¿Puede la inteligencia artificial predecir conflictos?, ¿estamos más cerca de actuar en el presente para evitar futuros muy probables? A pesar de la complejidad e incertidumbre inherentes a los conflictos violentos en las sociedades actuales, los politólogos y matemáticos han hecho ciertos progresos en la última década para mejorar las predicciones o al menos medir mejor los factores de riesgo.
Sin embargo, ningún modelo matemático puede capturar de forma exacta acontecimientos tan inciertos como el estallido violento de un conflicto. Un ejemplo de esta limitación lo encontramos en el estudio desarrollado por el Peace Research Institute de Oslo en 2010 que usaba un modelo de regresión logística basado en la serie histórica del período 1970-2000 de datos socioeconómicos (como los niveles de educación o el índice de mortalidad infantil) y demográficos (como el porcentaje de población joven). A pesar de que desde el punto de vista estadístico el método constaba una precisión matemática de más del 90% (acertaba en 9 de cada 10 simulaciones), el modelo otorgó a Siria una probabilidad de violencia del 0,25% unos meses antes del estallido de la guerra. Una de las principales limitaciones del diseño es que no podemos saber de antemano la interdependencia entre las variables analizadas. O simplemente hay factores difícilmente expresables matemáticamente como el juicio de Bashar al-Assad o que hay información sobre el terreno que no está presente en las bases de datos globales.
Un enfoque diferente es el seguido por el Early Warning Project, el primer modelo público que “ensambla” diferentes modelos construidos a partir de más de 30 variables organizadas en indicadores socioeconómicos, demográficos, de historial de conflictos, del estado de derechos humanos, del tipo de régimen o la composición étnica. El proyecto organiza un ranking de 30 países con los mayores factores de riesgo en estallido de violencia. Quizás su mayor potencial estriba en la flexibilidad del diseño para, partiendo de varios modelos, ajustar la combinación que se adapta mejor a los datos disponibles. Esto permite ampliar la base de modelos que se prueban. Estudios recientes[1] han demostrado que mejoran los resultados sobre los modelos clásicos de regresión al incorporar las fortalezas de múltiples modelos, del mismo modo que la “sabiduría de muchos” (si están calibrados) mejora el juicio de cualquier experto.
El proyecto VIEWS financiado por la Unión Europea es innovador al incorporar redes neuronales en la construcción del modelo. Combina la regresión clásica de simulación dinámica (la misma que se utiliza por ejemplo en las predicciones electorales de Kiko Llaneras) con aprendizaje automático utilizando varias técnicas, entre ellas la de redes neuronales. Lo más innovador del proyecto es que puede asumir que no todos los modelos son igualmente informativos y así sesgar o dar más peso a aquellos con mejores predicciones de acuerdo a la validación. Aunque sólo se centra en África, realiza informes mensuales sobre la probabilidad de estallido de violencia en cada país.
Obviamente en todo el mundo se están desarrollando en el sector privado algoritmos predictivos que no se publican o que están construidos sobre fuentes no abiertas, lo que plantea consideraciones éticas cuando no se aplican para mitigar o incluso evitar los conflictos sino para anticiparse a beneficios de otro tipo como la especulación con el valor de las materias primas.
Quizás el mayor reto de todos estos desarrollos no se encuentre en la difícil tarea de anticiparse a eventos muy inciertos sino en qué medida son interpretables e informan mejor a los decisores políticos. De ello dependerá escoger de nuestras profecías aquella que evita los peores futuros.
[1] Armstrong, J. S. (ed.) (2001), Principles of Forecasting: A Handbook for Researchers and Practitioners (Vol. 30), Springer Science & Business Media.
