Crear reglas simples para decisiones complejas

Las máquinas ahora pueden derrotar a los humanos en tareas complejas que parecen adaptadas a los puntos fuertes de la mente humana, como el póker, el juego de Go y el reconocimiento visual. Sin embargo, para muchas decisiones de alto riesgo que son candidatas naturales para el razonamiento automático, como los médicos que diagnostican a los pacientes y los jueces que fijan la libertad bajo fianza, los expertos suelen preferir la experiencia y la intuición antes que los datos y las estadísticas. Esta renuencia a adoptar métodos estadísticos formales tiene sentido: los sistemas de aprendizaje automático son difíciles de diseñar, aplicar y entender. Pero evitar los avances en la inteligencia artificial puede resultar caro.

Reconociendo las limitaciones del mundo real a las que se enfrentan los gerentes e ingenieros, desarrollamos un procedimiento sencillo de tres pasos por crear rúbricas que mejoren las decisiones de sí o no. Estas rúbricas pueden ayudar a los jueces a decidir a quién detener, a los auditores fiscales a quién analizar y a los gerentes de contratación a quién entrevistar. Nuestro enfoque ofrece a los profesionales el rendimiento del aprendizaje automático de última generación y, al mismo tiempo, elimina la complejidad innecesaria.

Centro de información

• La era de la IA

  Patrocinado por Accenture

  Cómo afectará a los negocios, la industria y la sociedad.

**Para ver estas normas en vigor, tenga en cuenta las decisiones de libertad previa al juicio. Cuando los acusados comparezcan por primera vez ante el tribunal, los jueces deben evaluar su probabilidad de saltarse las siguientes citas ante el tribunal. Las personas consideradas de bajo riesgo son puestas en libertad de nuevo en la comunidad, mientras que los acusados de alto riesgo permanecen en la cárcel; por lo tanto, estas decisiones tienen consecuencias tanto para los acusados como para el público en general. Para ayudar a los jueces a tomar estas decisiones, utilizamos nuestro procedimiento para crear la siguiente tabla de riesgos sencilla. El riesgo de fuga de cada acusado se calcula sumando las puntuaciones correspondientes a su edad y al número de citas judiciales faltadas. A continuación, se aplica un umbral de riesgo para convertir la puntuación en una recomendación binaria de liberación o detención. Por ejemplo, con un umbral de riesgo de 10, un acusado de 35 años que no haya comparecido ante el tribunal obtendría un ocho (dos por edad más seis por faltar a una cita judicial anterior) y se le recomendaría su puesta en libertad.
**

A pesar de su sencillez, esta regla supera con creces a los expertos en la toma de decisiones humanas. Analizamos más de 100 000 decisiones judiciales de libertad preventiva en una de las ciudades más grandes del país. Seguir nuestra norma permitiría a los jueces de esta jurisdicción detener a la mitad de los acusados sin aumentar apreciablemente el número de personas que no comparecen ante el tribunal. ¿Cómo es posible? Las decisiones judiciales sin ayuda solo están relacionadas débilmente con el nivel objetivo de riesgo de fuga del acusado. Además, los jueces aplican normas idiosincrásicas: algunos ponen en libertad al 90% de los acusados y otros solo al 50%. Como resultado, muchos acusados de alto riesgo quedan en libertad y muchos de bajo riesgo están detenidos. Seguir nuestra rúbrica garantizaría que los acusados reciban el mismo trato y que solo detengan a los acusados con mayor riesgo, lo que mejoraría al mismo tiempo la eficacia y la equidad de las decisiones.

Las reglas de decisión de este tipo son rápidas, ya que las decisiones se pueden tomar rápidamente, sin un ordenador; frugales, porque solo requieren información limitada para tomar una decisión; y claras, porque exponen los motivos por los que se toman las decisiones. Las normas que cumplen estos criterios tienen muchos beneficios, tanto en el contexto judicial como fuera de él. Por ejemplo, es probable que las reglas que se memorizan fácilmente se adopten y se usen de forma coherente. En medicina, las normas frugales pueden reducir las pruebas necesarias, lo que puede ahorrar tiempo, dinero y, en el caso de situaciones de clasificación, vidas. Y la claridad de las reglas simples genera confianza al revelar cómo se toman las decisiones e indicar dónde se pueden mejorar. La claridad puede incluso convertirse en requisito legal cuando la sociedad exige equidad y transparencia.

