En el complejo panorama de la lucha contra la corrupción, el machine learning emerge como una herramienta poderosa con un gran potencial para detectar y prevenir actos ilícitos. Esta rama de la inteligencia artificial se asemeja al aprendizaje humano, así lo describe el ingeniero en Ciencia de Datos y Matemáticas e integrante del equipo Sensor, Freddy Silva.

“Imagina que le enseñas a un niño a reconocer animales mostrándole imágenes de perros, gatos y caballos, con el tiempo, el niño aprenderá a identificar cada animal por sí solo, así funciona el Machine Learning, a partir de la exposición a una gran cantidad de datos los algoritmos son capaces de identificar patrones y anomalías que podrían indicar comportamiento de posible corrupción”, explica Silva.  

La clave del éxito de las herramientas que utilizan esta subárea de la programación, radica en la calidad y diversidad de los datos utilizados para entrenar el modelo. Como bien menciona Silva, comprender a fondo la naturaleza de los datos es crucial para interpretar correctamente los resultados. En el caso de Sensor, la información extraída de las plataformas CompraNet y SIGER, seleccionada por periodistas de investigación, proporciona una base sólida para el análisis.

“Como científico de datos, se tiene que llegar a entender no solamente el número, sino qué significa la variable y qué implicaciones puede tener en no solamente el aspecto del Machine Learning si no en este caso (Sensor), en el aspecto político”, dijo Silva. 

Un modelo de Machine Learning a la medida de Sensor

Para Sensor, se empleó un modelo no supervisado de Machine Learning entrenado e implementado por Freddy. Este modelo requiere de una estandarización previa de las variables para garantizar que los datos sean comparables y relevantes para el análisis. Es por eso que durante meses se intentó con distintos modelos y se hicieron pruebas con distintas variables, se limpió la base de datos y se enumeraron excepciones.

Los modelos de machine learning utilizados para Sensor son de clustering, es decir, que a partir de las similitudes o características de los datos se pueden agrupar y se generan clases, que en nuestro caso,  identifican la probabilidad de que exista posible corrupción y se clasificaron en tres: no probable, poco probable y muy probable de que se encuentren indicios de corrupción.   

El éxito de Sensor radica en la estrecha colaboración entre científicos de datos como Silva y periodistas especializados en investigación. Esta sinergia permite traducir los complejos resultados del machine learning a un lenguaje claro y comprensible para el público, amplificando su impacto en la lucha contra la corrupción.

“El machine learning se puede aplicar en todas las áreas que puedas imaginar, solo es cuestión de tener los datos para llegar a entrenar un modelo de IA adecuadamente”.

Un futuro prometedor en la lucha contra la corrupción

Freddy Silva reconoce que la implementación de esta técnica cada vez se está volviendo más común para la segmentación de clientes, predicción de ventas o medicina, cualquiera que sea el caso, es esencial tener un conocimiento extenso en álgebra lineal  y estadística.

“Los modelos de machine learning son cajas negras, pero lo que funciona detrás de una caja negra, son operaciones matemáticas muy complejas y para la parte técnica se tiene que saber programar en algunos lenguajes, específicamente los lenguajes más recomendados de programación para este tipo de actividades son los de Python los de R”, agregó.

El machine learning se presenta como una herramienta invaluable en la tarea de detección de corrupción. Su capacidad para analizar grandes cantidades de datos y detectar patrones ocultos ofrece un nuevo enfoque para dar a conocer al público posibles casos de irregularidades en los procesos de compra. A medida que la tecnología avanza y la comprensión del machine learning se profundiza, podemos esperar un futuro donde esta herramienta contribuya de manera significativa a la construcción de una sociedad más justa y transparente.