Aprendizaje Automático en acción para el sector humanitario

Los gobiernos de todo el mundo se reunieron en Marrakech, Marruecos en diciembre pasado para ratificar un pacto para mejorar la cooperación en materia de migración internacional. Entre otros objetivos, el Pacto Mundial para la Migración busca utilizar -“...datos precisos y desagregados como base para políticas basadas en evidencia”. ¿Cómo pueden las tecnologías de Aprendizaje Automático (Machine Learning o ML) ayudar a los problemas sociales profundamente polarizados, como la migración?

A principios de 2018, con el apoyo de la Ciudadanía Corporativa de IBM y el Ministerio Danés de Asuntos Exteriores, IBM y el Consejo Danés para los Refugiados (DRC por sus siglas en inglés) se embarcaron en una asociación dirigida directamente a la necesidad de comprender mejor los impulsores de la migración, así como la orientación de políticas basadas en evidencia para un rango de las partes interesadas. En el reciente discurso de THINK en Copenhagen, el Secretario General de la del Consejo Danés para los Refugiados, Christian Friis Bach, presentó los primeros resultados de este esfuerzo.

En esta publicación, recorreremos el desarrollo de un sistema de Aprendizaje Automático que proporciona pronósticos estratégicos de migración mixta, junto con el análisis de escenarios. La migración mixta se refiere a los movimientos trans-fronterizos de personas que están motivados por una multiplicidad de factores para migrar, incluidos los refugiados que huyen de la persecución y el conflicto, las víctimas de la trata y las personas que buscan mejores vidas y oportunidades. Estas poblaciones tienen una variedad de estados legales, algunos de los cuales no se reflejan en las estadísticas oficiales del gobierno.

Comprender la dinámica de la migración y los controladores, es intrínsecamente complejo. Las circunstancias difieren de persona a persona. La pregunta -"¿por qué decidió mudarse?"- no es sencilla para que la gente la conteste. Sin embargo y en la medida en que las decisiones individuales reflejen factores sociales estructurales, la dinámica puede explicarse parcialmente mediante medidas agregadas. Por ejemplo, se puede esperar que los impulsores económicos del movimiento estén relacionados con las oportunidades de empleo y por lo tanto, con los indicadores macro-económicos del empleo. Estos desafíos se ven agravados por la disponibilidad de datos y la cobertura de indicadores específicos.

El sistema de previsión

Comenzamos aprovechando el programa de monitoreo 4MI administrado por el Consejo Danés para los Refugiados, a través del cual se entrevista a miles de migrantes en movimiento. El análisis de los datos de la encuesta revela grupos de motivadores de alto nivel para la migración.

Estos grupos iban desde la falta de derechos y otros servicios sociales, hasta la necesidad económica y el conflicto. Estos motivadores se asignan a los indicadores cuantitativos. Las características derivadas de estos indicadores se incorporan a un modelo que genera pronósticos junto con intervalos de confianza (ver siguiente diagrama). Además el sistema también genera contexto para cada predicción, al mostrar los motivadores específicos que contribuyeron a la previsión.

En la implementación piloto, se centraron en la migración de Etiopía a seis países de destino donde los expertos en la materia del Consejo Danés para los Refugiados tuvieron tomaron el pulso de la situación. Se recopilaron una gama de indicadores de desarrollo (85 en total) de varios proveedores institucionales, para que una gama suficiente de motivadores migratorios estuvieran representados en el modelo. Estas incluían estadísticas sobre la economía laboral, alimentos, educación, socio-demografía, infraestructura, fortaleza de las instituciones y gobernabilidad. Ahora pongamos atención a la siguiente gráfica:

Usando estos indicadores, se desarrolló un modelo conjunto para hacer pronósticos estratégicos anuales, para flujos bilaterales en volúmenes de migración mixta anualmente. Las evaluaciones muestran que las tasas de error están dentro de unos pocos miles de personas por año, incluso para países con condiciones volátiles. El sistema permite además el análisis de escenarios, donde los cambios relativos en los factores de influencia, pueden modelarse para hacer predicciones ajustadas.

De este análisis emergen dinámicas contraintuitivas interesantes. Por ejemplo, las tasas de desempleo en Etiopía están por encima del promedio en comparación con los países subsaharianos. Un gran número de etíopes viajan a Arabia Saudita por trabajo. El aumento de las tasas de empleo hasta el quinto mejor lugar en la región se traducirá en una mayor migración al Reino Unido (aumento del 2%), Suecia (aumento del 2%) y Arabia Saudita (aumento del 8%). Esto refleja una mayor capacidad y medios de los etíopes para satisfacer sus aspiraciones en el extranjero. Si el desempleo aumenta a los peores niveles, el modelo predice un aumento de la migración a Sudáfrica (aumento del 3%) y Arabia Saudita (aumento del 4%), con destinos de la Unión Europea invariantes en gran medida al aumento del desempleo.

Dicho análisis cuantitativo detallado anteriormente no estaba disponible para las partes interesadas que necesitan formular respuestas de políticas.

Inferencia causal

El sistema de pronóstico descrito anteriormente es puramente basado en datos, donde se confió en el modelo para derivar relaciones entre todas las variables. Alternativamente, si buscamos explotar la experiencia en esta materia e incluir conocimientos específicos en el sistema, podríamos adoptar el enfoque de modelos gráficos probabilísticos.

En un taller celebrado en IBM Research - Irlanda, los expertos en la materia del Centro de Migración Mixta en Ginebra y el Consejo Danés para los Refugiados, dibujaron la red de "espaguetis" que muestra cómo esperan que los grupos de indicadores estén vinculados causalmente. Usando esto como entrada, luego combinaron su opinión de expertos con los datos utilizando una técnica llamada aprendizaje de estructura, para desarrollar dicha red.

Los pronósticos que usan tales redes generalmente no funcionan tan bien como los enfoques puramente basados en datos presentados anteriormente; Sin embargo, sí ayudan en el análisis de escenarios y análisis de políticas.

¿Que sigue?

Estos son los primeros pasos hacia un futuro en el que los responsables de la formulación de políticas tienen acceso instantáneo a la evidencia cuando y donde se necesita, y donde se pueden explorar fácilmente las relaciones complejas para brindar más información sobre cómo impulsar una mejor política.

Por ahora, continuamos mejorando el sistema y reuniendo las opiniones de los usuarios con expertos en el tema dentro del Consejo Danés para los Refugiados. Luego de una validación más detallada, buscaremos expandir el alcance geográfico y las capacidades de análisis de escenarios.


En conclusión, somos testigos (para bien o para mal) de uno de los fenómenos tal vez más instintivos y naturales del ser humano: La Migración. Pero en esta ocasión no motivado por causas naturales como los cambios de estación, búsqueda de mejores lugares para la caza de presas o debido a cambios radicales en el clima (como la era del hielo).

La migración por causas económicas, políticas, sociales, etc. es ahora el problema más grande en los cinco continentes. Contar con Aprendizaje Automático (una de las Tecnologías derivadas de la Transformación Digital) y las más poderosas herramientas para implementarlo, nos permite un mejor entendimiento de este fenómeno social, amén de cierto índice de predictibilidad para poder atender este delicado problema de manera más proactiva y menos reactiva.