Fecha: 10 de junio de 2024
Participantes:
- Wilson Perez
- Fernando Martin
- Alejandro Galvis
- Juan Fernandez Sastre
- Ernesto Serrano
- Francisco Mogollón
- Victor Morales
- Jorge Falcón
El taller persiguió el objetivo analizar los mecanismos relacionados con el big data y los algoritmos de inteligencia artificial para definir patrones y modelos predictivos que pueden impulsar estrategias para el desarrollo socioeconómico. También se buscaba dar una propuesta de cómo puede contribuir al diseño y evaluación de políticas y estrategias de desarrollo.
Todo ello con el objetivo de actualizar el pensum de la Maestría en Economía del Desarrollo del Departamento de Economía, Ambiente y Territorio para incluir aspectos metodológicos relacionados con el big data y la inteligencia artificial.
Los tópicos tratados en el taller fueron los siguientes:
Big data
- Causalidad e interpretabilidad, incluso en machine learning. Las materias de nuestra maestría deberían incluir aspecto relacionados con la recopilación de grandes datos no estructurados relacionados con el comportamiento humano y las interrelaciones entre los agentes económicos.
- Se planteó utilizar el enfoque de causalidad de Judea Pearl y Dana Mackenzie (2018) en su libro “THE BOOK OF WHY: THE NEW SCIENCE OF CAUSE AND EFFECT” y uso de grafos dirigidos (DAGs). Los DAGs son herramientas gráficas que representan relaciones causales entre variables. Cada nodo en el grafo representa una variable económica, y las flechas indican la dirección de la influencia causal. Por ejemplo, en el curso de microeconomía podríamos tener nodos de productores y consumidores en un mercado de bienes y servicios, o en el curso de crecimiento económico, podríamos tener nodos para la inversión, la educación o la tecnología. Las flechas indicarían cómo estas variables se influyen mutuamente.
- Un segundo aspecto del enfoque de Pearl y Mackenzie (2018) es el “potencial de resultados” al considerar que cada unidad tiene múltiples resultados potenciales según las diferentes condiciones. Por ejemplo, si estamos evaluando el impacto de una política de educación en el crecimiento económico, el PO nos permite comparar el resultado con y sin la política. Por tanto el PO podría ser utilizado en lugar de metodologías de evaluación de impacto. Además se evitarían los problemas estadísticos habituales de los análisis empíricos tradicionales.
Fuentes de Datos
- Existen datos disponibles en Ecuador para realizar estos estudios: INEC, Dinardap, NASA, SIN.
- Pero también hay tareas pendientes que podríamos desarrollar: crear bases de datos relacionadas, estructuradas; no duplicar tareas de recopilación, formateo y limpieza; recolectar meta datos, por expertos en cada área (incluyendo publicaciones hechas con el análisis de esos datos, reflexiones sobre posible problemas o potenciales usos).
Requisitos de Formación
Necesidad de fortalecer los siguientes elementos:
- Base de matemática computacional
- Teoría de probabilidades
- Lenguajes de programación
- Analítica de datos
Inteligencia Artificial
- En Docencia se podrían incluir técnicas de IA para analizar big data. Se podrían explicar algoritmos de aprendizaje automático para predecir tendencias económicas, identificar patrones y tomar decisiones. La IA podría mejorar la precisión de las predicciones económicas, como el crecimiento del PIB, la inflación o el desempleo.
- Introducir a los estudiantes a modelos econométricos basados en IA, como redes neuronales, máquinas de soporte vectorial o árboles de decisión. Mostrar cómo estos modelos pueden superar las limitaciones de los métodos tradicionales y mejorar la precisión de las estimaciones.
- Enseñar a los estudiantes a utilizar algoritmos de optimización para diseñar políticas económicas más eficientes. Por ejemplo, pueden explorar cómo ajustar las tasas de interés o los impuestos para maximizar el bienestar social. Analizar casos de estudio donde la IA ha influido en la toma de decisiones económicas a nivel gubernamental o empresarial.
- Desarrollar simulaciones basadas en IA para modelar escenarios económicos complejos. Los estudiantes pueden explorar cómo diferentes variables afectan el crecimiento económico, el comercio internacional o la inversión. Fomentar la creatividad al diseñar simulaciones que aborden problemas económicos específicos.
- Usar las herramientas de IA para procesamiento de la literatura para los trabajos de investigación (Tree of Science, Bibliometrix de R para importar e interpretar bases de datos de Web of Science o Scopus.
- Discutir los aspectos éticos de la IA en el contexto económico. ¿Cómo se deben equilibrar los beneficios económicos con la privacidad de los datos y la equidad? Analizar casos de sesgos en algoritmos y cómo afectan las decisiones económicas.
- Asignar proyectos donde los estudiantes apliquen técnicas de IA a problemas económicos reales. Por ejemplo, pueden predecir el impacto de una política comercial o analizar el comportamiento del mercado.
A partir de este seminario-taller se ha logrado:
- Introducir cambios en la malla de la Maestría de Economía del Desarrollo (https://www.flacso.edu.ec/maestrias/economia_del_desarrollo)
- Inclusión de herramientas computacionales en el propedéutico: Mathemathica de Wolfram y Python
- Modificación del curso de formación general de Matemáticas por el de Matemática computacional, con Mathemathica de Wolfram y Python
- Modificación del curso de Macroeconomía para incluir simulaciones de modelos teóricos y análisis empíricos usando Mathemathica de Wolfram, Python, R.
- Inclusión de dos cursos optativos relacionados con el big data: Analítica de datos y Big Data y Analítica de datos y aprendizaje automático
- Organización de cursos de formación continua: Python, R, Machine Learning
- Además, estamos trabajando en una propuesta de especialización “Ciencia de Datos para Análisis Social y Económico”, con un fuerte contenido metodológico que incluye el tratamiento de grandes datos y la inteligencia artificial
- Existe un grupo de economistas que estamos trabajado en este tema (Machine Learning eco, grupo de Whatsapp)