Machine Learning, ¿cómo transformará la inteligencia artificial a la economía aplicada?

"El interés por la inteligencia artificial aumenta cada día y los economistas no pueden quedarse atrás. En ese sentido, el Machine Learning es uno de los instrumentos predilectos en la nueva caja de herramientas económicas. El presente texto expone algunas definiciones útiles para tener en cuenta no solo sobre el machine learning, sino también sobre la noción de modelos económicos y econométricos bajo los cuales se enmarca. Asimismo, analiza las debilidades y fortalezas de este novedoso método, así como sus posibles aplicaciones. Finalmente, realiza algunas reflexiones sobre el cambio y la forma en la que se realizan los estudios económicos."

Autor: Gerardo Saavedra

Editor: Diana Paita

“Dentro de cien años, nuestra ingeniería podrá parecer tan arcaica como las técnicas utilizadas por los constructores de catedrales medievales para los ingenieros civiles de hoy, mientras que nuestra artesanía seguirá siendo honrada”.

- Andrew Hunt, The Pragmatic Programmer

La frase inicial fue extraída de un libro orientado a temas en ciencias de la computación: un ambiente altamente dinámico y tornadizo. Sin embargo, no debería cometerse el error de pensar en el cambio acelerado como algo exclusivo de estas disciplinas. En efecto, este es un atributo típico del progreso: la creación de nuevos métodos y la obsolescencia de otros. Un claro ejemplo de ello es el ahora famoso ChatGPT. Este ha sacado a relucir la inteligencia artificial y la está volviendo un tema candente (ver Gráfico 1). No obstante, estos cambios acelerados que permiten el desarrollo de nuevas técnicas pueden generar que cada día más personas, en diversas áreas de estudio, se interesen por hallar aplicaciones para estos nuevos instrumentos. Análogamente, este asunto despierta preocupación en otros grupos que temen ser desplazados. Ante este contexto, vale la pena reflexionar sobre la siguiente cuestión: ¿Los economistas están abrazando estos avances con la rapidez y entusiasmo adecuado?

Gráfico 1. Índice de interés por el término "Inteligencia Artificial" durante los últimos cinco años

Antes de proceder a explicar el tema central del artículo, resulta preciso que las personas nuevas o aquellas poco familiarizadas al mundo de la economía entiendan mejor cómo se producen los trabajos en este campo de estudios. En primer lugar, cabe enfatizar que los economistas emplean diversas herramientas durante su análisis. Uno de los instrumentos más comunes son los modelos económicos. Estos consisten en ecuaciones matemáticas en las cuales cada una de las variables cuenta con un significado. Estas son, naturalmente, simplificaciones de la realidad que, si bien cuentan con limitaciones, permiten incorporar rectitud científica y mitigan los posibles sesgos del investigador. En segundo lugar, estos modelos económicos requieren ser estimados, es decir, requieren ser aterrizados a la realidad con cifras concretas. Esto se logra mediante la Econometría, que consiste en el uso de conocimiento estadístico para la obtención de información empírica. Es en este último campo donde el machine learning cobra especial relevancia. Luego de haber realizado las precisiones correspondientes, se pasará a desarrollar la cuestión planteada.

Inicialmente se puede mencionar que la definición de machine learning podría estar enlazada a conceptos ajenos a la ciencia económica (como computer science o inteligencia artificial, entre otros); sin embargo, se usará una definición que facilite su comparación con el enfoque econométrico tradicional; por tanto, es mejor entenderlo de la siguiente manera:

Definición 1. Machine learning

"El machine learning es un campo que desarrolla algoritmos diseñados para ser aplicados a conjuntos de datos, siendo las principales áreas de enfoque la predicción (regresión), la clasificación y las tareas de agrupamiento."

Athey, 2018

Después de haber delimitado la definición, se pasará a explicar las fortalezas, así como las debilidades del machine learning en su adopción para el estudio económico.

