¿Cómo impactará el aprendizaje automático en la economía?
-
0:00 - 0:03♪ (música) ♪
-
0:03 - 0:06- [Narradora] Bienvenidos
a Nobel Conversations. -
0:07 - 0:10En este episodio,
Josh Angrist y Guido Imbens -
0:10 - 0:13se reúnen con Isaiah Andrews
para discutir y discrepar -
0:13 - 0:15sobre el papel
del aprendizaje automático -
0:15 - 0:17en la econometría aplicada.
-
0:18 - 0:20- [Isaiah] Bien. Por supuesto
que hay muchos temas -
0:20 - 0:21en los que ustedes
están muy de acuerdo, -
0:21 - 0:23pero me gustaría pasar a uno
-
0:23 - 0:24sobre el que tal vez
opinen algo distinto. -
0:24 - 0:26Me gustaría escuchar
algunas de sus opiniones -
0:26 - 0:27sobre el aprendizaje automático
-
0:27 - 0:30y el papel que desempeña
y desempeñará en la economía. -
0:30 - 0:32- [Guido] He consultado
algunos datos, -
0:32 - 0:33como los datos privados.
-
0:33 - 0:35Vemos que no hay
ningún documento publicado allí. -
0:36 - 0:39Se hizo un experimento
sobre algún algoritmo de búsqueda -
0:39 - 0:41y la cuestión era...
-
0:43 - 0:45se trataba de clasificar cosas
y cambiar la clasificación. -
0:46 - 0:47Y estaba más o menos claro
-
0:47 - 0:50que iba a haber
mucha heterogeneidad. -
0:51 - 0:56Si buscas, digamos,
-
0:58 - 1:01una foto de Britney Spears,
-
1:01 - 1:03realmente no importa
dónde la clasifiques -
1:03 - 1:05porque vas a encontrar
lo que estás buscando, -
1:06 - 1:07ya sea que la clasifiques
-
1:07 - 1:10en primera, segunda
o tercera posición. -
1:10 - 1:12Pero si estás buscando
el mejor libro de econometría, -
1:12 - 1:17si pones tu libro en primer lugar
o en el décimo, -
1:17 - 1:18eso va a suponer
una gran diferencia -
1:18 - 1:20en la frecuencia
-
1:20 - 1:21con la que la gente
hará clic en él. -
1:22 - 1:23Así que ahí--
-
1:23 - 1:24[Josh] ¿Por qué necesito
-
1:24 - 1:27el aprendizaje automático
para descubrir eso? -
1:27 - 1:29Porque parece que puedo descubrirlo
de forma sencilla. -
1:29 - 1:31- [Guido] En general--
-
1:31 - 1:32- [Josh] Había
un montón de posibles-- -
1:32 - 1:34- [Guido]...quieres pensar
que los artículos -
1:34 - 1:37tienen montón de características,
-
1:37 - 1:39que quieres entender
-
1:39 - 1:44lo que impulsa la heterogeneidad
en el efecto de-- -
1:44 - 1:45- Pero solo estás prediciendo.
-
1:45 - 1:46En cierto sentido,
-
1:46 - 1:48estás resolviendo
un problema de marketing. -
1:48 - 1:49- No, es un efecto causal,
-
1:49 - 1:52- Es causal, pero no tiene
contenido científico. -
1:52 - 1:53Piensa en--
-
1:54 - 1:57- No, pero hay cosas similares
en el ámbito médico. -
1:58 - 1:59Si haces un experimento,
-
1:59 - 2:02puedes estar muy interesado
en si el tratamiento funciona -
2:02 - 2:04para algunos grupos o no.
-
2:04 - 2:06Y tienes un montón
de características individuales, -
2:06 - 2:08y quieres buscar sistemáticamente--
-
2:08 - 2:10- Sí. Tengo mis dudas sobre esa...
-
2:10 - 2:13esa especie de idea de que hay
un efecto causal personal -
2:13 - 2:14que me debería importar
-
2:14 - 2:15y que el aprendizaje automático
-
2:15 - 2:17puede descubrirlo
de alguna manera que sea útil. -
2:18 - 2:19Así que piensa en--
-
2:19 - 2:20he trabajado mucho en las escuelas,
-
2:20 - 2:22yendo a, digamos,
una escuela chárter, -
2:22 - 2:24una escuela privada
financiada con fondos públicos, -
2:25 - 2:27efectivamente,
que es libre de estructurar -
2:27 - 2:30su propio plan de estudios
en función del contexto. -
2:30 - 2:31Algunos tipos de escuelas chárter
-
2:31 - 2:33consiguen
un rendimiento espectacular -
2:33 - 2:36y en el conjunto de datos
que produce ese resultado, -
2:36 - 2:38tengo un montón de covariables.
