Introducción a la Inteligencia de Decisiones
Una nueva disciplina para el liderazgo en la era de Inteligencia Artificial
Traducido por Juliana Luque de el original por Cassie Kozyrkov
You can find the original English version here.
¿Le da curiosidad saber lo que tiene en común la psicología de evadir leones en una sabana con el liderazgo responsable en Inteligencia Artificial y los retos de diseñar repositorios de datos? ¡Bienvenido a la inteligencia de decisiones!
Inteligencia de Decisiones es una nueva disciplina académica relacionada con todos los aspectos de selección entre varias opciones. Reúne lo mejor de la ciencia de datos aplicada, las ciencias sociales, y las ciencias de gestión en un campo unificado que ayuda a las personas a usar datos para mejorar sus vidas, sus negocios, y el mundo alrededor de ellos. Es una ciencia vital en la era de la inteligencia artificial ya que cubre los aspectos necesarios para liderar proyectos de inteligencia artificial de manera responsable, diseñar objetivos y métricas, y automatizar a escala bajo contextos seguros.
La Inteligencia de Decisiones es la disciplina que convierte información en mejores acciones en cualquier escala.
Vamos a hacer un tour a través de la terminología y conceptos básicos. Las secciones a continuación están diseñadas para que pueda realizar una lectura rápida y superficial si lo desea. También puede saltar secciones (en especial aquellas que considere aburridas).
¿Qué es una decisión?
Los datos son hermosos, pero son las decisiones las que son importantes. Es a través de nuestras decisiones, y por consiguiente, de nuestras acciones, que afectamos el mundo alrededor de nosotros.
Nosotros definimos la palabra “decisión” para referirnos a cualquier selección entre diferentes opciones realizada por una entidad. Como resultado, esta conversación es mucho más amplia que los dilemas “estilo MBA” (como el abrir o no una sucursal de su negocio en Londres).
Es a través de nuestras decisiones -y por consiguiente, de nuestras acciones- que afectamos el mundo alrededor nuestro.
Bajo esta terminología, etiquetar una foto como gato vs. no-gato es una decisión ejecutada por una computador. Sin embargo, determinar si se va a lanzar o no un sistema es una decisión tomada concienzudamente por un leader humano (eso espero!) a cargo del proyecto.
¿Qué es un tomador de decisiones?
En nuestro lenguaje, un “tomador de decisiones” no es una parte interesada (stakeholder) o un inversionista quien se inmiscuye para vetar lo que el equipo de proyecto está maquinando. Es en cambio la persona responsable de definir la arquitectura de decisión y el marco contextual de la misma. El tomador de decisiones es un creador de objetivos meticulosamente formulados, lo que es opuesto a los destructores descritos previamente.
¿Qué es tomar decisiones?
Tomar decisiones es un término cuyo uso varía en diferentes disciplinas. Puede referirse a:
- Ejecutar una acción cuando existen opciones alternativas. (En este sentido es posible hablar de toma de decisiones por un computador o por un lagarto).
- Desempeñar la función de un (humano) tomador de decisiones incluyendo la responsabilidad sobre estas decisiones. Es importante aclarar que aunque los sistemas computacionales pueden ejecutar una decisión, éstos no son identificados como “tomadores de decisiones” pues no tienen ninguna responsabilidad sobre los resultados. Esta responsabilidad recae directamente sobre los hombros de los humanos que los crearon.
Taxonomía de la Inteligencia de Decisiones
Una forma de abordar el aprendizaje sobre la inteligencia de decisiones es dividirla en las líneas tradicionales, los aspectos cuantitativos (superpuestos en gran medida con la ciencia de datos aplicada) y los aspectos cualitativos (desarrollados principalmente por investigadores en ciencias sociales y gerenciales).
Aspecto cualitativo: Las ciencias de la decisión
Las disciplinas que componen el aspecto cualitativo se han denominado tradicionalmente “ciencias de la decisión”, término que me hubiera encantado utilizar para todo el conjunto cualitativo y cuantitativo (lamentablemente, no siempre podemos tener lo que queremos).
