, así como las políticas de privacidad que deben ser incluidas en el sitio web y en la app de la startup. Su estructura debe ser de acuerdo con los servicios efectivamente prestados con las limitaciones y ‘disclaimers’ necesarios, y estar alineados con las normas de protección de datos personales aplicables en el Perú.

Financiamiento:
Esto también requiere de documentación que permita mantener la alineación de intereses entre founders e inversionistas, donde quede claro la participación en ganancias y el control de la empresa de cada miembro.

Actualmente neuralink corporation busca crear tecnologías para facilitar la interacción de los seres humanos con las maquinas. Por esta razón estudia cómo instalar un sistema en el cerebro humano que permita aumentar las capacidades cognitivas al existir una conexión con computadoras. En términos más concretos, se trata de implantar una serie de electrodos en dicho órgano. Actuales pruebas de los avances de the link de neuralink son, pruebas en un macaco que puede jugar videojuegos gracias al implante interno en su cráneo de the link.

Neuralink trabaja en conjunto con la Food and Drug administration (FDA) para asegurar que los implantes de the link sean seguros y que a fines de este año 2021 se hagan pruebas en humanos.

El objetivo de la implantación de inteligencia artificial en el cerebro humano corto plazo son resolver lesiones cerebrales/espinales y a un largo plazo conseguir una simbiosis humana / inteligencia artificial.

Con ello podría curar potencialmente enfermedades neurológicas como el Alzheimer y el Parkinson, manejar un automóvil con la mente, como el caso de un automóvil tesla dada la relación de la compañía con este, entre otros como jugar videojuegos, guardar y reproducir recuerdos e incluso hacer caminar de nuevo a personas con daños en la medula espinal.

En la actualidad Microsoft proveedor de servicios de nube en el mundo trabaja en un proyecto innovador el cual es colocar centros de datos debajo del mar. La viabilidad de este proyecto se puso a prueba años anteriores, cuando se coloco un centro de datos en las islas Orcadas, Escocia. El verano pasado fue retirado del mar y se comprobó la viabilidad del proyecto, esto desde un punto de vista logístico, ambiental y económico.

El centro de datos a prueba estuvo durante 2 años, para el despliegue del centro de datos en esta isla se tuvieron algunas consideraciones, como rellenar la atmosfera del contenedor con nitrógeno. La importancia que tenía el nitrógeno es la distribución con eficacia de refrigeración de las frías aguas, a diferencia de los centros de datos convencionales con refrigeración activa.

Los 864 servidores dentro de la capsula experimentaron una tasa a fallos ocho veces menor a lo esperado de un centro de datos convencional, gracias a la atmosfera de nitrógeno en la capsula sellada. Por lo que, el nitrógeno y agua juegan un rol importante en el despliegue de data centers debajo del agua, ya que esto representa un entorno operativo mas estable y fiable que una instalación en tierra.

Con el proyecto Natick, se confirmó la teoría inicial, lo que influye directamente en la estrategia de sostenibilidad del centro de datos de Microsoft entorno a la energía, los residuos y agua. Asimismo, mas de la mitad de la población mundial que vive a menos de 190km de la costa se verán beneficiados con este nuevo entorno operativo de los data centers, ya que mas de la mitad de la población está cerca a la costa, y si se despliegan data centers debajo del agua cerca a las ciudades costeras, la distancia se acortaría, reduciendo la latencia y proporcionando mayores niveles de servicio (SLA).

[1] Deep Reinforcement Learning in Medicine

En la medicina, mucho de los problemas de decisión son secuenciales por naturaleza. Cuando un paciente visita a un médico, el medico debe decir que tratamiento administrar al paciente. Una vez este cumple con el periodo corto de tratamiento, este debe regresar para continuar con su tratamiento, pero su estaba actual ya habrá cambiado, es decir, afecta su estado actual y la próxima decisión con respecto al tratamiento futuro. Este tipo de problema de decisión se puede modelar de manera efectiva como un Proceso de decisión de Markov (MDP) y resolverse usando algoritmos de aprendizaje por reforzamiento.
En la mayoría de los sistemas de IA implementados en medicina, se ignora la naturaleza secuencial de las decisiones y los sistemas en cambio, sus decisiones se basan exclusivamente en la corriente de estados del paciente. En ese sentido, el aprendizaje por reforzamiento ofrece una alternativa diferente de solución, teniendo en cuenta no solamente el efecto inmediato del tratamiento según el estado del paciente, sino también en el beneficio a largo plazo para este.
A pesar de estos potenciales beneficios que tendría la aplicación de algoritmos de RF en la medicina, este presenta una serie de obstáculos que deben superarse para poder ser aplicables en hospitales. Los algoritmos de RL típicamente aprenden por ensayo y error, estas estrategias de tratamiento exploratorios en pacientes no son una opción en la práctica. Es por eso que estos algoritmos tendrían que aprender a partir de datos existentes recopilados mediante estrategias de tratamientos fijos, a este proceso se le denomina off-policy learning y juega un papel importante en algoritmos de RL y especialmente en entornos de médicos.
Otro tema es establecer cuál sería la recompensa, que determinara el comportamiento de la política optima. Por esa razón, la importancia de definir una recompensa apropiada implica sopesar diferentes factores entre sí, como el costo del tratamiento versus la esperanza de vida del paciente. Sin embargo, este dilema no es exclusivo de RL.