-
2:38 - 2:40Tengo
las puntuaciones de referencia -
2:40 - 2:41y los antecedentes familiares,
-
2:41 - 2:46la educación de los padres,
el sexo del niño, la raza del niño. -
2:46 - 2:50Y, bueno, en cuanto reúno
media docena de ellas, -
2:50 - 2:52tengo un espacio
de muy alta dimensión. -
2:52 - 2:55Sin duda, me interesan
las características del curso -
2:55 - 2:57de ese efecto del tratamiento,
-
2:57 - 2:59como por ejemplo, si es mejor
para las personas -
2:59 - 3:02que provienen de familias
con menores ingresos. -
3:02 - 3:06Me cuesta creer
que haya una aplicación -
3:06 - 3:10para la versión
de muy alta dimensión, -
3:10 - 3:12en la que descubrí
que para los niños no blancos -
3:12 - 3:15que tienen
ingresos familiares altos -
3:15 - 3:18pero puntuaciones de referencia
en el tercer cuartil -
3:18 - 3:21y que solo fueron
a la escuela pública -
3:21 - 3:23en el tercer grado
pero no en el sexto. -
3:23 - 3:26Así que eso es lo que produce
ese análisis de alta dimensión. -
3:26 - 3:28Es una declaración condicional
muy elaborada. -
3:28 - 3:31Hay dos cosas que están mal,
en mi opinión. -
3:31 - 3:32En primer lugar, no lo veo como--
-
3:32 - 3:34no puedo imaginar
por qué es algo procesable. -
3:34 - 3:37No sé por qué
querrías actuar sobre ello. -
3:37 - 3:39Y también sé que hay
algún modelo alternativo -
3:39 - 3:43que encaja casi igual de bien,
que lo invierte todo. -
3:43 - 3:45Porque el aprendizaje automático
-
3:45 - 3:48no me dice que este es realmente
el predictor que importa, -
3:48 - 3:51solo me dice
que este es un buen predictor. -
3:51 - 3:55Así que creo,
que hay algo diferente -
3:55 - 3:58en el contexto
de las ciencias sociales. -
3:58 - 4:00- [Guido] Creo que las aplicaciones
de las ciencias sociales -
4:00 - 4:04de las que hablas
son aquellas en las que, creo, -
4:04 - 4:08no hay una gran cantidad
de heterogeneidad en los efectos. -
4:10 - 4:14- [Josh] Bueno, podría haberla
si me permites llenar ese espacio. -
4:14 - 4:16- No... ni siquiera entonces.
-
4:16 - 4:19Creo que para muchas
de esas intervenciones, -
4:19 - 4:23se espera que el efecto
sea del mismo signo para todos. -
4:23 - 4:27Puede haber pequeñas diferencias
en la magnitud, pero no es... -
4:28 - 4:30Porque muchas de estas
diferencias educativas -
4:30 - 4:32son buenas para todos.
-
4:32 - 4:36No es que sean malas
para algunas personas -
4:36 - 4:37y buenas para otras
-
4:37 - 4:40y en algunos pequeños casos
pueden ser malas. -
4:40 - 4:44Pero puede haber
algo de variación en la magnitud, -
4:44 - 4:45pero se necesitarían
-
4:45 - 4:47conjuntos de datos
muy muy grandes para encontrarlos. -
4:47 - 4:49Estoy de acuerdo en que,
en esos casos, -
4:49 - 4:51probablemente no serían
muy procesables de todos modos. -
4:52 - 4:54Pero creo que hay
muchos otros escenarios -
4:54 - 4:56donde hay mucha más heterogeneidad.
-
4:57 - 4:59- Bueno, estoy abierto
a esa posibilidad -
4:59 - 5:01y creo que el ejemplo que has dado
-
5:01 - 5:05es esencialmente
un ejemplo de marketing. -
5:06 - 5:10- No, esos tienen
implicaciones para ello -
5:10 - 5:12y esa es la organización,
-
5:12 - 5:15si tienes que preocuparte por la--
-
5:15 - 5:18- Bueno, necesito
ver ese documento. -
5:18 - 5:21- Así que, la sensación
que tengo es que... -
5:21 - 5:23- Todavía no estamos de acuerdo
en algo. -
5:23 - 5:26- Sí.
- No hemos coincidido en todo. -
5:26 - 5:27- Tengo esa sensación.
[risas] -
5:27 - 5:29- En realidad,
hemos discrepado en esto -
5:29 - 5:31porque no estaba para discutir.
-
5:31 - 5:33[risas]
-
5:33 - 5:35- ¿Se está poniendo
algo caluroso aquí? -
5:36 - 5:38- Caluroso.
Es bueno que esté caluroso. -
5:38 - 5:40La sensación que tengo es, Josh,
-
5:40 - 5:42que no estás diciendo
que estás seguro -
5:42 - 5:44de que no hay manera
de que haya una aplicación -
5:44 - 5:46en la que estas cosas sean útiles.
-
5:46 - 5:47Estás diciendo
que no estás convencido -
5:47 - 5:49con las aplicaciones existentes
hasta la fecha. -
5:50 - 5:52- Me parece bien.
- Estoy muy seguro. -
5:52 - 5:54[risas]
-
5:54 - 5:55- En este caso.