Las ciencias de la decisión se ocupan de preguntas como las siguientes:
- “¿Cómo debe establecer los criterios de decisión y diseñar sus métricas?” (Todos)
- ¿Es la métrica que usted eligió compatible con los incentivos?” (Economía)
- “¿Con qué calidad debe tomar la decisión? ¿Cuánto debe pagar por la información perfecta?” (Análisis de decisiones)
- “¿Qué papel juegan las emociones, la heurística y la parcialidad -bias- en la toma de decisiones?” (Psicología)
- “¿Cómo los factores biológicos, como el cortisol, afectan la toma de decisiones?” (Neuroeconomía)
- “¿Cómo los cambios en la manera en que se presenta la información influencia nuestros comportamientos para elegir?” (Economía del Comportamiento)
- “¿Cómo optimizar los resultados cuando se toman decisiones en un contexto de grupo?” (Teoría de Juegos Experimental)
- “¿Cómo balancear las restricciones y los objetivos de cada fase en el diseño del contexto de decisión?” (Diseño)
- “¿Quién experimentará las consecuencias de la decisión y cómo cada uno de los diferentes grupos percibirán esa experiencia?” (Investigación en Experiencia del Usuario -UX-)
- “¿El objetivo de la decisión es ético? (Filosofía)
Ésta es una pequeña muestra…pero existen muchas más! Esta lista también está lejos de estar completa en términos de las disciplinas involucradas. Piense en la ciencia de la decisión como aquella ciencia que maneja la configuración/alistamiento para la toma de decisiones y el procesamiento de la información en su forma de almacenamiento más difusa (el cerebro humano), en lugar de estar cuidadosamente descrita y almacenada de manera semipermanente (en papel o electrónicamente). A esta información la llamamos datos.
El problema con su cerebro
En el siglo anterior estaba de moda alabar a cualquiera que le metiera matemáticas a algún esfuerzo humano desprevenido, pues adoptar un enfoque cuantitativo suele ser mejor que un caos irreflexivo. Sin embargo, existe una manera de hacerlo aún mejor.
Las estrategias basadas en la racionalidad matemática pura son relativamente ingenuas y tienden a tener un rendimiento inferior.
Las estrategias basadas en la racionalidad matemática pura sin una comprensión cualitativa de la toma de decisiones y del comportamiento humano, son relativamente ingenuas y tienden a tener un rendimiento inferior en comparación con las estrategias basadas en el dominio conjunto de ambos aspectos, cuantitativo y cualitativo. (Estén atentos a las publicaciones en el blog sobre la historia de la racionalidad en las ciencias sociales, así como ejemplos de la teoría de juegos de comportamiento donde la psicología supera a las matemáticas).
Los humanos no son optimizadores, pues lo que buscamos es “satisfacer” — palabra bastante sofisticada para referirse a lograr algo reduciendo el esfuerzo-.
Los humanos no somos optimizadores, buscamos “satisfacer,” la cual es una palabra elegante para quienes buscan economizar tiempo/dinero/esfuerzo y que están satisfechos con lo suficientemente bueno en lugar de lo perfecto. (También es un concepto que fue bastante impactante para la arrogancia de nuestra especie, un golpe en la cara al hombre racional e impecable que valió un Premio Nobel).
En realidad, todos los humanos utilizamos la heurística cognitiva para ahorrar tiempo y esfuerzo. Eso a menudo es algo bueno. Intentar encontrar el camino perfecto para escapar de un león en la sabana haría que nos comiera incluso antes de comenzar a hacer los cálculos. Buscar la “satisfacción” también reduce el costo de vida en calorías, lo cual es igual de bueno ya que nuestros cerebros son dispositivos ridículamente hambrientos de energía. Aunque sólo pesan aproximadamente 3 lb, nuestro cerebros engullen alrededor de una quinta parte de nuestro gasto de energía (apuesto a que pesas más de 15 libras en total, ¿verdad?)
Algunos de los esfuerzos que ahorramos conducen a resultados subóptimos.
Ahora que la mayoría de nosotros no pasamos nuestros días huyendo de los leones, algunos de los esfuerzos que nos ahorramos pueden conducir a resultados que se prevén serán “basura”. Nuestros cerebros no están exactamente optimizados para el entorno moderno. Comprender la forma en que nuestra especie convierte la información en acción le permitirá hacer uso de los procesos de decisión para protegerse de las deficiencias de su propio cerebro (así como de aquellos que se aprovechan intencionalmente de sus instintos). También le ayudará a crear herramientas para aumentar su rendimiento y adaptar su entorno a su cerebro, si es que este pobre es demasiado lento como para captar a Darwin.
Si cree que la IA elimina al humano de la ecuación, ¡piénselo de nuevo!
