Generación de insights a partir de los datos: Correlación no es igual a causalidad

Una mirada interesante a las trampas de usar a ciegas la IA, el aprendizaje automático y otros métodos de correlación sin experiencia en la materia.

Todos hemos oído hablar del big data y la IA: "Ya no se necesitarán expertos, basta con someter sus datos a algoritmos de machine learning o IA y la computadora dará la respuesta mágica". La realidad es algo diferente, como afirma Nate Silver: “Los números no tienen forma de hablar por sí mismos. Hablamos por ellos, les damos sentido". Tomemos el ejemplo de las predicciones de calificaciones de exámenes escolares. En el verano de 2020, el Gobierno inglés utilizó un modelo predictivo para determinar las calificaciones de los exámenes de los escolares. Hubo importantes objeciones a las calificaciones otorgadas. El gobierno culpó a un algoritmo mutante. Sin embargo, todos podemos ver la injusticia de utilizar el código postal para predecir el rendimiento de las calificaciones en los exámenes. Esto no fue una falla del algoritmo, sino más bien una falla de los expertos en la materia para imbuir de significado y equidad a los datos y a los modelos predictivos resultantes.

Este seminario web será una demostración fascinante de la importancia de integrar el conocimiento de la materia con los conocimientos prácticos de analítica de datos para ayudar a garantizar que extraigamos los conocimientos más útiles de nuestros datos. Describiremos las situaciones en las que la predicción es suficiente y cómo tratar el proceso de modelado de análisis de datos de manera diferente cuando nuestro objetivo es aumentar la comprensión (como suele ser el caso en los entornos de investigación, desarrollo y producción). Valiéndose de varios ejemplos, exploraremos algunos enfoques básicos del machine learning, sus peligros y cómo evitar conclusiones engañosas.

Aprenderá:

• La importancia de utilizar el conocimiento del ámbito, la experiencia y la intuición junto con los métodos estadísticos y de aprendizaje automático.
• Cómo abrir la "caja negra" de los métodos y algoritmos basados en datos de forma segura y atraer a su audiencia con elementos visuales sencillos e interactivos de sus hallazgos.