Inteligencia artificial para mapear la pobreza
sin antes verificar que se cumpla con los requisitos establecidos, según un nuevo informe de la Contraloría General de la República (CGR). “Se encontraron casos en los que no se solicitaron los requisitos establecidos, como la constancia salarial, de pensión o declaración de ingresos y la constancia de pago de alquiler”, dice el informe en su resumen de hallazgos. El ente contralor informó, además, que el IMAS no cuenta con un procedimiento para administrar la lista de espera de los beneficiarios, “lo cual puede ocasionar que se otorguen beneficios a personas que tienen menor prioridad que otras”. Otros de los hallazgos son que la institución analizada rinde cuentas parcialmente a la ciudadanía y existen expedientes que no están foliados ni en orden cronológico, contrario a lo que establecen los reglamentos internos. ” Pero el tomar decisiones con base en información disponible no debería ser un obstáculo. No será que posiblemente NO sabemos tomar decisiones con base en información ? O que la información de la que disponemos no está en el formato ni en las condiciones requeridas ? . . En los países en vías de desarrollo la recopilación y el análisis de información de las zonas más castigadas por la pobreza en muchas ocasiones es deficitaria, complicada y depende de entidades no gubernamentales que, desafortunadamente, no disponen de los medios para mapear la pobreza más allá de sus reducidas zonas de actuación. Actualmente, el sistema para localizar y mantener un registro de la zonas más castigadas por la pobreza se hace de forma manual por los Gobiernos de los países en vías de desarrollo, por las Naciones Unidas y por las miles de ONGs que hacen este tipo de estudio de forma altruista para maximizar el uso de sus limitados recursos. Pero el problema es que lleva mucho tiempo, se requiere de mucha gente y cuesta mucho dinero, algo de lo que las entidades no gubernamentales no tienen. y usualmente no se realiza de manera correcta y con las herramientas disponibles del BIG DATA. En este sentido un grupo de investigadores de Standford han encontrado una nueva forma de mapear la pobreza de forma mucho más eficiente que el puerta-a-puerta, y desde luego, de una forma mucho más precisa y menos costosa que los sistemas actuales. De esta forma, la propuesta, publicada en Science, consiste en combinar la vigilancia por satélite con machine learning para extraer información precisa de la pobreza y poder crear mapas de calor que ayuden a las ONGs y los Gobiernos a actuar de forma más efectiva en las zonas más pobres. En este caso, los investigadores construyeron mapas de pobreza basados en diferentes métodos de aprendizaje automático para encontrar las áreas más empobrecida en cinco países africanos:
“Hay pocos lugares en el mundo en los que podemos indicar al ordenador con certeza si las personas que viven allí son ricos o pobres” Esto hace que sea muy difícil extraer información útil a partir de la enorme cantidad de imágenes de satélite tomadas durante el día que está disponible.” Neal Jean, autor principal del estudioDe esta forma, se han dado cuenta que se trata de un método sorprendentemente bueno para predecir la distribución de la pobreza, superando los enfoques existentes para mapear la pobreza, algo que puede ser rápidamente aplicado por las entidades no gubernamentales y los Gobiernos para luchar contra la pobreza de forma más efectiva que el análisis sobre el terreno de regiones muy concretas. Pero los mapas NO son la única herramienta disponible, y la Ciencia de Datos a través de nuevos algoritmos de Inteligencia Artificial nos pueden dar una mano para tomar más y mejores decisiones. Es un nuevo reto para los gerentes y los técnicos, pero el BIG DATA nos brinda ahora, ésta nueva oportunidad. Ahora se trata de elegir el algoritmo de BIG DATA correcto
Elegir un algoritmo por tipo
Las plataformas de BIG DATA incluyen al menos los siguientes tipos de algoritmos:- Algoritmos de clasificación, que predicen una o más variables discretas, basándose en otros atributos del conjunto de datos.
- Algoritmos de regresión, que predicen una o más variables continuas, como las pérdidas o los beneficios, basándose en otros atributos del conjunto de datos.
- Algoritmos de segmentación, que dividen los datos en grupos, o clústeres, de elementos que tienen propiedades similares.
- Algoritmos de asociación, que buscan correlaciones entre diferentes atributos de un conjunto de datos. La aplicación más común de esta clase de algoritmo es la creación de reglas de asociación, que pueden usarse en un análisis de la cesta de compra.
- Algoritmos de análisis de secuencias, que resumen secuencias o episodios frecuentes en los datos, como un flujo de rutas web.