El machine learning es una aplicación de IA que puede mejorar al gobierno. ¿Se ha preguntado cómo es que su servicio de video en streaming logra hacerle sugerencias cada vez más acertadas? ¿O cómo es que su teléfono inteligente reconoce su rostro para desbloquearse? ¿Por qué las páginas por las que navega en Internet tienen anuncios publicitarios que le interesan específicamente? La respuesta para estas acciones en apariencia tan disímbolas es la misma: machine learning, una rama de la inteligencia artificial.
Aunque no existe una definición universal del machine learning, también llamado aprendizaje automático o aprendizaje de las máquinas, se puede decir que es un proceso basado en conjuntos de algoritmos y modelos estadísticos para efectuar el análisis de los datos que recibe e inferir patrones que le permiten realizar determinadas tareas o tomar ciertas decisiones sin recibir instrucciones específicas para ello.
Conforme desempeña más tareas, la precisión de las respuestas de los algoritmos aumenta. Por el volumen de datos requeridos para entrenar adecuadamente a un algoritmo, resultan ideales para explorar el big data y extraer información valiosa de él. Existen diversos tipos de algoritmos (de aprendizaje supervisado o no supervisado, por ejemplo) y varios modelos para implementarlos (como redes neuronales o máquinas de soporte de vectores, entre otros); de aquellos que interactúan directamente con las personas se puede decir que mientras más información reciben de los usuarios, mejor los conocen, hasta un punto que parece de ciencia ficción: algunos de ellos pueden, inclusive, detectar el estado de ánimo o las emociones.
Machine learning e IA en el gobierno: casos prácticos
En el campo del gobierno hay múltiples vertientes en las que el machine learning puede ser de gran utilidad. Un ejemplo se encuentra en la prevención de baches. Para lograrlo, el gobierno de la ciudad de Kansas (Missouri) utiliza las cámaras de tránsito para alimentar un algoritmo que extrae información sobre el volumen del tráfico en puntos específicos y lo combina con datos provenientes de otras fuentes, como la antigüedad del pavimento, el clima, los accidentes de tráfico y el mantenimiento de la carpeta asfáltica para determinar dónde se abrirá un bache antes de que empiece siquiera a formarse. Esta anticipación no sólo permite a las autoridades evitar los agujeros en las calles, sino que gracias a la planeación puedan darle mantenimiento al doble de calles que antes.
El Instituto Colombiano de Bienestar Familiar (una dependencia del gobierno colombiano similar al DIF mexicano) utiliza herramientas de machine learning e IA para distribuir con mayor eficiencia raciones de alimentos y complementos dietéticos a casi 40,000 niños desnutridos. Apoyados por IBM, desarrollaron un modelo de análisis predictivos para focalizar con precisión cuánta ayuda se necesitaba y con qué frecuencia debía llegar a puntos específicos.
El departamento de bomberos de la ciudad de Atlanta, asesorado por investigadores del Instituto de Tecnología de Georgia, la Universidad Emory y la Universidad de California (Irvine), desarrollo un programa de machine learning para identificar los edificios con mayor riesgo de sufrir un incendio. Denominado Firebird, el programa de IA toma en cuenta datos de 58 variables históricas que incluyen información como la ubicación del predio, los incendios sufridos, el tamaño y tipo de estructura de cada edificio y su año de construcción. Enfocado originalmente en calcular los riesgos para 5,000 construcciones, Firebird logró una precisión del 73% al predecir en cuáles edificios se desatarían los siguientes incendios.
