jueves,18 agosto 2022
Espacio euroiberoamericano de diálogo sobre la innovación social, profesional y académica
InicioOpiniónBlogsEl reinado democrático de Matemáticas y Algoritmos
Matemáticas mueven el mundo

El reinado democrático de Matemáticas y Algoritmos

Futurolandia
Las mentes matemáticas mueven el mundo, un interesante artículo de @GuillermoAbril publicado en El País (20/1/19) que me ha reenviado mi amigo Fernando Mayo, destaca el papel estratégico de las Matemáticas en el mundo actual y futuro. AFI acaba de publicar un informe sobre Impacto socioeconómico de la investigación y la tecnología matemáticas en España, valorando su elevado impacto en empleo y PIB.

Enla era de los algoritmos, la supercomputación y el big data, las matemáticas se han convertido en una de las disciplinas más prestigiosas y demandadas. En la Universidad, la carrera vive un auge sin precedentes y sus alumnos se han vuelto clave en todo tipo de sectores. Se les requiere en finanzas, en biomedicina, en la industria petrolífera. Este es un viaje desde las aulas hasta las salas de mercado de la banca de inversión para comprender cómo las conjeturas y teoremas están transformando el planeta. (https://elpais.com/elpais/2019/01/15/eps/1547557079_800501.html).

Algunos llegan a proponer "al centauro que forman el matemático con su ordenador como el espécimen más innovador que existe ahora mismo en la ciencia". Personalmente creo que sería un error de planteamiento poner estrechas vallas al amplio campo interdisciplinar y profesional de la comunicación científica y las aplicaciones de las matemáticas a las más diversas áreas. No es una carrera competitiva entre matemáticos, físicos, informáticos, ingenieros.

Ni siquiera entre los STEMs (Science, Technology, Engineering & Mathematics) y las áreas de aplicación en economía, administración de empresas, psicología, ciencias de la vida o de la tierra,…La matemática es un lenguaje universal y una poderosa herramienta de análisis que no tiene propietarios exclusivos y se potencia con un amplio trabajo en equipos interdisciplinarios.

Por eso no me gustan planteamientos "comerciales"excluyentes como el que se atribuye a un director de un Grado en Matemáticas e Ingeniería Informática: es más fácil contratar a un matemático y enseñarle economía que contratar a un economista y enseñarle matemática.

Hace años que me muevo en el accidentado terreno de mi profundo respeto por la enorme potencialidad de la matemática y la primacía del terreno en que se aplica. Cuantos más matemáticos, mejor. Pero también mejor cuanto más conozcan el campo de aplicación los profesionales implicados, sea cual fuere su formación académica inicial.  Reflexionemos sobre los límites de un reinado, que no deseamos absolutista, de la matemática.

Cinco reconocimientos iniciales que creo ayudan a un diagnóstico correcto. Primera: Las actividades profesionales no coinciden, en múltiples ocasiones, con la formación académica de partida. Como ejemplo,  ésta es la situación de muchos de los profesionales que ejercen actividades económicas y de gestión empresarial. En particular muchos asesores en el campo financiero no han cursado, formalmente, carreras completas de  Economía o ADE. La formación de por vida cada día da más posibilidades de adaptación de los curricula de partida.

Segunda: Es una entelequia el automatismo completo de las nuevas tecnologías, ajeno al campo de aplicación. Ni las bases de datos, ni las aplicaciones de Inteligencia Artificial y los automatismos del Machine Learning son ajenas a las peculiaridades del área en que se realizan. Ser especialista en una técnica no garantiza un uso adecuado en cualquier campo del saber.

Tercera: Con todas sus posibles limitaciones hay que partir de un reconocimiento de la digitalización en general y de las grandes bases de datos y nuevas técnicas de análisis automático como la  gran revolución y condicionantede estos tiempos, con un papel decisivo de los desarrollos matemáticos aplicados.

Cuarta: Aunque la innovación tecnológica afecta a todo tipo de campos y profesionales, su desarrollo y puesta en marcha exige una especialización que no es necesaria para los múltiples utilizadores de estos avances.Para conducir no es preciso ser especialista en motores.