[2] Treating epilepsy via adaptive neurostimulation: a reinforcement learning approach

En este articulo se presenta una nueva metodología de estrategia optima de neuroestimulación para el tratamiento de epilepsia, esta tiene como objetivo modular automáticamente los parámetros de neuroestimulación basados en la función de la señal observada, para minimizar la frecuencia y duración de convulsiones. Esta estrategia de neuroestimulación adaptativa es capaz de aprender del entrenamiento de los datos adquiridos de los tejidos cerebrales de animales. Como resultados, se obtiene que esta metodología reducirá eficazmente la incidencia de convulsiones, mientras que se minimiza la cantidad de estimulación aplicada.

Conclusiones:

El aprendizaje por reforzamiento tiene un alto potencial de uso que se ven reflejados en aplicaciones medicas criticas, pero también presenta algunas barreras de aplicación en ciertas situaciones que se deberían de replantear para poder hacer uso de estas. Finalmente, el uso del aprendizaje por reforzamiento permitirá al paciente tener un eficiente tratamiento a favor de su salud y un eficaz uso de recursos por parte de las entidades de salud.

Referencias:

1. Jonsson A. Deep Reinforcement Learning in Medicine. Kidney Dis (Basel). 2019 Feb;5(1):18-22. doi: 10.1159/000492670. Epub 2018 Oct 12. PMID: 30815460; PMCID: PMC6388442.
2. Pineau J, Guez A, Vincent R, Panuccio G, Avoli M. Treating epilepsy via adaptive neurostimulation: a reinforcement learning approach. Int J Neural Syst. 2009 Aug;19(4):227-40. doi: 10.1142/S0129065709001987. PMID: 19731397; PMCID: PMC4884089.

La Inteligencia Artificial está presente en la vida cotidiana, los negocios, el gobierno, la medicina y más. Esta tecnología tiene la capacidad de generar una gran cantidad de beneficios y mejorar la calidad de vida de la población, pero el objetivo no solo es que sea bueno para el negocio, sino también lo que es bueno para los empleados, clientes y comunidades en las que viven y trabajan. La IA muchas veces ya ha sido usada en contra de nuestros intereses, por ejemplo, los ataques cibernéticos presentados en diferentes empresas en el Perú, la exposición de la gran cantidad de datos reunidas por los usuarios en internet y estos usados para una manipulación social.

En las empresas, 3 de cada 4 empresas evalúan o implementan la IA. Además, El 78% de los encargados de tomar decisiones empresariales en base a IA, mencionan que es sumamente importante contar con resultados justos, seguros y confiables. Esto según IBM's from Roadblock to Scale: The Global Sprint Towards AI Study 2020.

En el sector financiero, muchos de los datos almacenados de diferentes fuentes y recursos basados en IA, en algunos casos son usados de manera incorrecta por miembros trabajadores de estas empresas, haciendo que el riesgo reputacional de la empresa se vea perjudicada y su riesgo de cumplimiento sea alto. Por esta razón, los consumidores y ciudadanos están preocupados por la acumulación de datos que se utilizan para tomar decisiones sin respetar los derechos de consumidor. Según IBM, la única forma en que podemos desarrollar sistemas basados en la confianza es incorporando principios éticos a las aplicaciones y procesos de IA.

Muchas de las veces, en estas empresas su objetivó de solución no está alineado con la misión y los valores de la organización. Algunas de las grandes empresas como el grupo Credicorp siguen normas de protección de datos personales (LPDP), que son principios éticos que rige en las empresas pertenecientes a este grupo, garantizando así la autonomía, no maleficencia, beneficencia y justicia según la ley de proyección de datos personales - Ley Nº 29733 aprobado por el Decreto Supremo N° 003-2013-JUS, pero en esta y otras empresas el riesgo operacional por parte del trabajador por manejar sus datos es el sesgo de desconfianza del cliente, y entre otras organizaciones carece de la capacidad de probar y monitorear soluciones de IA.

El uso de los datos es toda una revolución en el sector bancario, surgiendo así las "Fintechs" y las "Bigtechs". También han aparecido nuevos modelos de negocio como el "Open Bancking", todas estas gracias a las soluciones que brinda la inteligencia artificial y su capacidad para la toma de decisiones con riesgos operativo mínimos que las empresas están dispuestas a asumir a las que ellos llaman el "Apetito al riesgo".

Los riesgos éticos son una preocupación principal para aproximadamente un tercio de los ejecutivos que esperan una transformación del negocio a corto plazo de IA, según la consultora Deloitte Perú en una publicación acerca de la Ética en la inteligencia Artificial, "Un nuevo imperativo para empresas, juntas y alta gerencia". Esta preocupación parte de mantener el beneficio de la empresa sin dejar de lado la confianza del cliente.

En consecuencia, el avance de la inteligencia artificial y en consecuencia la gran cantidad de datos que trae consigo una nueva frontera en la ética empresarial, en la que todos los que estén involucrado con ellas desde los directorios corporativos hasta los ingenieros deben estar reguladas mediante bases éticas organizacionales que se apliquen en todo el ciclo de vida de la IA.