STEM+A
Por: Raúl Miranda
Ayer, mi gran amigo Juan Carlos me dijo que necesitaba una herramienta que pudiera predecir de manera muy acertada el éxito de los proyectos del área en la que trabaja.
Me gustó el reto y me puse a investigar qué tipo de ecuaciones nos podrían llevar a tener una predicción lo suficientemente acertada para lograr dicho objetivo, y que un departamento de esa organización tan grande pudiera confiar en su uso diario.
Encontré un ejemplo muy bueno que le voy a dar a Juan y que estoy seguro le va a gustar: resulta que la gestión y medición del riesgo de crédito constituye la actividad principal de la banca tradicional, saber si se les presta a los posibles clientes o no. Para estimar el riesgo del crédito y la recuperación de cuentas por cobrar, se han diseñado modelos estadísticos en base a un conjunto de atributos que permiten calificar objetivamente la calidad de un cliente; se hace todos los días en todos los bancos y en estos días se ocupa ya Machine Learning para que este trabajo sea lo mas certero y rápido posible.
Sí, es gracias a Inteligencia Artificial que los bancos pueden decirnos en menos de dos horas si somos sujetos de crédito, yo me imaginaba que dábamos nuestro nombre y un montón de analistas rápido buscaban datos para dar respuesta, pero ¿cómo hacerlo si al día cientos de miles de personas solicitan esta operación? La repuesta es usando IA.
Para hacerlo se estiman diversos modelos de credit scoring haciendo uso de algoritmos de machine learning y se realiza una comparación entre ellos. También se comparan los resultados de estos modelos con la regresión logística, técnica tradicional para el modelado del credit scoring para poder analizar las ventajas y los avances que supone el uso de modelos machine learning frente a las técnicas de modelado tradicional y en sólo dos horas nos dicen si somos sujetos de crédito o no.
Luego me puse a revisar la certeza de el resultado de estos cálculos y resulta que está por encima del 85% lo cuál es una barbaridad de precisión tomando en cuenta que en estadística tradicional cualquier resultado que mejore el 50%, que es tirar una moneda al aire, es válido.
Y me dije, seguro se hace con algoritmos costosos y que vienen de mentes extranjeras, pues resulta que en México esta tecnología viene de empresas 100% mexicanas que a últimas fechas han provisto a nuestro sistema bancario de estas soluciones.
Si una empresa mexicana puede ser certera en la definición de algoritmos de alto impacto y muy alto uso a toda la banca mexicana, seguro estoy de que los científicos de datos mexicanos podemos hacer prácticamente cualquier área de trabajo, por el ejemplo el sector público.
En el sector público se podría hacer un laboratorio de Ciencia de Datos que permitiera: leer toda la documentación de todos los predios de un estado y la información de cada predio y persona que haya sido propietario y así como le preguntamos a Siri o a Alexa por cualquier tema le preguntaríamos a este sistema por una dirección y nos daría no sólo el estado actual sino toda la historia, podríamos generar un índice de confiabilidad de políticas públicas que serían probadas por sí mismas antes de ser incluso puestas en operación, podríamos saber la certeza de una obra pública antes de que se ponga el primer tabique, podríamos medir el índice de aplicación de las nuevas técnicas de estudio y aprendizaje en los alumnos antes de que se capaciten a los profesores, es más, podríamos saber cómo los profesores van a responder ante estas capacitaciones, podríamos tener no sólo mapas de calor de seguridad sino predicciones certeras de seguridad y de cómo las personas reaccionan ante la ley y ante la delincuencia, podríamos tener conexos todos los datos que tiene cada gobierno para que así los ejecutivos tomen decisiones mucho más certeras, todo por el bien común.
Les cuento que después de saber que las personas evaluadas en posibilidad de tener crédito o no con uso de Machne Learning pregunté si decían exactamente la razón de la respuesta, me dijeron que lo primero que entregan es un porcentaje de validación de propensión a crédito y que con un análisis intenso se puede conocer a detalle la razón por la cuál entrega este dato.
Me dije a mí mismo “esto es como un oráculo”, y en específico como el oráculo de Delfos, que era el santuario griego donde las sacerdotisas o pitonisas consultaban a los dioses para resolver aquellas respuestas difíciles que podrían tener injerencia en el bien común.
Se cuenta que el grado de acierto de las predicciones de las Pitonisas del templo era muy alto, incluso cuando estas se equivocaban, se atribuía el error a la interpretación de lo dicho y no a la predicción, justo como pasa con la Inteligencia Artificial en nuestros días.
De este oráculo además de predicciones que los dioses otorgaban a las pitonisas surgieron los juegos Píticos que se convirtieron en los juegos olímpicos y el valor económico de Grecia descrito por Heródoto entre otros hechos históricos y míticos de la cultura griega.
Al hacer esta reflexión me di cuenta que actualmente estos términos –oráculo, Delphos y pitonisa– están en el lenguaje diario del cómputo actual: Oracle, Delphi y Python.
Entonces, ¿por qué no usar Inteligencia Artificial en la vida diaria y aprovecharla para el sector público?
Si se hizo en Grecia, se hace a cada instante en la banca, entonces ¡se puede en cualquier sector! y qué mejor que en el sector público para que con mentes brillantes mexicanas se ayude a mejorar este hermoso país.