Nuevo modelo de predicción mejor que el Machine Learning
- Compartir
"Este nuevo modelo de predicción es mejor que el Machine Learning, según investigadores"
En el ámbito de la economía y las estadísticas, la importancia de identificar observaciones atípicas o "outliers" en un conjunto de datos es ampliamente reconocida. Estos valores que se desvían significativamente de la media pueden ser indicativos de circunstancias excepcionales, errores de medición o factores desconocidos. Un ejemplo histórico de la detección de un valor atípico y su relevancia se encuentra en el caso de una epidemia relacionada con el suministro de agua contaminada. Estudiando los datos, se identificó una observación que se escapaba de la media y, gracias a esta detección, se pudo rastrear el origen de la epidemia y tomar medidas correctivas.
Este enfoque de identificar valores atípicos se ha utilizado durante mucho tiempo en el análisis de datos, y su relevancia es indiscutible en la identificación de problemas, en la investigación de causas subyacentes y en la toma de decisiones informadas. Sin embargo, en los últimos tiempos, ha surgido un nuevo enfoque que se centra en la "predicción basada en la relevancia". Este enfoque busca mejorar la precisión de las predicciones al enfocarse en la utilización de datos relevantes, y ha demostrado ser aplicable en campos tan diversos como la economía, la política y el deporte.
El artículo "Relevance-Based Prediction: A Transparent and Adaptive Alternative to Machine Learning", coescrito por Megan Czasonis y David Turkington de State Street Associates, presenta este enfoque y destaca su aplicabilidad en varios contextos. El concepto clave de esta metodología es utilizar la distancia de Mahalanobis y otros métodos matemáticos para medir la relevancia de las observaciones en las predicciones. A través de este enfoque, se busca optimizar la precisión de las predicciones y proporcionar una visión más transparente y comprensible del proceso de toma de decisiones.
Sin embargo, es importante destacar que incluso en un enfoque como la predicción basada en la relevancia, la inteligencia artificial y los modelos de predicción no están exentos de limitaciones. Un desafío clave es que, en el caso de eventos verdaderamente inusuales o sin precedentes, los modelos basados en datos históricos pueden no contener información relevante. Un ejemplo paradigmático de esto es la pandemia de COVID-19 o también en nuestro caso, la “Crisis Social”, que sorprendió a muchas predicciones y modelos debido a su carácter inédito.
Por lo tanto, es esencial mantener una constante revisión y adaptación de los modelos de predicción. La inteligencia artificial y los enfoques basados en datos necesitan actualizarse y ajustarse continuamente para abordar eventos inesperados o atípicos. Este proceso de revisión constante es crucial para garantizar que los modelos puedan seguir siendo relevantes y efectivos, incluso en situaciones de rápida evolución.
En resumen, la relevancia de los datos es un factor crítico en el análisis de datos y la toma de decisiones, ya sea al identificar valores atípicos en situaciones de crisis como la epidemia del agua o al aplicar enfoques avanzados como la predicción basada en la relevancia en campos como la economía, la política y el deporte. Sin embargo, es fundamental reconocer que la inteligencia artificial y los modelos de predicción pueden enfrentar desafíos en el manejo de eventos verdaderamente inusuales, por lo que la revisión constante y la adaptación son esenciales para garantizar su eficacia a largo plazo.
This new forecasting model is better than machine learning, researchers say | MIT Sloan
Isidora Mas Bullemore
Experta en Marketing