La importancia de la operacionalización de modelos en Seguridad Pública

1

La toma de decisiones es crucial en cualquier organización, pero si hablamos de los servicios de Seguridad Pública, éstas determinan cómo será el desenlace de una situación crítica. La integración de la analítica en sus procesos beneficia a los cuerpos de seguridad al poder evaluar miles o millones de alternativas para elegir el mejor curso de acción. Sin embargo, para que un modelo analítico funcione con éxito, la medición de sus factores debe hacerse a lo largo de todo el ciclo de vida del proceso.

Las fuerzas de seguridad del Estado trabajan en un entorno cambiante donde influyen la presión de la reducción de costes operativos, así como el creciente uso de la tecnología en la delincuencia y cambios en las pautas delictivas. Teniendo esto en cuenta, los modelos analíticos usados por la Seguridad Pública desempeñan un papel clave para ofrecer una visión en tiempo real, que permita actuar rápidamente y hacer uso de los recursos de forma eficiente.

Obtener el máximo provecho de los modelos analíticos

La importancia de la operacionalización de modelos en Seguridad Pública

La importancia de la operacionalización de modelos en Seguridad Pública

Para que los cuerpos de seguridad puedan aprovechar al máximo los modelos analíticos es necesario ponerlos en producción y hacerlos escalables. El éxito del desarrollo y la producción de un modelo analítico dedicado a la Seguridad Pública requiere tener unos propósitos claros, una adecuada calidad de los datos, una gestión y mejoramiento continuo de los modelos analíticos desarrollados y la operacionalización o puesta en producción de los modelos que permitan apalancar el proceso de decisiones. La implementación de los modelos es tan importante como su construcción y, teniendo en cuenta que el volumen de los datos aumenta constantemente, si el modelo no es escalable será un problema de cara a la posibilidad de revolver alguna situación que necesite nuevos datos, por lo que es necesario poder incluirlos para asegurar una toma de decisión fiable.

La clave de la operacionalización de un modelo utilizado por la Seguridad Pública está en combinar la inteligencia de los modelos analíticos, con el conocimiento del sector expresado en reglas, para apalancar la automatización de decisiones operativas y transaccionales. Es decir, poder aplicar los modelos en el mundo real y con casos reales. Una vez que se aprende a operacionalizar la analítica, se puede crear rutinas de análisis del rendimiento de modelos, así como monitorear continuamente la salud de los mismos.

Los modelos tienen un ciclo de vida determinado, por lo que no vale simplemente con la puesta en producción de cada uno, sino que se degradan con el tiempo debido al cambio constante en las circunstancias. Según éstas cambian, los datos cambian y el acierto se reduce. Es por eso que deben monitorizarse constantemente para asegurar su precisión y, en caso de determinar que ya no son exactos, como deberían, se toman las medidas necesarias como retirarlos o reentrenarlos. Esto es algo primordial para la Seguridad Pública, ya que, si no se realiza correctamente, el resultado podría ser devastador.

Además, en situaciones críticas como a las que se enfrentan los cuerpos de seguridad del Estado, el time to value es esencial. Para casos como encontrar un niño desaparecido o determinar si existe un factor de riesgo de reincidencia en violencia de género el factor del tiempo es fundamental. Que la modelización, el desarrollo y el mantenimiento de los modelos estén al día es clave para que puedan ser lo más rápidos posible en las tomas de decisiones determinantes.

