La revista Science ha publicado un especial sobre la ciencia de predecir, gracias a las capacidades de los algoritmos machine learning.
Una serie de ensayos publicados en la revista Science profundizan en las capacidades predictivas que hoy tiene la ciencia. La clave está en los algoritmos de inteligencia artificial, particularmente los que atañen al campo del machine learning. Estos permiten aprender de los datos que se les introducen, para crear nueva información, es decir, anticiparse. El comportamiento humano, los fenómenos sociales o las políticas públicas son algunos de los temas que se tratan.
El comportamiento humano
El primer ensayo del especial de Science es sobre el comportamiento humano. Algunas investigaciones ya han tenido éxito con esta tarea en algunas ocasiones. Pero el trabajo no está exento de dificultad. La habilidad de clasificar puntos de interés en una base de datos es uno de los aspectos clave para poder entrenar a los algoritmos.
Entre las recomendaciones que los autores del ensayo apuntan para la siguiente generación de predicciones sobre el comportamiento humano está la de conocer por qué las previsiones no se cumplen. Es fácil explicarlas cuando se cumplen, pero las explicaciones tienen que darse también cuando no se acierta.
El ensayo cita algunos retos para realizar este tipo de predicciones. No es cierto que cuanto mayor cantidad de datos haya mejor será la predicción, porque hay mucha información intrascendente. La capacidad de lidiar con este ruido es necesaria para los algoritmos, pero si se puede evitar llenar las bases de datos de esta información, mucho mejor. Aunque el mayor reto quizá sea que el comportamiento humano está constantemente cambiando. Así que los autores del ensayo señalan que es necesario crear un modelo que sepa cuándo va a variar el comportamiento humano, e incluso en qué momento el propio modelo puede fallar.
Explicación de sistemas sociales
Las ciencias sociales se han caracterizado desde siempre por hacer análisis a posteriori de lo que ha ocurrido. Un movimiento social con empujo o unos disturbios en una ciudad solo se estudian cuando ya han ocurrido. Es entonces cuando se exponen las causas, tras examinar cuidadosamente todos los hechos.
En el especial de Science se apunta que ahora los algoritmos de machine learning pueden hacerlo a la inversa. Sería posible predecir movimientos sociales, en lugar de explicarlos. Pero para esto hay que establecer ciertas pautas. Una de ellas es est andarizar los modelos predictivos , para que sea más sencillo compartir conocimiento. La siguiente es poner límites a las predicciones , pues hay un componente que nunca se puede prever con total seguridad. Se trata del comportamiento humano, que siempre dejará un margen para el error. La tercera recomendación es que las predicciones y las interpretaciones convencionales se complementen. Así ambos modelos se enriquecen y suman elementos para ganar precisión.
Las competiciones como instrumento para definir políticas públicas
Otro de los ensayos publicados hace referencia a las competiciones donde varios participantes luchan por hacer la mejor predicción. El artículo cita un concurso organizado por la agencia estadounidense Intelligence Advanced Research Projects Activity en 2011. Aquí a los participantes se les encargó ha cer predicciones sobre cuestiones geopolíticas para los próximos años.
Los autores del ensayo señalan que las predicciones tenían un gran valor, más incluso que las hechas por analistas gubernamentales. La clave está en que las de estos últimos siempre indican que si se toma una decisión podría ocurrir cierta eventualidad. En las competiciones hay que mojarse y no existe una presión tan intensa ante la posibilidad de equivocarse. De ahí que estas competiciones puedan servir de base para definir políticas públicas.
Decisiones políticas informadas
El ensayo de Susan Athley se centra en la toma de decisiones políticas y en cómo las predicciones podrían aportar mayor información. Los modelos predictivos de machine learning ya se utilizan en el sector de justicia criminal, en el campo económico, a nivel de aplicaciones urbanas o en el sector salud. Pero el reto es separar la inferencia casual de la predicción ajustada.
Es importante saber cuándo las predicciones funcionan porque estas pueden descubrir qué efectos tendrán ciertas decisiones sobre la sociedad. Contar con este factor de anticipación resulta clave a la hora de tomar un determinado camino o hacer una previsión de recursos.
Predecir la propia ciencia
Uno de los ensayos más interesantes trata una vertiente particular de las predicciones. ¿Y si pudiéramos predecir los descubrimientos científicos? Aaron Clauset es el autor de este artículo donde pone sobre la mesa formas de prever cuándo se producirán descubrimientos.
Esto puede ayudar a varios esfuerzos, como el de los divulgadores o las entidades que financian proyectos de investigación. Para lograr hacer predicciones de este tipo hay que tener en cuenta descubrimientos del pasado, las personas involucradas en un proyecto, así como el número de descubrimientos que suele hacer un científico a lo largo de su carrera.
Los conflictos armados
Si pudiéramos predecir los conflictos armados la previsión de recursos, así como las medidas a tomar serían más efectivas. Y se puede, así lo afirman en otro de los ensayos del especial de Science. Pero el artículo señala que existe una gran controversia en este campo. Hay mucho en juego como para dejar lugar a imprecisiones.
El ensayo ofrece algunas recomendaciones para mejorar las predicciones sobre los conflictos armados. Uno de ellos es la transparencia , a la hora de comunicar los resultados y la metodología. Además los modelos se tienen que enriquecer con otras predicciones para no caer en rutinas o repeticiones.
Imágenes: Overpass Light Brigade, h d c, IFP RI-IMAGES
