Por Robert Pantzer - Esta columna fue publicada originalmente en el blog Sin Miedos del BID.
La película “Money Ball” cuenta la historia real de Billie Beane, gerente del equipo de béisbol “Oakland Athletics”. Al principio del 2002, el equipo era mediocre y sin dinero. Beane, actuado por Brad Pitt, contrata a Peter Brand, un joven economista de Yale con ideas radicales sobre cómo identificar el valor de los jugadores. Reemplazan el método tradicional para escoger jugadores, basado en experiencia e intuición, por algoritmos y “machine learning”. Incluyen jugadores descartados por otros equipos por edad o lesiones, pero con cualidades escondidas. La estrategia termina dando resultados espectaculares, incluyendo una racha de 19 partidos consecutivos ganados, y otros equipos empezaron a adoptar el mismo modelo.
Al igual que el deporte, estas tecnologías se están usando en muchos otros campos. Un área en la que muestra resultados interesantes es en la lucha contra la violencia doméstica (VD). La VD es un desafío al nivel regional y mundial. Según la Organización Mundial de Salud (OMS) el promedio de la población femenina afectada en América Latina y el Caribe (ALC) es de 30%. Cada día en ALC son asesinadas 12 mujeres solo por el hecho de pertenecer al “género equivocado”. Aproximadamente la mitad de los incidentes de VD ocurre en hogares en presencia de niños menores de 12 años. La VD representa una carga psicológica traumática no solamente para la víctima pero también para sus hijos y se transmite a futuras generaciones.
En los últimos 25 años, los departamentos de policía han avanzado en la reducción del crimen en la calle, pero la violencia doméstica sigue siendo alta. Aunque todavía existe un debate sobre las razones por la cuales bajaron los índices del crimen en las calles, muchos piensan que la disponibilidad de los datos y plataformas tecnológicas de información han jugado un papel importante en identificar los “Hot Spots” o puntos calientes del crimen, focalizando los recursos y la atención policial a éstas áreas.
Por estas razones, la lucha contra la violencia doméstica, que típicamente sucede detrás de puertas cerradas, ha sido difícil. Los departamentos de policía y los servicios sociales han desarrollado otras intervenciones estratégicas tales como líneas telefónicas de emergencia, detención obligatoria y alarmas comunitarias. Sin embargo, estas medidas son más reactivas que proactivas, y tienen resultados mixtos en reducir violencia doméstica.
En un mundo de escasos recursos, ¿cómo puede la policía direccionar los recursos limitados para luchar contra la violencia de la forma más eficiente? Se debería de prestar mayor atención a las lecciones derivadas del control policial predictivo – y de la película Money Ball – para establecer una estrategia basada en datos e invertir los recursos en los casos de VD más riesgosos. Pero identificar estos casos no es una tarea fácil. Mientras muchas víctimas se encuentran bajo un cierto riesgo, solamente pocas quedan expuestas a un riesgo mayor. Identificar a estas víctimas es como encontrar una aguja en un pajar.
Pero un grupo de investigadores está haciendo precisamente eso. Ellos han empezado a utilizar el aprendizaje de máquinas aplicado a problemas sociales tales como la violencia doméstica. Implementado en el Silicon Valley por gigantes como Google y Facebook, el aprendizaje de máquinas o “machine learning” es una tecnología estadística que identifica tendencias detalladas en conjuntos de datos masivos o “Big Data”. Estas tendencias a veces son muy sutiles y por ende difíciles para el ser humano de identificar.
Regresando a nuestra analogía con la película “Money Ball”, para seleccionar a los jugadores, primero se debe “alimentar” y entrenar la máquina para saber cuáles son los atributos a identificar. Lo mismo se implementa en el caso de “pronosticar” la violencia doméstica. La máquina es alimentada e instruida con datos que han sido asociados con mayor riesgo de violencia doméstica, como edad, casos de VD anteriores, código postal, o posesión de armas. En ambos casos, la máquina utiliza un algoritmo que determina cuales descripciones o individuales son fuertemente asociados con el resultado.
La evidencia muestra que este análisis puede generar valiosa información para la toma de decisiones. En algunos casos, los algoritmos generan conclusiones que serían casi imposibles de generar por seres humanos —particularmente en los casos de lesiones o intentos de lesionar. Según el Crime Lab de la Universidad de Chicago, al computar millones de expedientes policiales las máquinas pueden aprender a “entender” los datos y asistir en la toma de decisiones que identifican las personas con riesgo más alto de ser víctima de violencia doméstica y así asignar los escasos recursos a precisamente estos casos de alto riesgo. La gran promesa de las máquinas que aprenden es que los gobiernos pueden salvar vidas con costos reducidos – simplemente aplicando un proceso más inteligente y mejorando la asignación de los recursos. En comparación con otros métodos de análisis, el aprendizaje de máquinas tiene las siguientes ventajas:
- Alcance. Se pueden aprender más características de un conjunto de datos de lo que sería posible con las ciencias sociales tradicionales, o por las computaciones humanas.
- Interpretación. Se puede comprender y analizar información como el texto de un informe policial, lo que no sería posible de analizar con otros métodos.
- Validación. Se utiliza validación cruzada para evitar un sobreajuste de los datos disponibles — es decir evitar construir un modelo demasiado complejo que funcionaría bien con el conjunto de datos seleccionados, pero no necesariamente en el mundo real.
No basta con predecir el crimen. Las policías y los servicios sociales deben tener la capacidad de responder y atender a los casos más riesgosos. Algunos departamentos de policía están utilizando estrategias en las que el gobierno se acerca más a las (potenciales) víctimas. Generalmente, el policía o el proveedor de los servicios sociales intenta establecer una relación con la persona en riesgo o la víctima para darle apoyo y monitorear su seguridad. Esta estrategia es prometedora, pero como se pueden imaginar, solo puede ser implementada con un número muy limitado de casos.
Sabemos que identificar a las personas más indicadas para cualquier intervención es clave para maximizar su costo-beneficio. En el caso de VD, es aún más importante ya que puede significar salvar una vida. Muchas industrias, incluyendo el comercio y los deportes, han ganado al apalancar el aprendizaje de máquinas – como fue el caso en la película Money Ball. Ahora es tiempo de empezar a usar estas tecnologías para reducir la violencia, particularmente cuando ocurre a puertas cerradas.
Fotos: Wikipedia Fair Use
Flickr CC – QWERTY.