Por cierto, si cree que la IA (Inteligencia Artificial) elimina al humano de la ecuación, ¡piénselo de nuevo! Toda la tecnología es un reflejo de sus creadores y los sistemas que operan a escala pueden amplificar las deficiencias humanas, lo cual es una de las razones por las que desarrollar habilidades de inteligencia de decisión es necesario para un liderazgo responsable en IA. Obtenga más información aquí.
Quizás no está tomando una decisión
En algunas ocasiones pensar cuidadosamente sus criterios de decisión lo lleva a darse cuenta de que no hay ningún hecho en el mundo que le haga cambiar de opinión: ya ha seleccionado su acción y ahora está buscando una manera de sentirse mejor al respecto. Esa es una comprensión útil, evita que pierda más tiempo y le ayuda a redirigir su incomodidad emocional mientras hace lo que iba a hacer de todos modos, maldita sea la información.
“Él usa las estadísticas como un hombre embriagado usa los postes de luz … para apoyo en lugar de iluminación”. -Andrew Lang
A menos que tome diferentes medidas en respuesta a diferentes hechos aún desconocidos, no hay una decisión aquí … a veces la capacitación en análisis de decisiones lo ayuda a ver esas situaciones con mayor claridad.
Toma de decisiones bajo información perfecta
Ahora imagine que ha establecido cuidadosamente la configuración/alistamiento para la toma de decisiones que es sensible a los hechos, y, que con sólo chasquear los dedos, va a poder ver la información objetiva que necesita para ejecutar su decisión. ¿Para qué necesita la ciencia de datos? Para nada.
El primer orden del día debería ser descubrir cómo nos gustaría reaccionar ante los hechos.
Nunca hay nada mejor que un hecho, algo que usted sabe con certeza (sí, estoy consciente de que aquí hay una situación compleja y relativista, pero sigamos avanzando). Siempre preferimos tomar decisiones basadas en hechos si los tenemos. Es por eso que el primer orden del día debería ser descubrir cómo nos gustaría tratar los hechos. ¿Cuál de los siguientes usos le gustaría dar a su información ideal?
¿Qué puede hacer con los hechos?
- Puede usar hechos para tomar una decisión única importante pre enmarcada. Si la decisión es lo suficientemente importante, tendrá que apoyarse fuertemente en el lado cualitativo de las cosas para enmarcar su decisión sabiamente. Los psicólogos saben que la información puede manipularlo de una manera que no le gustaría, por lo que ellos (y otros) tienen mucho que decir sobre cómo abordar la selección de la información que aceptará de antemano.
- Puede usar hechos para soportar sus opiniones (“Espero que haga sol afuera” se convierte en “Sé que hace sol afuera”).
- Puede usar hechos para tomar una decisión única basada en la existencia. Las decisiones basadas en la existencia (“Me acabo de enterar de que existe un caso de ébola justo al lado, así que me voy de aquí pronto …”) son decisiones en las que la existencia de un hecho anteriormente desconocido sacude de tal forma la base de su enfoque, que lo lleva a darse cuenta, en retrospectiva, que no formuló correctamente el contexto de decisión.
- Puede usar hechos para automatizar una gran cantidad de decisiones. En la programación tradicional, un humano especifica el conjunto de instrucciones para convertir entradas de hechos en acciones apropiadas, posiblemente involucrando algo como una tabla de búsqueda.
- Puede usar hechos para revelar una solución de automatización. Al ver los hechos sobre el sistema, puede escribir código basado en ellos. Este es un mejor enfoque que el propuesto por la programación tradicional de idear la estructura de una solución “pensando mucho” (es decir, utilizando sus capacidades cognitivas) pero sin contar con información. Por ejemplo, si no sabe cómo convertir de Celsius a Fahrenheit, podría usar un conjunto de datos para buscar la entrada en Fahrenheit que va con la entrada de Celsius … pero si analiza esa tabla de búsqueda en sí misma, descubrirá la fórmula que los conecta. Luego, puede codificar esa fórmula (“modelo”) para hacer el trabajo sucio por usted y poder deshacerse de esa tabla torpe.
- Puede usar hechos para generar una solución óptima a un problema de automatización que sea perfectamente solucionable. Esta es la optimización tradicional. Encontrará muchos ejemplos en el campo de la investigación de operaciones, que cubre, entre otras cosas, cómo lidiar con las restricciones para obtener el resultado ideal. Por ejemplo, la solución a cuál es el mejor orden para completar una serie de tareas.