La interpretabilidad, el sesgo y la responsabilidad analítica

La interpretabilidad y la precisión de un modelo es la clave para confiar en él. Al tratarse de la seguridad de las personas, los profesionales necesitan entender el porqué de los resultados, así como la procedencia de los datos. Por ejemplo, un modelo de caja negra no es apto para la toma de decisiones en la seguridad pública porque la persona que tiene que tomar la decisión tiene que entender lo que hay detrás del scoring de riesgo que se genera sobre un caso o una persona. En este sentido, la transparencia y tener el conocimiento de los datos que han sido utilizados para el desarrollo del modelo es imprescindible para un profesional del sector. Una vez implementado el modelo, los datos deben ser gobernados de manera centralizada, estar bajo control, versionados y documentados. Algo que no puede ser pasado por alto es su validación, que es lo que determinará si posee algún sesgo que pueda obstaculizar su correcto funcionamiento, así como demostrará si el modelo en uso carece de la precisión adecuada. Esto indispensable para asegurar que el scoring arrojado por el modelo sea “accionable” y poder aplicarlo a todas las zonas geográficas, ya que la demográfica puede ser diferente en las distintas zonas de un mismo país.

Actualmente, existe mucho debate sobre la ética de los modelos, sin embargo, por el momento no deja de ser eso, un debate. Hoy en día los organismos públicos no están obligados a aplicar la ética, pero esta realidad va a cambiar. Si ponemos un ejemplo, en el mundo financiero el uso de los modelos analíticos está regulado y auditado, es decir, tiene implicaciones legales y financieras. Esto es porque si un modelo tiene un sesgo y es utilizado para una inversión, se pueden perder miles de euros. En el mundo de la seguridad tener un sesgo en el modelo analítico puede significar que una persona no consiga un trabajo o que alguien pierda la vida al no recibir la protección policial que debería. La UE ya tiene una propuesta de ley para la IA que podría entrar en vigor este año, donde se obliga a que los desarrolladores cuenten con un sistema de gestión de riesgos. Por esta razón, estamos reorientando las soluciones destinadas al sector financiero hacia el sector público y así garantizar que las variables utilizadas para la creación de los modelos tengan un riesgo bajo de ser expuestas a sesgos intolerables a nivel ético y cumplan con las normativas establecidas por la Unión Europea, por las leyes específicas de protección de datos del país y de la propia organización.

Tecnología para la eficiencia

Aún estamos en una etapa intermedia en la implementación de la analítica en el campo de la seguridad. Las prioridades han ido cambiando, lo que ha ocasionado un retraso frente la rapidez del despliegue que podría haber ocurrido en el pasado. La Seguridad Pública está consciente de que este es el futuro y que proporcionará un gran valor, el reto ahora está en ver los números y cuantificar los resultados de la analítica.

En SAS llevamos años trabajando con fuerzas policiales fuera de España y entendemos la posición de nuestra tecnología en este sector. En ningún caso hemos venido a reemplazar a las fuerzas de seguridad, todo lo contrario, estamos aquí para apoyarles y contribuir a que puedan hacer su trabajo de una manera más eficiente. Lo que hacemos es ofrecer herramientas que se han desarrollado en base a lo que hemos aprendido de ellos. El ser humano es el que toma la decisión, la máquina únicamente presenta una propuesta de mejora y, al final, la última palabra siempre la tendrá el investigador.

¿Quieres conocer nuestras soluciones para la Seguridad Pública?

 

Share

About Author

Ines Riestra

Senior Associate Account Executive

Ines joined SAS in 2017 through the Sales Academy program for recent graduates as part of the Public Sector team. She has been working with the Ministry of Interior and the Law Enforcement Units since early 2018. Her goal is to help customers in their transformation towards evidence-based decisioning and “Smart Policing” thanks to Advanced Analytics and AI.

1 Comment

  1. Thank you Inés! " Para que los cuerpos de seguridad puedan aprovechar al máximo los modelos analíticos es necesario ponerlos en producción y hacerlos escalables. El éxito del desarrollo y la producción de un modelo analítico dedicado a la Seguridad Pública requiere tener unos propósitos claros, una adecuada calidad de los datos, una gestión y mejoramiento continuo de los modelos analíticos desarrollados y la operacionalización o puesta en producción de los modelos que permitan apalancar el proceso de decisiones."

Leave A Reply

Back to Top