De la teoría a la práctica: Consejos para implementación de algoritmos en el sector público

Para María Paz Hermosilla, Directora del laboratorio de innovación pública (GobLab) de la Escuela de Gobierno, la implementación requiere comprender la temporalidad de los datos, la actualidad, la calidad y la naturaleza de las decisiones y procesos: “Hay varios problemas a tener en cuenta al tomar un modelo creado en una base de datos de investigación y ponerlo en funcionamiento para que pueda ser utilizado por los formuladores de política pública o los trabajadores de primera línea sin perder su rendimiento”.

Durante la actividad, la Directora del Centro de Análisis de Datos Sociales de la Universidad Tecnológica de Auckland, presentó sus principales reflexiones y lecciones adquiridas de sus diez años implementando modelos predictivos de riesgo en diversas partes del mundo.

Aquí sus principales conclusiones:

Mala Distribución del presupuesto: muchas veces la mayoría de la inversión se va al diseño, por lo que la especialista sugiere que solo el 30% se vaya a esta etapa. Un 40% debiera ser para la implementación, 20% para la mantención (en un periodo de 5 años) y 10% para el re-diseño. “Esto se puede generar porque estos sistemas con algoritmos se confunden con las plataformas de gobierno electrónico, en donde sí se puede gastar una gran cantidad de presupuesto en su diseño, ya que no son tan dinámicas como los algoritmos de estimación de riesgo, donde después de dos o tres años es probable que se requiera actualizarlo”, sostiene Hermosilla.

Comunicar los algoritmos: cuando se sale a explicar la implementación de un algoritmo, sobre todo en temas de desarrollo social, genera mayor aceptación enfatizar las mejoras en la calidad de vida y no el ahorro de plata que involucrará. “La comunicación del proyecto cuando se hace desde la lógica del ahorro ha generado mucha resistencia”, confirma la directora del GobLab.

Siempre un ser humano: este tipo de proyectos siempre es más aceptado cuando se apoya el proceso de tomas de decisiones en una persona, no cuando se reemplaza por una máquina. “Es complejo dejar decisiones sensibles en temas sociales únicamente en manos de un computador”, afirma la académica UAI.

Transparencia: El backend hay que diseñarlo para que sea flexible, transparente y permita el aseguramiento de la calidad. “Es necesario incorporar una auditoría constante: ocurren errores, los flujos de datos a veces varían por un cambio de política pública, y hay que tener un monitoreo, si no cualquier modificación puede afectar el desempeño del algoritmo”, recalca Hermosilla, quien también es consulting fellow de The Governance Lab en Nueva York.

Tratar el algoritmo como si fuese un empleado: no porque sea un software no se va a monitorear, ya que los datos que se inyectan a veces cambian. “Se tiene que ver si lo que se creó es lo mismo que está operando, hay que chequear los insumos que van entrando y eso puede afectar la calidad de la información”, explica la experta en Big Data de la UAI.

Simpleza: cuando se escoge un algoritmo entre varias técnicas, la simpleza es un buen criterio. “Lo hace más fácil de entender y por lo tanto si hay algún cambio, será más fácil de reparar. No hay que basarse solo en las métricas de desempeño sino que también considerar la simpleza a la hora de elegir los modelos de riesgos predictivos”, concluye la directora del GobLab.