- Puede utilizar los hechos para inspirar cómo abordará las decisiones importantes futuras. Esto hace parte de la analítica, que también pertenece a la sección de información parcial. ¡Guarde ese pensamiento para más adelante!
- Puede usar hechos para hacer un balance respecto a lo que está trabajando. Esto le ayudará a comprender los tipos de entradas (“inputs”) que tiene disponibles para decisiones futuras y a diseñar cómo filtrar de una mejor manera su información. Si acaba de heredar una gran y oscura bodega (de datos) llena de ingredientes potenciales, no sabrá qué hay dentro hasta que alguien lo vea. Afortunadamente, su analista tiene una linterna y patines.
- Puede utilizar los datos de manera poca rigurosa para tomar decisiones sin un marco contextual. Esto es eficiente cuando las decisiones tienen riesgos lo suficientemente bajos como para que no justifiquen el esfuerzo necesario para abordarlas con cuidado y rigurosidad. Por ejemplo, “¿Qué debo comer hoy como almuerzo?” Intentar ser riguroso todo el tiempo en todas las decisiones genera en el largo plazo resultados subóptimos, y cae en la categoría de perfeccionismo sin sentido. Ahorre su esfuerzo para las situaciones que son lo suficientemente importantes para ello, pero no olvide que incluso si es eficiente utilizar un enfoque de bajo esfuerzo y baja calidad, el enfoque de decisión óptimo sigue siendo de baja calidad. No debe ni golpearse el pecho ni estar demasiado confiado cuando éste es su método … Si ahorra esfuerzos, está sosteniendo algo endeble. Existen situaciones en las que este resultado endeble hace el trabajo, pero eso no hace que de repente su conclusión sea sólida. No se apoye en eso. Si desea una toma de decisiones de alta calidad, necesita un enfoque más riguroso.
Con capacitación en ciencias de la decisión, usted aprende a reducir el esfuerzo que se requiere para tomar decisiones rigurosas basadas en hechos (que como habrán percibido, por hechos me refiero a datos la mayoría de las veces) lo que significa que la misma cantidad de trabajo ahora le permite tomar decisiones de mayor calidad en todos los ámbitos. Esta es una habilidad muy valiosa, pero se necesita mucho trabajo para perfeccionarla. Por ejemplo, los estudiantes de Economía del Comportamiento crean el hábito de establecer criterios de decisión antes de obtener la información. Aquellos de nosotros que recibimos una paliza de programas de capacitación en ciencias de decisión lo suficientemente exigentes, no podemos evitar preguntarnos, por ejemplo, cuál es lo máximo que pagaríamos por un boleto ANTES de buscar el precio.
Recopilación de datos e ingeniería de datos
Si tuviéramos los hechos, ya de hecho hubiéramos terminado. Por desgracia, vivimos en el mundo real y a menudo debemos trabajar para obtener nuestra información. La ingeniería de datos es una disciplina sofisticada centrada en hacer que la información esté disponible de manera confiable y a escala. Así como ir al supermercado por un helado es fácil, la ingeniería de datos es fácil cuando toda la información relevante disponible cabe en una hoja de cálculo.
Y así como las cosas se ponen difíciles cuando pide 2 millones de toneladas de helado … ¡y sin que se derrita! Las cosas se ponen aún más difíciles si tiene que diseñar, configurar y mantener una gran bodega sin siquiera saber lo que en el futuro le pedirán que almacene, tal vez sean unas pocas toneladas de pescado, tal vez sea plutonio … ¡buena suerte!
Es difícil establecer un almacén cuando ni siquiera sabe lo que se le pedirá que almacene la próxima semana: tal vez sean unas pocas toneladas de pescado, tal vez sea plutonio … ¡buena suerte!
Si bien la disciplina de ingeniería de datos es como la “hermana separada” y su vez un colaborador clave de la inteligencia de decisiones, las ciencias de la decisión incluyen una sólida tradición de experiencia en el diseño y filtrado de la recopilación de hechos.
Aspecto cuantitativo: ciencia de datos
Cuando ha enmarcado su decisión y ha buscado todos los hechos que necesita, hacer uso de un motor de búsqueda o un analista (desempeñando el papel de un motor de búsqueda humano para usted) es todo lo que necesita para ejecutar su decisión. ¡Ya terminó! No se necesita ciencia de datos sofisticada.