Play

Play

00:00

Play

Seek 10 seconds backwards

Seek 10 seconds forward

00:00 / 00:00

Mute

Settings

Picture in picture

Fullscreen

.video-summary-list-container { height: 100%; } .video-summary-list-container .MuiScopedCssBaseline-root { height: 100%; }

Summary & chapters

Read as overview

.chapters-list-module_intro__74vPf { padding: 16px; border-bottom: 1px solid rgba(255, 255, 255, 0.2); } .chapters-list-module_chapter__uKhQh { padding: 0 16px 16px 8px; border-bottom: 1px solid rgba(255, 255, 255, 0.2); .MuiPaper-root .MuiButtonBase-root .MuiAccordionSummary-content { margin-top: 16px; margin-bottom: 0; } .MuiPaper-root .MuiCollapse-root .MuiCollapse-wrapper .MuiAccordionDetails-root { padding-bottom: 0; } } .chapters-list-module_chapter-header__Pu4Xi { width: 100%; margin-right: 8px; } .chapters-list-module_chapter-header-content__JIOjX { flex-grow: 1; padding: 8px; border-radius: 8px; cursor: pointer; } .chapters-list-module_chapter-header-content__JIOjX:hover { background-color: rgba(0, 0, 0, .2); } .chapters-list-module_chapter-header-expand-icon__tLLZ9 { margin-top: 16px; } .chapters-list-module_chapter-header-text__bPoKD { font-size: 11px; font-weight: 400; letter-spacing: 1px; text-transform: uppercase; } .chapters-list-module_chapter-bullet-icon__kCL9n { font-size: 11px; font-weight: 400; letter-spacing: 1px; text-transform: uppercase; } .chapters-list-module_chapter-intro__H-iVR { display: flex; align-items: center; gap: 8px; margin-bottom: 2px; } .chapters-list-module_chapter-description__ziIpd { margin: 0 -16px 0 -8px; } .chapters-list-module_intro-text__Sqgju { } .chapters-list-module_chapter-description__ziIpd, .chapters-list-module_intro-text__Sqgju { font-size: 16px !important; white-space: pre-wrap; }

No cabe duda de que las reglas simples tienen sus ventajas, pero cabe preguntarse si favorecer la sencillez significa sacrificar el rendimiento. En muchos casos, la respuesta, sorprendentemente, es no. Comparamos nuestras reglas simples con algoritmos complejos de aprendizaje automático. En el caso de las decisiones judiciales, la tabla de riesgos anterior tuvo un rendimiento casi idéntico al de las mejores técnicas estadísticas de evaluación de riesgos. Al replicar nuestro análisis en 22 dominios diferentes, descubrimos que este fenómeno es válido: las reglas de decisión simples y transparentes suelen funcionar a la par con los métodos de aprendizaje automático complejos y opacos.

Para crear estas reglas simples, utilizamos una estrategia de tres pasos, detallado aquí, que llamamos seleccionar una ronda de regresión. Así es como funciona.

1. Seleccione algunos de los principales indicadores del resultado en cuestión, por ejemplo, utilizar la edad del acusado y el número de citas judiciales incumplidas para evaluar el riesgo de fuga. Nos parece que tener de dos a cinco indicadores funciona bien. Los dos factores que utilizamos para las decisiones previas al juicio son indicadores bien conocidos del riesgo de fuga; sin ese conocimiento del dominio, se puede crear la lista de factores mediante métodos estadísticos estándar (por ejemplo, la selección gradual de funciones).
2. Utilizando datos históricos, regresión el resultado (saltarse el tribunal) de los predictores seleccionados (edad y número de citas sin audiencia). Este paso se puede realizar en una línea de código con un software estadístico moderno.
3. El resultado del paso anterior es un modelo que asigna ponderaciones numéricas complicadas a cada factor. Estas ponderaciones son demasiado precisas para muchas aplicaciones de toma de decisiones, por lo que redondo las ponderaciones para producir puntuaciones de números enteros.

Nuestra estrategia de ronda de regresión selectiva arroja reglas de decisión que son simples. Es igualmente importante que el método de creación de las reglas es simple en sí mismo. La receta de los tres pasos la puede seguir un analista con una formación limitada en estadística, utilizando un software disponible de forma gratuita.

Las reglas de decisión estadística funcionan mejor cuando los objetivos están claramente definidos y cuando hay datos disponibles sobre los resultados pasados y sus principales indicadores. Cuando se cumplen estos criterios, las decisiones con información estadística suelen superar la experiencia y la intuición de los expertos. Las reglas simples y nuestra sencilla estrategia para crearlas llevan el poder del aprendizaje automático a las masas.