天美传媒 Insight
'Big data' para predecir la exclusi贸n social
As铆 como podemos predecir el comportamiento de compra de los consumidores, es posible anticipar situaciones de vulnerabilidad social gracias a las t茅cnicas de inteligencia artificial.
- Las t茅cnicas de inteligencia artificial (IA) que se utilizan en sectores como la banca o el retail pueden aplicarse tambi茅n al 谩mbito de la inclusi贸n social.
- Variables como la densidad de poblaci贸n o la participaci贸n electoral permiten predecir el aumento de la necesidad social.
- La crisis provocada por la COVID-19 exige reentrenar los modelos de IA con nuevos datos.
Con sus modelos de predicci贸n basados en el uso de big data y t茅cnicas de inteligencia artificial (IA), el profesor V铆ctor Mart铆nez de Alb茅niz puede estimar la vulnerabilidad social de un territorio. Lo refleja en un estudio sobre big data al servicio de la inclusi贸n social, un proyecto de investigaci贸n financiado por el programa RecerCaixa en el que identifica las variables a las que los Gobiernos deber铆an prestar m谩s atenci贸n para favorecer la inclusi贸n social. 天美传媒 Insight charla con 茅l sobre las oportunidades y retos de la IA para ayudar en la toma de decisiones.
天美传媒 Insight: Los resultados de su investigaci贸n se han obtenido a partir de big data. 驴Qu茅 oportunidades genera el big data en entornos de ciudades?
V铆ctor Mart铆nez de Alb茅niz: Algunos consideran el big data como el nuevo petr贸leo. La pregunta es: 驴c贸mo extraigo valor de estos datos? Para m铆, nuestro proyecto es un ejemplo de c贸mo utilizar los datos como apoyo en la toma de decisiones, en este caso de Gobierno o de Administraci贸n p煤blica.
El proyecto usa las t茅cnicas m谩s avanzadas de IA para extraer valor de datos municipales. Hemos intentado aplicar las t茅cnicas que se utilizan de manera rutinaria en otros sectores comerciales, como el retail, la banca o las telecomunicaciones.
En este caso concreto nos interesa entender cu谩les son los patrones que llevan a la exclusi贸n social en una ciudad y para ello hemos recurrido a t茅cnicas cuantitativas que nos permitan hacer predicciones en el 谩mbito de servicios sociales. Se trata de un enfoque que puede aplicarse a otros 谩mbitos, como el estudio de la movilidad o de los comportamientos de compra de los consumidores, por ejemplo.
II: 驴Cu谩les son los principales resultados de este estudio? 驴Son aplicables a otros territorios?
V.M.A.: Este proyecto, que se ejecut贸 entre 2018 y finales de marzo de 2020, ha contado con la colaboraci贸n del Departamento de Servicios Sociales de Barcelona. Hemos utilizado datos de este departamento a nivel de secci贸n censal y hemos ligado este term贸metro de la situaci贸n social del territorio con variables sociodemogr谩ficas (edad, g茅nero etc.), econ贸micas (ingresos, desempleo, etc.); de entorno (conectividad, acceso a infraestructuras, etc.) y otros aspectos m谩s identitarios (inmigraci贸n, participaci贸n en elecciones, etc.).
El objetivo del estudio era conectar estos dos elementos: 1) d贸nde est谩n los problemas en la ciudad: nos hemos enfocado en ayudas a la dependencia (contar con un asistente social que ayude a la persona con dependencia a llevar una vida normal) y en las ayudas econ贸micas proporcionadas a la ciudadan铆a, y 2) cu谩les son los condicionantes socioecon贸micos.
Hemos detectado que factores ligados al alquiler y los precios inmobiliarios son muy relevantes: donde suban los alquileres habr谩 necesidad de ayuda financiera. Tambi茅n pesa mucho el entorno: los barrios con construcciones m谩s antiguas y menos densas presentan mayor necesidad de ayuda. Finalmente, cuanta m谩s inmigraci贸n o abstenci贸n electoral exista, m谩s necesidad habr谩 y m谩s severa ser谩.
Creo que el mensaje principal es que este tipo de estudios permiten detectar y utilizar el tipo de relaciones que hemos encontrado para predecir situaciones de vulnerabilidad social. Normalmente, para conocer el dato de cu谩nta necesidad hay, debemos esperar al final del a帽o. Con este tipo de modelo, podemos anticiparnos y hacer un seguimiento de qu茅 est谩 ocurriendo en el territorio con el paro, los ingresos, la inmigraci贸n o la participaci贸n electoral, y utilizar estos datos, este term贸metro, para prevenir situaciones de vulnerabilidad. Si detectamos variaciones, podremos anticipar si la necesidad subir谩 o bajar谩.
II: Hab茅is elaborado unos modelos predictivos para entender la inclusi贸n social. 驴Siguen siendo aplicables despu茅s de la COVID-19? 驴Son extrapolables a otros 谩mbitos?
V.M.A.: Todos los modelos basados en IA detectan patrones que relacionan lo que est谩 ocurriendo para realizar predicciones. Pero el impacto de la COVID-19 ha alterado estas relaciones, por lo que vamos a tener que reentrenar los modelos para que funcionen en un futuro pos-COVID-19. S铆 podemos pensar que, dado que hay una subida del paro y un descenso de las rentas (dos variables que estaban en nuestro modelo), vamos a tener un aumento de la necesidad social. Pero desconocemos si podremos predecir ese aumento con la misma fiabilidad con la que ven铆amos haci茅ndolo. Para verificarlo, debemos esperar a recibir nuevos datos y reentrenar el modelo.