Aprovechar la inteligencia artificial: Uso de macrodatos para mejorar la toma de decisiones

El FIDA es la única institución multilateral de desarrollo centrada exclusivamente en la transformación de las economías rurales y los sistemas alimentarios para hacerlos más inclusivos, productivos, resilientes y sostenibles. A fin de contribuir a la iniciativa del FIDA Innovation Challenge (desafío de innovación), recientemente dirigimos un estudio en el que se analizaron las posibilidades que ofrecía la inteligencia artificial para promover estos esfuerzos de la organización fomentando una mayor toma de decisiones basada en datos. En concreto, se examinó el modo en que la ciencia de los datos podía ayudarnos a reforzar los mecanismos aplicados para lograr un diseño de proyectos exitoso, y a centrar mejor nuestra atención en los resultados. De aplicarse plenamente, esta metodología podría ayudar a impulsar la posición del FIDA como líder en la medición y atribución del impacto en el desarrollo en pro del logro de los Objetivos de Desarrollo Sostenible (ODS).

En términos generales, la inteligencia artificial utiliza computadoras para automatizar procesos de toma de decisiones. El aprendizaje automático, uno de los numerosos enfoques y aplicaciones de la inteligencia artificial, ofrece una serie de métodos que hacen que las computadoras reconozcan patrones en los datos y luego utilicen esos patrones para hacer predicciones. Esta modalidad de creación de conocimientos de vanguardia depende de “macrodatos”, grandes volúmenes de datos que son demasiado complejos para los métodos de procesamiento tradicionales, pero que pueden ser combinados y analizados por algoritmos de aprendizaje automático.

A fin de aprovechar el potencial que esto ofrece, un equipo multidisciplinario de economistas, científicos de datos y especialistas en ciencias sociales emplearon recientemente técnicas de aprendizaje automático para extraer información de toda la cartera de inversiones del FIDA, que abarca proyectos realizados entre 1981 y 2019. Los resultados han sido muy alentadores.

El proyecto tenía tres objetivos principales:

1. Usar el aprendizaje automático para obtener un panorama general de la distribución y los resultados de nuestras inversiones por medio de la clasificación de nuestra cartera histórica, que abarca casi 40 años de ejecución de proyectos.
2. Extraer pruebas del impacto de algunas inversiones clave a fin de mejorar y acelerar nuestra gestión de los conocimientos, así como para perfeccionar las evaluaciones del impacto de los proyectos respaldados por el FIDA en esferas poco evaluadas.
3. Examinar el método del análisis predictivo para elaborar algoritmos que apoyen el ciclo de los proyectos.

Como primer paso, se reunió una masa crítica de datos estructurados (entre ellos, datos financieros y de las evaluaciones del impacto a nivel de los hogares) y no estructurados (por ejemplo, texto extraído de la documentación de los proyectos). Luego, el equipo aplicó un enfoque analítico que conjugaba diferentes métodos, utilizando la exploración de texto, el procesamiento del lenguaje natural, exámenes sistemáticos, el metanálisis y análisis predictivos, para combinar ambos tipos de datos y hallar patrones.

Por ejemplo, la exploración de texto realizada en más de 2 000 documentos relativos a los proyectos permitió determinar que, con el tiempo, los proyectos han presentado cada vez más información sobre los temas transversales del FIDA (el cambio climático, el género, la juventud y la nutrición), lo que indica que las intervenciones se han centrado cada vez más en tratar esos temas. Asimismo, se realizó una exploración de términos clave relativos a los ODS en los textos, a partir de lo cual se determinó que había aumentado la presencia de contenido relacionado con los 17 ODS en los documentos de los proyectos, y que el ODS 2 (hambre cero) había sido el Objetivo abordado con mayor frecuencia.

