Figura 1:Las características derivadas de los indicadores luego se alimentan a un modelo que genera pronósticos junto con intervalos de confianza. Crédito:IBM
Los gobiernos de todo el mundo se reunieron en Marrakech el pasado mes de diciembre para ratificar un pacto para mejorar la cooperación en materia de migración internacional. Entre otros objetivos, El Pacto Mundial para las Migraciones busca utilizar "datos precisos y desglosados como base para políticas basadas en evidencia". ¿Cómo pueden las tecnologías de aprendizaje automático ayudar con problemas sociales profundamente polarizados como la migración?
A principios de 2018, con el apoyo de IBM Corporate Citizenship y el Ministerio de Relaciones Exteriores de Dinamarca, IBM y el Danish Refugee Council (DRC) se embarcaron en una asociación dirigida directamente a la necesidad de comprender mejor los impulsores de la migración y la orientación de políticas basada en evidencia para una variedad de partes interesadas. En el reciente discurso de apertura de THINK Copenhagen, el Secretario General de la República Democrática del Congo, Christian Friis Bach, presentó los primeros resultados de este esfuerzo.
Si podemos predecir los flujos migratorios y de refugiados, podemos prevenir y mejorar la protección de las personas en movimiento. Gran asociación con @IBM en modelado predictivo. ¡Primeros resultados presentados en # THINK2018CPH! pic.twitter.com/x1JDyI8s6L
- Christian Friis Bach (@christianfbach) 7 de noviembre de 2018
En esta publicación, Analizaré el desarrollo de un sistema de aprendizaje automático que proporciona pronósticos estratégicos de migración mixta junto con análisis de escenarios. La migración mixta se refiere a los movimientos transfronterizos de personas motivados por una multiplicidad de factores para desplazarse, incluidos los refugiados que huyen de la persecución y los conflictos, víctimas de trata, y personas que buscan mejores vidas y oportunidades. Tales poblaciones tienen una variedad de estatus legales, algunos de los cuales no se reflejan en las estadísticas oficiales del gobierno.
Comprender la dinámica y los impulsores de la migración es intrínsecamente complejo. Las circunstancias difieren de una persona a otra. La pregunta "¿por qué decidió mudarse?" no es fácil de responder para la gente. Sin embargo, en la medida en que las decisiones individuales reflejen factores sociales estructurales, la dinámica puede explicarse parcialmente mediante medidas agregadas. Por ejemplo, Se puede esperar que los impulsores económicos del movimiento estén relacionados con las oportunidades de empleo y, por lo tanto, con los indicadores macroeconómicos del empleo. Estos desafíos se ven agravados por la disponibilidad de datos y la cobertura de indicadores específicos.
El sistema de previsión
Comenzamos aprovechando el programa de monitoreo 4MI administrado por la República Democrática del Congo a través del cual se entrevista a miles de migrantes en movimiento. El análisis de los datos de la encuesta revela grupos de impulsores de la migración de alto nivel. Estos grupos iban desde la falta de derechos y otros servicios sociales, a la necesidad económica y al conflicto. Luego, estos impulsores se asignan a indicadores cuantitativos. Las características derivadas de estos indicadores se alimentan luego a un modelo que genera pronósticos junto con intervalos de confianza (Figura 1). Además, el sistema también genera contexto para cada predicción mostrando los impulsores específicos que contribuyeron al pronóstico.
Usando estos indicadores, Desarrollamos un modelo de conjunto para realizar pronósticos estratégicos anuales de flujos bilaterales en volúmenes de migración mixta anualmente. Nuestras evaluaciones muestran tasas de error de unos pocos miles de personas por año, incluso en países con condiciones volátiles. El sistema permite además el análisis de escenarios, donde los cambios relativos en los factores de influencia se pueden modelar para hacer predicciones ajustadas.
De tal análisis surgen interesantes dinámicas contraintuitivas. Por ejemplo, Las tasas de desempleo en Etiopía están por encima de la media en comparación con los países subsaharianos. Un gran número de etíopes viaja a Arabia Saudita por motivos de trabajo. Los aumentos en las tasas de empleo al mejor quinto de la región resultarán en una mayor migración al Reino Unido (aumento del dos por ciento), Suecia (aumento del dos por ciento) y Arabia Saudita (aumento del ocho por ciento). Esto refleja una mayor capacidad y medios de los etíopes para satisfacer sus aspiraciones en el extranjero. Si el desempleo aumenta a los peores niveles, el modelo predice un aumento de la migración a Sudáfrica (aumento del tres por ciento) y Arabia Saudita (aumento del cuatro por ciento), con los destinos de la UE en gran medida invariables a los aumentos del desempleo.
Figura 2:Matriz de correlación para todas las características consideradas en el modelo (sin efectos temporales). Crédito:IBM
Este análisis cuantitativo detallado no ha estado disponible anteriormente para las partes interesadas que necesitan formular respuestas políticas.
Inferencia causal
El sistema de pronóstico descrito anteriormente se basa puramente en datos, donde confiamos en el modelo para derivar relaciones entre todas las variables. Alternativamente, si buscamos aprovechar la experiencia en la materia e incluimos conocimientos específicos en el sistema, podríamos adoptar el enfoque de modelos gráficos probabilísticos.
En un taller celebrado en IBM Research - Irlanda, expertos en la materia del Centro Mixto de Migración en Ginebra y la República Democrática del Congo elaboraron la red "espagueti" que muestra cómo esperan que los grupos de indicadores estén vinculados causalmente. Usando esto como entrada, luego combinamos su opinión experta con los datos. Usamos una técnica llamada aprendizaje de estructuras para desarrollar dicha red.
Los pronósticos que utilizan estas redes no suelen funcionar tan bien como los enfoques basados exclusivamente en datos presentados anteriormente; sin embargo, sí ayudan en el análisis de escenarios y análisis de políticas.
¿Que sigue?
Figura 3:Red causal (izquierda) dibujada por expertos y red (derecha) aprendida en base a la opinión de expertos y evidencia basada en datos para toda el África subsahariana. Crédito:IBM
Estos son los primeros pasos hacia un futuro en el que los responsables de la formulación de políticas tengan acceso instantáneo a la evidencia cuando y donde sea necesario y donde las relaciones complejas se puedan explorar fácilmente para proporcionar más información que impulse una mejor política.
Por ahora, Seguimos mejorando el sistema y reuniendo comentarios de los usuarios con expertos en la materia dentro de la República Democrática del Congo. Tras una validación más detallada, buscaremos expandir el alcance geográfico y las capacidades de análisis de escenarios.
Esta historia se vuelve a publicar por cortesía de IBM Research. Lea la historia original aquí.