Cómo crear reglas simples para decisiones complejas

Reconociendo las limitaciones que los gerentes e ingenieros enfrentan en el mundo real, se ha desarrollado un proceso de tres simples pasos para crear rúbricas que mejoren las decisiones de sí o no. Conózcalo en este artículo.

TIEMPO DE LECTURA

texto alt

¿Cómo se calcula?

Descarga este Artículo

Actualmente las máquinas ya pueden derrotar a los humanos en tareas complejas que parecen diseñadas para las fortalezas de la mente humana. Sin embargo, para muchas decisiones de gran importancia que son candidatas naturales para el razonamiento automático, como el diagnóstico de los pacientes por parte de los médicos y la definición de fianzas por parte de los jueces, los expertos suelen favorecer la experiencia e intuición, por encima de la información y las estadísticas. Esta reticencia a adoptar métodos estadísticos formales tiene sentido: los sistemas de aprendizaje de las máquinas son difíciles de diseñar, aplicar y entender. Sin embargo, rehuirle a los avances en inteligencia artificial puede ser costoso.

Reconociendo las limitaciones que los gerentes e ingenieros enfrentan en el mundo real, desarrollamos un proceso de tres simples pasos para crear rúbricas que mejoren las decisiones de sí o no.

Para ver estas reglas en acción, considere las decisiones de liberación antes del juicio. Cuando los acusados aparecen por primera vez en la corte, los jueces evalúan la probabilidad de que estos dejen de presentarse a las siguientes citas. Aquellos considerados de bajo riesgo son liberados en la comunidad, mientras que los de alto riesgo son detenidos en la cárcel. Para ayudar a los jueces a tomar estas decisiones, calculamos el “riesgo de escape” de cada acusado, al sumar las calificaciones que corresponden a su edad y el número de citas judiciales a las que no asistieron. A continuación, se aplica un umbral de riesgo para convertir la calificación a una recomendación binaria de liberar o detener.

A pesar de su simplicidad, esta regla supera significativamente a los tomadores de decisiones humanos. Analizamos más de 100,000 decisiones de liberación previa al juicio en una de las más grandes ciudades de los Estados Unidos. Seguir nuestra regla le permitiría los jueces en esa jurisdicción reducir a la mitad el número de acusados retenidos en la cárcel, sin un incremento apreciable en cuanto al número de los que no se presenten subsecuentemente a la corte.

Para crear estas simples reglas, usamos una estrategia de tres pasos a la que llamamos “selección- retroceso-redondeo”. He aquí cómo funciona.

  1. SELECCIONE algunos de los principales indicadores del resultado en cuestión -por ejemplo, usando la edad y el número de citas judiciales omitidas por un acusado, para evaluar el riesgo de escape. Los factores que usamos para las decisiones previas al juicio son indicadores bien conocidos de este riesgo; sin dicho conocimiento del entorno, uno puede crear la lista de factores usando métodos estadísticos estándar.
  2. Usando información histórica, RETROCEDA el resultado (no acudir a la corte) con base en los predicadores seleccionados (edad y número de inasistencias a citas judiciales). Este paso puede realizarse con sólo una línea de código en el software estadístico moderno.
  3. El resultado del paso anterior es un modelo que le asigna complicados pesos numéricos a cada factor. Dichos pesos son excesivamente precisos para muchas aplicaciones de toma de decisiones, así que los redondeamos para producir calificaciones en números enteros.

Nuestra estrategia de selección-retroceso-redondeo, brinda reglas de decisión que son simples. Algo igualmente importante, el método para construir las reglas es simple en sí mismo. La receta de tres pasos puede ser aplicada por un analista con entrenamiento limitado en estadísticas, usando software gratuitamente disponible.

Reglas simples, y nuestra simple estrategia para crearlas, le llevan a las masas el poder del aprendizaje de las máquinas.

“Nuestra estrategia de selección-retroceso-redondeo, brinda reglas de decisión que son simples. Algo igualmente importante, el método para construir las reglas es simple en sí mismo”.

“La receta de tres pasos puede ser aplicada por un analista con entrenamiento limitado en estadísticas, usando software gratuitamente disponible”.

“Reglas simples, y nuestra simple estrategia para crearlas, le llevan a las masas el poder del aprendizaje de las máquinas”.

Reconociendo las limitaciones que los gerentes e ingenieros enfrentan en el mundo real, desarrollamos un proceso de tres simples pasos para crear rúbricas que mejoren las decisiones de sí o no. Para crear estas simples reglas, usamos una estrategia de tres pasos a la que llamamos “selección- retroceso-redondeo”. He aquí cómo funciona.

  1. SELECCIONE algunos de los principales indicadores del resultado en cuestión
  2. Usando información histórica, RETROCEDA el resultado (no acudir a la corte) con base en los predicadores seleccionados (edad y número de inasistencias a citas judiciales). Este paso puede realizarse con sólo una línea de código en el software estadístico moderno.
  3. El resultado del paso anterior es un modelo que le asigna complicados pesos numéricos a cada factor. Dichos pesos son excesivamente precisos para muchas aplicaciones de toma de decisiones, así que los redondeamos para producir calificaciones en números enteros.

© 2017Harvard Business School Publishing Corp.

De: hbr.org

Distribuido por: The New York Times Syndicate.

Creating Simple Rules for Complex Decisions

Machines can now beat humans at complex tasks that seem tailored to the strengths of the human mind. Yet for many high-stakes decisions that are natural candidates for automated reasoning, like doctors diagnosing patients and judges setting bail, experts often favor experience and intuition over data and statistics. This reluctance to adopt formal statistical methods makes sense: Machine learning systems are difficult to design, apply and understand. But eschewing advances in artificial intelligence can be costly.

Recognizing the real-world constraints that managers and engineers face, we developed a simple three-step procedure for creating rubrics that improve yes-or-no decisions.

To see these rules in action, consider pretrial release decisions. When defendants first appear in court, judges assess their likelihood of skipping subsequent court dates. Those deemed low risk are released back into the community, while high-risk defendants are detained in jail. To aid judges in making these decisions, we computed each defendant’s “flight risk” by summing scores corresponding to their age and number of court dates missed. A risk threshold is then applied to convert the score to a binary release-or-detain recommendation.

Despite its simplicity, this rule significantly outperforms expert human decision makers. We analyzed over 100,000 judicial pretrial release decisions in one of the largest cities in the U.S. Following our rule would allow judges in this jurisdiction to detain half as many defendants without appreciably increasing the number who fail to appear at court.

To create these simple rules, we used a three-step strategy that we call “select-regress-round.” Here’s how it works.

1. SELECT a few leading indicators of the outcome in question — for example, using a defendant’s age and number of court dates missed to assess flight risk. The two factors we used for pretrial decisions are well-known indicators of flight risk; without such domain knowledge, one can create the list of factors using standard statistical methods.

2. Using historical data, REGRESS the outcome (skipping court) on the selected predictors (age and number of court dates missed). This step can be carried out in one line of code with modern statistical software.

3. The output of the above step is a model that assigns complicated numerical weights to each factor. Such weights are overly precise for many decision-making applications, and so we ROUND the weights to produce integer scores.

Our select-regress-round strategy yields decision rules that are simple. Equally important, the method for constructing the rules is itself simple. The three-step recipe can be followed by an analyst with limited training in statistics, using freely available software.

Simple rules, and our simple strategy for creating them, bring the power of machine learning to the masses.

¿Qué te ha parecido?

Si encontró algún error gramatical en este artículo, por favor notifíquelo a nuestros editores seleccionando el texto y presionando:“Ctrl + Enter”.