Entradas
Actualmente las máquinas ya pueden derrotar a los humanos en tareas complejas que parecen diseñadas para las fortalezas de la mente humana. Sin embargo, para muchas decisiones de gran importancia que son candidatas naturales para el razonamiento automático, como el diagnóstico de los pacientes por parte de los médicos y la definición de fianzas por parte de los jueces, los expertos suelen favorecer la experiencia e intuición, por encima de la información y las estadísticas. Esta reticencia a adoptar métodos estadísticos formales tiene sentido: los sistemas de aprendizaje de las máquinas son difíciles de diseñar, aplicar y entender. Sin embargo, rehuirle a los avances en inteligencia artificial puede ser costoso.
Reconociendo las limitaciones que los gerentes e ingenieros enfrentan en el mundo real, desarrollamos un proceso de tres simples pasos para crear rúbricas que mejoren las decisiones de sí o no.
Para ver estas reglas en acción, considere las decisiones de liberación antes del juicio. Cuando los acusados aparecen por primera vez en la corte, los jueces evalúan la probabilidad de que estos dejen de presentarse a las siguientes citas. Aquellos considerados de bajo riesgo son liberados en la comunidad, mientras que los de alto riesgo son detenidos en la cárcel. Para ayudar a los jueces a tomar estas decisiones, calculamos el “riesgo de escape” de cada acusado, al sumar las calificaciones que corresponden a su edad y el número de citas judiciales a las que no asistieron. A continuación, se aplica un umbral de riesgo para convertir la calificación a una recomendación binaria de liberar o detener.
A pesar de su simplicidad, esta regla supera significativamente a los tomadores de decisiones humanos. Analizamos más de 100,000 decisiones de liberación previa al juicio en una de las más grandes ciudades de los Estados Unidos. Seguir nuestra regla le permitiría los jueces en esa jurisdicción reducir a la mitad el número de acusados retenidos en la cárcel, sin un incremento apreciable en cuanto al número de los que no se presenten subsecuentemente a la corte.
Para crear estas simples reglas, usamos una estrategia de tres pasos a la que llamamos “selección- retroceso-redondeo”. He aquí cómo funciona.
- SELECCIONE algunos de los principales indicadores del resultado en cuestión -por ejemplo, usando la edad y el número de citas judiciales omitidas por un acusado, para evaluar el riesgo de escape. Los factores que usamos para las decisiones previas al juicio son indicadores bien conocidos de este riesgo; sin dicho conocimiento del entorno, uno puede crear la lista de factores usando métodos estadísticos estándar.
- Usando información histórica, RETROCEDA el resultado (no acudir a la corte) con base en los predicadores seleccionados (edad y número de inasistencias a citas judiciales). Este paso puede realizarse con sólo una línea de código en el software estadístico moderno.
- El resultado del paso anterior es un modelo que le asigna complicados pesos numéricos a cada factor. Dichos pesos son excesivamente precisos para muchas aplicaciones de toma de decisiones, así que los redondeamos para producir calificaciones en números enteros.
Nuestra estrategia de selección-retroceso-redondeo, brinda reglas de decisión que son simples. Algo igualmente importante, el método para construir las reglas es simple en sí mismo. La receta de tres pasos puede ser aplicada por un analista con entrenamiento limitado en estadísticas, usando software gratuitamente disponible.
Reglas simples, y nuestra simple estrategia para crearlas, le llevan a las masas el poder del aprendizaje de las máquinas.
revista mercado
