6 minutos de lectura.
Las técnicas de machine learning están demostrando ser un método práctico para generar datos. Por esta razón, estas técnicas están siendo utilizadas cada vez más por los equipos de investigación y generación de datos, ya que ofrecen alternativas más rápidas y menos costosas a los métodos tradicionales de recopilación y procesamiento de información. También son una gran herramienta para complementar las estimaciones oficiales de indicadores socioeconómicos clave, especialmente cuando la recopilación de datos es demasiado costosa o difícil de obtener.
El machine learning es una rama de la inteligencia artificial y la informática que imita la forma en que los humanos aprenden y utilizan datos y algoritmos para comprender las tendencias y las relaciones entre variables, aumentando la precisión para pronosticarlas a lo largo del tiempo. El uso de marcos de machine learning para predecir indicadores clave para el desarrollo y el crecimiento se ha expandido rápidamente y ha demostrado ser particularmente útil con la llegada del big data. Estos modelos también se han utilizado cada vez más en contextos sensibles, como en Haití, donde la recopilación de datos es un desafío o, a veces, inclusive imposible. Por ejemplo, en 2019, el Banco Interamericano de Desarrollo (BID), publicó un documento utilizando marcos de machine learning para estimar la distribución de la pobreza y la desigualdad de ingresos en 140 comunas y 570 secciones en Haití, todo esto con base en datos de teléfonos móviles e imágenes satelitales. Este estudio proporcionó medidas actualizadas de la evolución de la pobreza y la desigualdad sin necesidad de que los recolectores de datos estuvieran en el terreno y lo que es más importante, en situaciones que pudieran ponerlos en riesgo.
Tabla 1. Ejemplos de estimaciones de la tasa de pobreza utilizando diferentes técnicas de machine learning
Con el uso cada vez mayor de marcos de machine learning y el uso creciente de big data para el análisis de políticas, las universidades de todo el mundo están incluyendo estos modelos en sus planes de estudios de economía. Con este fin, el BID ha estado renovando su esfuerzo para asesorar a estudiantes y profesionales haitianos que trabajan en los campos de la economía, la estadística y ciencias afines, mediante el financiamiento de cursos de introducción al machine learning. Recientemente, el Banco financió un curso de dos meses sobre técnicas de machine learning para estudiantes de tercer año de la carrera de economía en el “Centre de Techniques de Planning et d’Economie Appliquée (CTPEA)”, una universidad pública que opera bajo la supervisión del Ministerio de Planificación y Cooperación Externa que ofrece educación superior en las áreas de Estadística, Economía Aplicada y Planificación. Durante las sesiones, 24 estudiantes del CTPEA aprendieron los fundamentos de las técnicas de machine learning y cómo aplicarlas para analizar y comprender las tendencias relacionadas con la pobreza y el precio de los alimentos en Haití.
Los estudiantes aprendieron la teoría detrás de estos modelos y discutieron la mejor manera de aplicarlos a los problemas que plantean desafíos en la política pública en Haití, incluida la pobreza y la seguridad alimentaria. Por ejemplo, los estudiantes modelaron y predijeron la evolución de los cambios de precios en alimentos básicos, como el arroz, el maíz o el trigo. Haití ocupa el puesto 109 entre 116 países en el Índice Global del Hambre (2021), con un estimado de 45% de la población que necesita asistencia urgente. Los precios de los alimentos en Haití se han disparado recientemente, como consecuencia de factores como el impacto de la pandemia del COVID-19, la inseguridad, los desastres naturales y los efectos de la guerra en Ucrania. Esto ha empeorado aún más el desafío que ya de por sí es severo en el país, por lo tanto, poder predecir mejor la evolución de los precios de los alimentos básicos podría ayudar a orientar la política pública de seguridad social y las intervenciones de salud para aliviar la inseguridad alimentaria.
Al analizar la tendencia y los cambios del precio en los alimentos anteriormente mencionados, los estudiantes realizaron predicciones para estas tendencias hasta el final del año fiscal. La Figura 1 muestra los resultados del pronóstico que un grupo de estudiantes de la clase realizó sobre el precio de otro alimento: la harina. Estas estimaciones cuantitativas se utilizaron para discutir y reflexionar sobre posibles intervenciones que podrían mitigar el impacto del aumento de los precios de los alimentos, y se identificó información que resulta útil para actores como el BID, donde se trabajan en estos temas dentro del país. Nota: los resultados de la estimación presentados en este blog no reflejan la visión del BID ni de la CTPEA.
Figura 1. Pronósticos de precios de trigo utilizando el método de Holt
Las técnicas de machine learning se utilizan cada vez más para realizar pronósticos y el BID está comprometido a contribuir a que las nuevas generaciones en Haití aprendan y apliquen estos métodos en sus investigaciones. Este blog ha mostrado dos ejemplos en los que las técnicas de machine learning han sido útiles para ayudar a informar cuestiones importantes relacionadas con el desarrollo en ese país: 1) para pronosticar la pobreza y 2) para comprender la evolución de los cambios de precios en alimentos básicos como el arroz, el maíz o el trigo. Los estudiantes no solo encontraron el taller interesante, sino que también consideran que estos métodos son extremadamente útiles y aplicables en sus carreras en el futuro en el gobierno, grupos de expertos o en investigación. El BID pretende así seguir apoyando el crecimiento de las nuevas generaciones y garantizar que los profesionales haitianos puedan contribuir al desarrollo del país con investigaciones de vanguardia en temas de actualidad.
Por Laura Giles Alvarez y Cleeford Pavilus.
Leave a Reply