¿Qué pasa si, después de todo ese trabajo preliminar y el jiu-jitsu de ingeniería, los hechos que se arrojan no son los hechos que idealmente necesita para su decisión? ¿Qué pasa si son solo hechos parciales? Tal vez quiera los hechos del mañana, pero solo tiene el pasado para informarle. (Es muy molesto cuando no podemos recordar el futuro). Quizás desee saber qué piensan todos sus usuarios potenciales sobre su producto, pero solo puede preguntarles a cientos de ellos. ¡Entonces estás lidiando con la incertidumbre! Lo que sabe no es lo que desea saber. ¡Ingrese la ciencia de datos!
La ciencia de datos se vuelve interesante cuando se ve obligado a dar saltos más allá de los datos … ¡pero tenga cuidado de caer como lo hizo Ícaro!
Naturalmente, debe esperar que su enfoque cambie cuando los hechos que tiene no son los hechos que necesita. Tal vez son sólo una pieza del rompecabezas, de un rompecabezas mucho más grande (como con una muestra de una población más grande). Quizás es el rompecabezas equivocado, pero es lo mejor que usted tiene (como usar el pasado para predecir el futuro). La ciencia de datos se vuelve interesante cuando se ve obligado a dar saltos más allá de los datos … ¡pero tenga cuidado de caer como lo hizo Ícaro!
- Puede usar hechos parciales para tomar una sola decisión importante pre enmarcada (con su marco contextual determinado) con inferencia estadística, complementando la información que tiene con suposiciones para ver si debe cambiar su acción. Esta es la estadística frecuentista (clásica).
- Puede usar hechos parciales para actualizar razonablemente las opiniones en opiniones más informadas (pero aún imperfectas y personales). Esta es la estadística bayesiana.
- Es posible que sus hechos parciales contengan hechos sobre la existencia, lo que significa que podría usarlos en retrospectiva para tomar decisiones basadas en la existencia (ver arriba).
- Puede usar hechos parciales para automatizar una gran cantidad de decisiones. Esa es la programación tradicional que usa algo así como una tabla de búsqueda donde convierte algo que no ha visto antes en lo más cercano que tenga, y luego procede como de costumbre. (Eso es lo que es pocas palabras hace k-NN…).
- Puede usar hechos parciales para inspirar una solución de automatización. Al ver los hechos sobre el sistema, puede escribir código basado en ellos. Éste es un mejor enfoque para la programación tradicional que idear la estructura de la solución al “pensar mucho” (es decir, utilizando sus capacidades cognitivas), pero sin contar con información. Esto es analítica.
- Puede usar hechos parciales para generar una solución decente a un problema de automatización imperfecto y así no tenga que encontrarlo usted mismo. Esto es aprendizaje automático e inteligencia artificial (IA).
- Puede utilizar hechos parciales para inspirar cómo abordará las decisiones importantes futuras. Esto es analítica.
- Puede usar datos parciales para comprender con qué está tratando (ver más arriba) y acelerar el desarrollo de una solución de automatización con analítica avanzada. Por ejemplo, inspirar nuevas formas de combinar información para hacer entradas al modelo -inputs- útiles (la jerga para esto es “ingeniería de características”) o nuevos métodos para probar en un proyecto de IA.
- Puede usar datos parciales de manera no rigurosa para tomar decisiones sin marco/contexto, pero tenga en cuenta que la calidad es aún menor que cuando usa datos descuidadamente, porque lo que realmente sabe está a un paso de lo que desearías saber.
Para todos estos usos, hay formas de integrar la sabiduría de una variedad de disciplinas previamente aisladas para abordar la toma de decisiones de manera más efectiva. ¡De eso se trata la inteligencia de decisión! Reúne diversas perspectivas sobre la toma de decisiones que nos hacen a todos más fuertes, juntos, y les da una nueva voz que está libre de las restricciones tradicionales de sus campos de estudio originales.
Si tiene curiosidad por leer más, la mayoría de mis artículos están aquí en Medium.com. Han sido escritos desde una perspectiva de inteligencia de decisión. Mi guía para comenzar proyectos de IA es probablemente la menos sutil, por lo que recomiendo explorar allí si aún no ha elegido su propia aventura siguiendo los enlaces de este artículo.
Obtenga más información sobre ciencia de datos e inteligencia artificial en español aquí.