Por el lado de las fortalezas, tenemos dos aspectos: la predicción y la clasificación. En el caso de la predicción, el uso de algoritmos permite que la computadora experimente incluso millones de veces (una actividad imposible de realizar manualmente) con modelos que combinan de distintas formas a las variables hasta encontrar aquel que cuente con mayor poder de predicción. Así, el investigador puede ser más acertado con sus pronósticos y, por ejemplo, determinar con alta precisión cuál será el salario de un individuo o qué tan probable podría ser la ocurrencia de un evento como la cancelación de un servicio de suscripción por parte de un usuario, entre otros. Igualmente, estos algoritmos tienen otra cualidad, como sobreponerse a una limitación usual en economía: pueden lograr la estimación de buenos modelos a pesar tener una muestra pequeña de observaciones (es decir, cuando hay poca información disponible), siempre que necesiten emplearse muchas variables explicativas. En síntesis, el machine learning posibilita a los economistas escoger el mejor modelo teniendo como criterio de selección a la información de la muestra. El segundo aspecto que se va a analizar es el caso de la clasificación. Una parte de los trabajos que realizan los economistas se orienta al diseño adecuado de proyectos de políticas públicas. La parte inherente de esto consiste en lograr la óptima identificación de la población objetivo de la intervención. Quizás la idea se explique mejor con algunos casos de estudio. El Banco Mundial identificó los siguientes proyectos donde la clasificación gracias al machine learning se vuelve crucial (McKenzie, 2018): predecir dónde podría materializarse un evento de inseguridad alimentaria y brindar apoyo, usar registros de llamadas móviles para identificar nuevos y pequeños negocios a los que se les podría ofrecer crédito, o figurar dónde hay tasas bajas en escolaridad de niñas para que una ONG expanda su programa en esa dirección. Sin embargo, los gobiernos aún no consideran dichos trabajos como veredictos, de modo que, como se detallará en la sección siguiente, el método podría considerarse "opaco" y los policy makers quizá requieran resultados más convincentes (McKenzie, 2018).

Por el lado de las debilidades, si bien se ha mencionado que existen ganancias en el poder de predicción, existen dos problemas fundamentales. Por un lado, el modelo final al concluir las iteraciones podría ser demasiado elaborado y por ello menos interpretable. De este modo, dependiendo del objetivo, puede ser mejor estimar un modelo con pocas variables y por ello fácil de interpretar en comparación con uno complejo donde la relación entre las variables no es muy clara. Por otro lado, el modelo final podría no ser accionable, en el sentido de que posiblemente emplee variables que no están asociadas en una relación de "causa y efecto". En consecuencia, esto podría ser insuficiente para guiarnos en la creación de políticas públicas donde importa mucho medir cómo una intervención afecta al grupo que la recibe (imagínese un programa de entrenamiento profesional dirigido a población desfavorecida). Estos factores en conjunto son un tema de debate y algunos economistas se muestran reticentes o respaldan que el machine learning es una herramienta con mayor utilidad cuando "los detalles no importan demasiado"(Angrist, 2022).

En síntesis, la inteligencia artificial promete transformar la forma en la que se elaboran los estudios de Economía. No obstante, dicho privilegio no es exclusivo del machine learning, pues también existen otros enfoques no tradicionales igual de potentes y sofisticados. De este modo, campos como el big data [conjuntos grandes de información de alta velocidad, volumen y variedad (De Mauro et al., 2016) así como métodos para el manejo de estas bases pesadas], prometen ser igual de revolucionarios. En agregado, estas son nuevas formas de abordar problemas y la posibilidad de expandir las fronteras de la economía.

De forma paradójica, si hay algo inmutable es precisamente "el cambio". Esta no sería la primera vez que la economía experimenta fuertes transformaciones en sus métodos. Más aún, la historia muestra que poco a poco la economía fue migrando desde un análisis originario cualitativo hacia uno mucho más matemático y estadístico. Así, el machine learning es sencillamente una de las siguientes incorporaciones en la evolución de los estudios en Economía y, en ninguna circunstancia, debería pensarse que se tratará del último. Retomando la frase inicial, vale recalcar que la posible disrupción del machine learning en ninguna circunstancia resta mérito a aquellos profesionales que durante tantos años han conservado su rigor científico y condujeron a la academia hacia terreno fértil.

Referencias

Athey, S. (2018). The impact of machine learning on economics. En The economics of artificial intelligence: An agenda (pp. 507-547). University of Chicago Press. https://www.nber.org/system/files/chapters/c14009/c14009.pdf

Delua, J. (2021, Mayo 12). Supervised vs. Unsupervised Learning: What’s the Difference?. IBM Blogs. https://www.ibm.com/cloud/blog/supervised-vs-unsupervised-learning

De Mauro, A., Greco, M. and Grimaldi, M. (2016). A formal definition of Big Data based on its essential features. Library Review, Vol. 65 No. 3, pp. 122-135. https://doi.org/10.1108/LR-06-2015-0061

Marginal Revolution University. (2022, Mayo 10). How Will Machine Learning Impact Economics? (Guido Imbens, Josh Angrist, Isaiah Andrews) [video]. YouTube. https://www.youtube.com/watch?v=kM8B2X8pdNA

McKenzie, D. (2018, Marzo 5). How can machine learning and artificial intelligence be used in development interventions and impact evaluations?. World Bank Blogs. https://blogs.worldbank.org/impactevaluations/how-can-machine-learning-and-artificial-intelligence-be-used-development-interventions-and-impact

Stanford Graduate School of Business (2021, Agosto 3). Machine Learning and Economics: An Introduction [Video]. YouTube.https://www.youtube.com/watch?v=Z0ZcsxI-HTs