-
5:55 - 5:57- Creo que Josh tiene razón
-
5:57 - 6:00en que incluso
en los casos de predicción, -
6:00 - 6:04donde muchos de los métodos
de aprendizaje automática -
6:04 - 6:07realmente se destacan es donde hay
un montón de heterogeneidad. -
6:07 - 6:10- No te importan mucho
los detalles, ¿verdad? -
6:10 - 6:11- [Guido] Sí.
-
6:11 - 6:15- No tiene un ángulo normativo
o algo así. -
6:15 - 6:18- El reconocimiento
de dígitos escritos a mano -
6:18 - 6:19y demás...
-
6:19 - 6:24lo hace mucho mejor
que construir un modelo complicado. -
6:24 - 6:27Pero muchas
de las ciencias sociales, -
6:27 - 6:28muchas
de las aplicaciones económicas, -
6:28 - 6:30en realidad sabemos mucho
-
6:30 - 6:32sobre la relación
entre sus variables. -
6:32 - 6:35Muchas de las relaciones
son estrictamente monótonas. -
6:35 - 6:39La educación va a aumentar
los ingresos de la gente, -
6:39 - 6:42sin importar
las características demográficas, -
6:42 - 6:45sin importar
el nivel de educación que se tenga. -
6:45 - 6:46- Hasta que lleguen a un doctorado.
-
6:46 - 6:48- ¿Eso se aplica
a la escuela de posgrado? -
6:48 - 6:49[risas]
-
6:49 - 6:51- En un rango razonable.
-
6:51 - 6:55No va a bajar mucho.
-
6:55 - 6:58En muchos de los entornos
en los que se destacan -
6:58 - 7:00estos métodos
de aprendizaje automático, -
7:00 - 7:02hay mucha falta de monotonicidad,
-
7:02 - 7:05una especie de multimodalidad
en estas relaciones -
7:05 - 7:08y van a ser muy poderosos.
-
7:09 - 7:11Pero sigo sosteniendo lo mismo.
-
7:11 - 7:18Estos métodos tienen mucho
para ofrecerles a los economistas -
7:18 - 7:21y serán una gran parte del futuro.
-
7:22 - 7:23APLICACIONES
DEL APRENDIZAJE AUTOMÁTICO -
7:23 - 7:25Parece que hay
algo interesante por decir -
7:25 - 7:26sobre el aprendizaje automático.
-
7:26 - 7:27Así que, Guido, me preguntaba
-
7:27 - 7:29¿podría dar tal vez
algunos de los ejemplos -
7:29 - 7:31que está pensando
-
7:31 - 7:33con las aplicaciones
que salen en el momento? -
7:33 - 7:36- Un área
es donde en lugar de buscar -
7:36 - 7:37efectos causales promedio
-
7:37 - 7:40estamos buscando
estimaciones individualizadas, -
7:40 - 7:43predicciones de efectos causales,
-
7:43 - 7:46y allí, los algoritmos
de aprendizaje automático -
7:46 - 7:47han sido muy eficaces.
-
7:48 - 7:50Hasta ahora,
hemos hecho estas cosas -
7:50 - 7:51utilizando métodos de kernel,
-
7:51 - 7:54y teóricamente, funcionan muy bien,
-
7:54 - 7:56y hay quienes comentan
que, formalmente, -
7:56 - 7:58no se puede hacer nada mejor.
-
7:58 - 7:59Pero en la práctica,
no funcionan muy bien. -
8:00 - 8:03Las cosas aleatorias
de tipo bosque causal -
8:03 - 8:06en las que Stefan Wager
y Susan Athey -
8:06 - 8:09han estado trabajando
se utilizan muy ampliamente. -
8:10 - 8:12Han sido muy eficaces
en estos entornos -
8:12 - 8:15para obtener efectos causales
-
8:15 - 8:19que varían según las covariables.
-
8:19 - 8:24Creo que esto es solo el comienzo
de estos métodos. -
8:24 - 8:26Pero en muchos casos,
-
8:27 - 8:30estos algoritmos son muy eficaces,
-
8:30 - 8:31como en la búsqueda
en grandes espacios -
8:31 - 8:37y encontrar las funciones
que se ajustan muy bien -
8:37 - 8:40en formas que realmente
no podíamos hacer antes. -
8:42 - 8:43- No conozco ningún ejemplo
-
8:43 - 8:45en el que el aprendizaje automático
haya generado conocimientos -
8:45 - 8:47sobre un efecto causal
que me interese. -
8:48 - 8:49Y sí conozco ejemplos
-
8:49 - 8:51en los que es potencialmente
muy engañoso. -
8:51 - 8:53He trabajado con Brigham Frandsen
-
8:53 - 8:56utilizando, por ejemplo,
bosques aleatorios -
8:56 - 8:58para modelar
los efectos de las covariables -
8:58 - 9:00en un problema
de variables instrumentales -
9:00 - 9:03en el que hay que condicionar
las covariables.
- Title:
- ¿Cómo impactará el aprendizaje automático en la economía?
- ASR Confidence:
- 0.83
- Description:
-
- Video Language:
- English
- Team:
Marginal Revolution University
- Duration:
- 20:33
Show all