○ planned · proyecto
Otorga nivel a: Reinforcement Learning · Econometrics
Usa: Econometrics · Reinforcement Learning · Neural Network · Digital Twin · Deep Uncertainty
Diego (Escuela de Gobierno) critica las limitaciones de la CD en política pública: el ML gana en proyectos acotados pero por diseño optimiza el sistema actual y no resuelve decisiones estratégicas. Propone gemelos digitales + deep learning + reinforcement learning para decisiones secuenciales en sistemas caóticos.
Hallazgos clave
- En MINED (El Salvador), el ML de deserción fue 4-5x más predictivo que el econométrico, pero se validó un año en sombra antes de producción.
- ‘Si te dicen que hacen ML y estrategia, o no saben lo que hacen o te engañan’: ML responde preguntas operativas caso por caso.
- La mayoría de métodos buscan ‘reformas reformistas’ (Gorz): optimizar el sistema actual, no rediseñarlo.
- La información más valiosa está en los modelos mentales de las personas, no en datos (‘dataísmo’).
- DMDU busca robustez, no predicción; RL no sirve fuera de entornos simulables, por eso el puente es el gemelo digital.
- Metodología DSSG: partir de las acciones disponibles (‘¿qué harás con la predicción?’), no del modelo; la formulación consume 6 meses vs 2.5 del modelo.
Módulos
- Proyectos positivos — MINED, Baltimore, Johnson County.
- Por qué la CD no basta — ‘social good’ no está definido.
- Limitación 1: reformas reformistas vs no reformistas.
- Limitación 2: modelos mentales y dataísmo.
- Limitación 3: ML no ve largo plazo (caos, incertidumbre).
- Salidas — DMDU, RL, gemelos digitales.
Fuente: https://www.youtube.com/watch?v=jwnv7lWbDQw · Transcript local: data/cursos/datapub-politica-publica/politica-publica.srt
Enlaces
Otorga nivel a: Reinforcement Learning · Econometrics Usa: Econometrics · Reinforcement Learning · Neural Network · Digital Twin · Deep Uncertainty