Quinta: La confusión es inevitable en tiempos de rápido cambio, tanto más cuando confluyen distintos avances tecnológicos de una complejidad y especialización acusada. La ignorancia se puede esconder detrás de términos técnicosque se convierten en lugares comunes. Es probable encontrar visiones parciales, sesgadas por intereses profesionales y de comercialización de servicios.

Hace ya varios meses dediqué un post previo a estas cuestiones desde una perspectiva de la predicción económica y empresarial (https://www.antoniopulido.es/prediccion-automatica-inteligente/)  cuyos principales mensajes podría resumir en los siguientes puntos:

  1. Se consolida un campo interdisciplinar de  ciencia de los datos(data science)en que confluyen métodos, procesos y sistemas para extraer conocimiento de los datos disponibles (numéricos, cualitativos, imágenes, textos…)
  2. El automatismo de los algoritmos de Machine Learning tiene indudables ventajas en su utilización en los campos más diversos, al deducir estructuras de funcionamiento de los propios datos, sin necesidad de un "modelo" conceptual previo. Aunque no se disponga de un conocimiento sobre los condicionantes del fenómeno analizado, se puede predecir. La validación y análisis de resultados se añade al final del proceso.
  3. Por tanto, una predicción en que los datos mandan (grandes bases y elevada capacidad de tratamiento digital), permite funcionar incluso con una caja negra que facilita resultados (predicciones) aunque puedan desconocerse sus factores explicativos (las relaciones causales). A efectos de especialización del predictor, para algunas aplicaciones puede primar su formación en ciencia de los datos a la del campo de aplicación.
  4. Los que trabajamos en predicción económica y empresarial (igual puede ocurrir en otros campos) somos conscientes de la importancia de un conocimiento a priori sobre las interrelaciones claves que explican el comportamiento de las variables que se trata de predecir. Los datos sirven para confirmar o rechazar la selección previa de variables explicativas (sobre todo a medio y largo plazo) y, al final del proceso, para disponer de una estructura de comportamiento deducida del pasado pero aplicable al futuro.
  5. Sin embargo, también debemos ser conscientes de que la creciente complejidad de los comportamientos económicos hace que las estructuras de pasado cambien a futuro. Bienvenida sea toda técnica que aporte mayor flexibilidad en la interpretación de los mecanismos económicos y ayude a detectar los cambios de estructura y permita su rápido reajuste con la incorporación de nuevos datos.

Un artículo de S. Mullainatham y J.Spiess, Machine Learning: An Applied Econometric Approach,Journal of Economic Perspectives, v.31/n.2 2017) permite añadir tres nuevos matices:

  1.  Los algoritmos de ML van más allá de aplicar técnicas estadísticas a bases de datos nuevas y más     amplias; proporcionan nuevas herramientas y resuelven diferentes problemas por su habilidad para descubrir estructuras complejas que no se han especificado previamente. Una alternativa para algunos casos es "en lugar de establecer reglas previas, dejar a los datos que nos informen de qué reglas funcionan mejor"
  2. Aunque entre los algoritmos ML de predicción se incluye la regresión (base estadística de los modelos econométricos), la peculiaridad es que la atención se centra más en el resultado (muchas veces cualitativo) que en la estimación de los parámetros que marcan la importancia relativa de unas variables explicativas seleccionadas a priori.
  3. ML se centra en el uso no sólo de grandes bases de datos, sino también en datos de diferente naturaleza y no habitualmente utilizados (p.ej. imágenes, uso de móviles o redes sociales, textos on-line…) que pueden resultar especialmente útiles para cubrir carencias de información más precisa (proxys) o predicciones de carácter cualitativo, como clasificaciones o establecimiento de conglomerados (clustering).

La economía, en general, y el comportamiento de los mercados financieros, en particular, constituyen un terreno deseado de aplicación de nuevos desarrollos matemáticos, informáticos y del amplio campo de la digitalización. Dedicaré a ello un próximo post.

Antonio Pulido http://www.twitter.com/@PsrA

De interés

Artículos Relacionados

Centro de preferencias de privacidad