Armas de Destrucción Matemática: Un Análisis Profundo
Como Ada Lovelace, Cathy O’Neil es matemática. Y, como la de la campaña de Hillary Clinton, la historia que O’Neil relata en Armas de destrucción matemática es la de un desencanto.
Como confiesa en la introducción, O’Neil era desde pequeña la típica nerd de las matemáticas a la que le gustaba factorizar los números de las matrículas de los coches, sobre todo si eran números primos. Andando el tiempo, esta pasión derivó en un doctorado en Matemáticas en Harvard, primero, y en un trabajo como analista cuantitativa en la empresa D. E.
El Desencanto en el Mundo de las Finanzas
El desamor se nos narra en el segundo capítulo del libro. O’Neil comenzó a trabajar en D. E. Shaw poco antes de la crisis de 2008. Y fue entonces cuando comprendió «la horrible verdad» (p. 48). En aquella época, una de las principales actividades de los bancos de inversión consistía en la compra y titulización diaria de miles de hipotecas.
Los títulos con garantía hipotecaria eran, nos dice O’Neil, una forma idónea para el fraude masivo. Como las salchichas, los títulos con garantía hipotecaria son productos formados a partir de pequeños trozos de calidades muy distintas. Como el mundo descubriría años más tarde del derrumbe de las Bolsas de 2008, las empresas financieras e hipotecarias ganaron miles de millones de dólares concediendo hipotecas a gente que no podía pagarlas.
Pero siendo esto malo, dice O’Neil, no fue lo peor. Lo peor fue que en todas esas empresas había matemáticos desarrollando modelos que eran empleados como meras cortinas de humo para trasladar una imagen de seriedad y confianza al consumidor. Modelos que, sin embargo, sólo perseguían la rentabilidad a corto plazo de la empresa. Modelos que eran en realidad auténticas «armas de destrucción matemática».
Lea también: ¿Por qué mi bebé no duerme bien?
¿Qué es un Modelo?
Pero, ¿qué es un modelo? Como explica Dani Rodrik en Economics Rules, una forma sencilla de describir los modelos es diciendo que son como fábulas. Esto es, pequeñas historias habitadas por unos pocos personajes cuyo comportamiento e interacción nos permiten obtener una lección (moraleja) que los científicos sociales suelen emplear porque 1) nos permiten refinar nuestras intuiciones; 2) nos permiten acumular conocimiento; y 3) nos permiten generar conocimiento sobre la base de estándares de conocimiento compartidos.
Tal y como mostró Michael Lewis en su más que recomendable Moneyball -su no menos excelente Deshaciendo errores fue reseñado en estas mismas páginas no hace mucho-, la estadística puede cambiar la comprensión que tenemos de un fenómeno, incluso si se trata de algo tan estudiado como el béisbol. El mensaje central de O’Neil es que «moneyball» es la cara más amable de un fenómeno cuyo envés son los modelos que actúan como armas de destrucción matemática.
Ejemplo Práctico: El Caso de Washington D.C.
Como hace a lo largo de todo el libro, O’Neil ilustra el significado de la expresión «armas de destrucción matemática» con el que titula el libro mediante un ejemplo. En 2007, el recién elegido alcalde de Washington estaba decidido a mejorar el rendimiento de las escuelas más disfuncionales de la ciudad. La teoría más extendida por entonces era que los malos resultados de los alumnos del distrito escolar de Washington se debían fundamentalmente al bajo rendimiento de los profesores.
Una de las profesoras despedidas como consecuencia de la implantación de esa herramienta de evaluación del personal docente fue Sarah Wysocki, una profesora de la que tanto la dirección del centro como los padres de los alumnos tenían una excelente opinión. ¿Cómo podía ser que una profesora tan buena obtuviera unos resultados tan malos?
Opacidad, Escala y Desigualdad: Las Características Clave
Aquí entra en escena el primero de los tres rasgos distintivos con los que O’Neil caracteriza las armas de destrucción matemática: la opacidad. Cuando Wysocki se interesó por las razones de sus pésimas calificaciones, lo que le dijeron fue que la respuesta era muy complicada. Ahora bien, que el programa por el que despidieron a Wysocki se basara en un modelo que funcionaba como una caja negra cuasiinescrutable no impidió que el distrito de Washington despidiera a más de doscientos profesores en total.