Además, en colaboración con la Universidad Cornell, empleamos un modelo avanzado de aprendizaje automático diseñado específicamente para el ámbito de la agricultura a fin de examinar los informes de los proyectos. El modelo permitió detectar cuáles eran las principales categorías de intervenciones realizadas en el marco de los proyectos, los tipos de actividades incluidas en esas intervenciones y los resultados previstos más frecuentes. En general, se detectaron 2 200 actividades diferentes en toda la documentación de los proyectos. Las intervenciones socioeconómicas representaban el 37 % del conjunto de datos, y, en el marco de esas intervenciones, las actividades sobre las que se informaba con mayor frecuencia eran las relacionadas con la financiación y los Gobiernos. Las intervenciones relacionadas con la tecnología se ubicaban en el siguiente lugar por muy poca diferencia (36 %) y abarcaban, principalmente, actividades centradas en los cultivos y el riego.

Por último, el tercer paso del proyecto consistió en integrar las pruebas generadas por medio del aprendizaje automático a fin de elaborar modelos que pudieran predecir los resultados y el éxito de los proyectos. El análisis predictivo incluye diversas técnicas estadísticas tomadas del aprendizaje automático, la exploración de datos y la elaboración de modelos predictivos para examinar datos actuales e históricos y hacer predicciones sobre tendencias o resultados futuros. Su finalidad es emplear información generada automáticamente para orientar debates y exámenes críticos, en vez de considerarlos datos “absolutos” para aplicarlos a un marco de adopción de decisiones.

En este caso, procuramos diseñar algoritmos para apoyar el ciclo de los proyectos por medio de predicciones ex ante respecto de los resultados y la probabilidad de que las políticas de desarrollo generen efectos positivos, dado un conjunto específico de características relativas a la cartera y los beneficiarios. Para ello, el equipo del proyecto elaboró dos modelos de predicción principales. El primer modelo, de predicción a nivel de proyecto, se concibió para determinar características positivas de los resultados de la cartera que sirvieran de indicador de los proyectos con probabilidades de tener éxito. El equipo elaboró el segundo modelo, de predicción a nivel de hogar, para orientar la definición de los hogares destinatarios que se efectúa durante el diseño de los proyectos determinando qué características relativas a los beneficiarios y a los proyectos favorecen un impacto positivo.

Hasta ahora, el proyecto de inteligencia artificial del FIDA ha elaborado un panorama general de los tipos de inversiones y sus resultados; ha iniciado dos análisis sistemáticos para documentar las consecuencias de algunas intervenciones clave, y ha generado modelos que pueden predecir resultados futuros a nivel de proyecto, así como la probabilidad de lograr efectos positivos, en función de ciertas características de la definición de los destinatarios y relativas a los proyectos.

Esta oportunidad de probar tecnologías innovadoras de gestión de los conocimientos ha abierto la posibilidad de que el FIDA las incorpore en su labor diaria facilitando la aplicación de un enfoque integrado y basado en el aprendizaje automático para analizar la documentación de los proyectos y predecir el impacto. El hecho de contar con un panorama exhaustivo de nuestra cartera nos permitirá disponer de la información necesaria para lograr nuestro objetivo estratégico de realizar una menor cantidad de inversiones pero de mayor magnitud y más específicas, de una manera que duplique nuestro impacto y nuestra sostenibilidad en los países en los que ejecutamos proyectos. Lo que es más importante, nos demuestra que el aprendizaje automático y otros enfoques de la inteligencia artificial permiten utilizar datos existentes para explorar nuevas cuestiones y obtener los conocimientos adicionales que se necesitan para centrar mejor la atención en los resultados, reforzar los mecanismos orientados a lograr un diseño de proyectos exitoso y para mejorar la medición y atribución del impacto. Y, a su vez, las inversiones que generan un mayor impacto contribuirán con mayor firmeza al logro de los ODS.

¿Cuáles serán los próximos pasos? Perfeccionar los algoritmos y realizar una validación cruzada de los modelos y resultados utilizando diferentes conjuntos de macrodatos. ¡Manténgase informado para conocer las novedades!

El informe se puede consultar aquí.

 

Para obtener más información, comuníquese con la directora del proyecto, Alessandra Garbero, Economista Superior de la División de Investigación y Evaluación del Impacto (RIA).

Fecha de publicación: 03 junio 2020