Cómo logramos inspecciones proactivas con ciencia de datos

By 09 de August de 2022 Blog

Estrenamos una serie de cursos en temáticas de datos relevantes que hemos recogido de nuestra experiencia trabajando con el sector público, y conoceremos importantes hallazgos de investigaciones y proyectos en uso de algoritmos en el Estado.

9 de agosto 2022

Cómo logramos inspecciones proactivas con ciencia de datos

¿Cómo identificar de una lista inmensa de cosas por inspeccionar o fiscalizar, las de mayor riesgo, o las que tienen mayor probabilidad de incumplirse, para hacer que los recursos alcancen y sean utilizados de manera más eficiente?

El concepto de inspecciones se conoce por varios nombres dentro del sector público. En Chile se conoce como fiscalización, en Estados Unidos como problema de inspección, en México se le denomina auditoría, y en algunos países de Centroamérica se le llama verificación.

Este tipo de proyectos de ciencia de datos se caracterizan por recursos limitados: el gobierno u organización tiene una gran cantidad de datos por revisar pero cuenta con un conjunto limitado de recursos para verificarlos. Derivado de ello, se plantea la siguiente pregunta, ¿cómo identificar de una lista inmensa de cosas por inspeccionar o fiscalizar, las de mayor riesgo, o las que tienen mayor probabilidad de incumplirse, para hacer que los recursos alcancen y sean utilizados de manera más eficiente?

Como ejemplo, algunas problemáticas sobre las que hemos trabajado, son:

  • ¿Cómo verificar si las empresas están cumpliendo con el reglamento laboral?
  • ¿Están apegándose a la normativa de transparencia?
  • ¿Las empresas están cumpliendo con las medidas de mitigación de la polución?
  • ¿Cómo verificar que las escuelas tengan las condiciones adecuadas?
  • ¿Cómo verificar que el gasto de las entidades de gobierno esté cumpliendo con la regulación?

Todos estos ejemplos tienen un denominador común, el número de entidades a revisar es muy superior al de quienes verifican.

La labor de la ciencia de datos y del machine learning en estos ejemplos, es la de priorizar los recursos. El nombre técnico de la fiscalización, desde el punto de vista de machine learning, se refiere a cómo priorizar los recursos, sin embargo, esta debe ser una priorización proactiva. Muchas empresas y organizaciones actúan de manera reactiva, respondiendo solo cuando sucede algo y reaccionando hasta ese momento para corregirlo, si es que se puede. Acá el objetivo es planear la inspección para evitar que ocurran infracciones en el futuro.

Métricas, objetivos y metas

Uno de los grandes problemas en muchas disciplinas, son las métricas y la definición de las metas. Estas por lo general no están bien entendidas por las organizaciones y este es un problema difícil que ha sido discutido intensamente en varios artículos desde el Harvard Business Review hasta el MIT Magazine. A las organizaciones les cuesta muchísimo trabajo especificar qué métricas, metas u objetivos quieren lograr.

Pensando en que somos transformadores de lo público y que generamos valor, si vamos a invertir en aprendizaje de máquina o sistemas de machine learning, debemos hacer el trabajo de la mejor manera, por lo que es esencial revisar las métricas y la definición de las metas. El tema lo abordamos a fondo en el curso Inspecciones Proactivas con Ciencia de Datos.

En él veremos cómo aplicar machine learning a un problema de inspecciones, cómo integrarlo, cómo medirlo, cómo saber si está funcionando el proceso y así revisar los impactos inequitativos.

Suele pensarse que no hay un impacto inequitativo porque no se interactúa con humanos directamente, sin embargo, siempre hay un humano al final de todos los sistemas que puede ser afectado, y debemos pensar en las personas desde el principio, plantear el problema, aplicarlo, integrarlo y medirlo de manera científica.

No te quedes fuera y súmate ahora al curso Inspecciones Proactivas con Ciencia de Datos. Inicio: 25 de agosto, obtén más información aquí.

Autor:

Adolfo de Unánue

Co-director académico del Diplomado Internacional en Ciencia de Datos para la Dirección Pública de la UAI y el TEC

Director académico de la Escuela de Gobierno y Transformación Pública del Instituto Tecnológico de Monterrey. Doctorado en Física Teórica de la Universidad Nacional Autónoma de México. Postdoctorado en sistemas complejos de C3-UNAM. Fue investigador Senior en Datos y Ciencias de Decisión para el Centro de Ciencia de Datos y Políticas Públicas de la Universidad de Chicago. Ocupó cargos ejecutivos en tecnología en OPI y Klustera, donde desarrolló infraestructura y modelos para el procesamiento y análisis de grandes conjuntos de datos, provenientes de gobierno abierto e Internet de las Cosas. Ha ayudado a construir equipos de Data Science y grupos funcionales en organizaciones como Telefónica y BBVA. Como mentor en la beca Data Science for Social Good en la Universidad de Chicago, trabajó en proyectos de análisis de datos destinados a mejorar la calidad de vida tanto en Chicago como en el mundo. Fue consultor para BBVA en prevención de fraude con aprendizaje estadístico. En Datank.ai, colaboró con el equipo de inteligencia de la máquina para dirigir la investigación hacia la entrega de la primera inteligencia conversacional bayesiana en México. También fue el Director Académico del programa de Maestría en Ciencia de Datos en el ITAM en la Ciudad de México, el primer magíster de ciencia de datos en América Latina.

Actualmente es el Co-director académico del Diplomado Internacional en Ciencia de Datos para la Dirección Pública de la UAI y el TEC, y dicta el curso de Inspecciones Proactivas con Ciencia de Datos.