Lea también: La trayectoria musical de Nena Daconte
Aquí damos con la segunda característica de las armas de destrucción matemática: su escala. Como decíamos, la magnitud. Un fenómeno, ya sea una dieta o el batir de las alas de una mariposa, puede ser perfectamente inocuo a escala reducida, pero muy dañino cuando aumentamos su dimensión.
News & World Report, una revista que por entonces atravesaba dificultades económicas, decidió evaluar mil ochocientas facultades y universidades de Estados Unidos y clasificarlas en función de lo buenas o malas que fueran. Pues bien, al establecerse como ranking oficioso para todo el sistema universitario estadounidense, esto ha provocado un efecto de «carrera armamentística» por el que, con el objetivo de ascender peldaños en el ranking, las universidades ahora sólo buscan mejorar aquellos aspectos -como las citas académicas, por ejemplo- que están siendo empleados por el algoritmo.
Uno de los aspectos no incluidos es el precio de las matrículas, lo que ha provocado que las universidades privadas sean cada vez más caras y destinen la recaudación a mejoras que les permitan continuar ascendiendo escalones en el ranking, aunque sea a expensas de ahogar a los estudiantes en deudas.
De acuerdo con O’Neil, la tercera y última propiedad de éstas es que no sólo provocan daños, sino que éstos tienden a concentrarse desproporcionadamente en los sectores más vulnerables de la población: dicho de otra forma, que la distribución de los daños es poco equitativa.
El Caso de Reading, Pensilvania: Predicción del Delito y Pobreza
Pensemos, nos propone O’Neil, en el caso de Reading, una pequeña ciudad de Pensilvania. Debido al descenso de la recaudación fiscal motivada por la crisis financiera de 2008, el jefe de policía de Reading tuvo que apañárselas para garantizar la misma seguridad con menos efectivos. Así las cosas, decidió comprar un software de predicción de delitos llamado PredPol, que emplea datos históricos para determinar dónde es más probable que se cometa el próximo delito.
Lea también: ¿Menos movimientos fetales en la semana 38?
Si los agentes patrullan las zonas del mapa de la ciudad señaladas por PredPol, el efecto disuasión asociado a la labor de policía debería provocar una disminución del número de delitos. Los programas del tipo de PredPol tienen una cosa buena: son completamente ciegos a la raza, el sexo y los orígenes étnicos. De hecho, funcionan siguiendo la lógica de los seísmos. Estudian los delitos cometidos en diferentes zonas de la ciudad, los integran en un patrón histórico y realizan una predicción acerca de dónde y cuándo es más probable que ocurra el siguiente (si roban en la casa del vecino de al lado, es más que conveniente que cierres bien la tuya). No se centran en las personas, sino que analizan los patrones geográficos de la delincuencia.
Y es que, por desgracia, los puntos «calientes» que traza PredPol en las pantallas suelen dibujar, en la mayoría de las ciudades, un mapa preciso de la pobreza. Si lo pensamos, tiene sentido. Las personas pobres y sin hogar suelen mear siempre en la misma calle, dormir siempre en el mismo banco y esparcir sus escasas pertenencias en el mismo parque, por lo que cometerán pequeñas pero frecuentes infracciones del orden público (casi) siempre en la misma zona geográfica. Cuantos más policías enviemos a esas zonas, más delitos prevendremos. Pero, ¿cuántos agentes debemos dedicar a multar a gente que mea en la calle porque no tiene una casa donde hacerlo?
Virtudes y Problemas del Análisis de O'Neil
Como ocurre con PredPol, el libro de O’Neil tiene una gran virtud y un gran problema. La virtud es que, en su doble condición de experta académica y empleada de un fondo de inversión, O’Neil ofrece un mapa completo y bien documentado de las tendencias y los peligros que se esconden en el lado oscuro de esa industria que no para de crecer que es el big data.
tags: #hay #poco #tiempo #entre #la #cuna