Publicado el 24 Enero, 2019

Machine Learning para economistas

John Maynard Keynes, en la introducción de las obras de Alfred Marshall, escribió que el economista (entre muchas otras cosas) debe ser matemático, historiador, estadista y filósofo (en cierto grado), debe comprender los símbolos y hablar con palabras corrientes…


Síguenos en: | | |


No hay nada más cierto, Keynes tenía razón. Los que estudiamos la economía nos apropiamos de esas palabras desde que empezamos el largo camino del Homo Economicus, pero si el Lord inglés estuviera aún entre nosotros, nos diría, y permítanme modificar el texto original: el economista debe ser matemático, historiador, estadista, filósofo y tener habilidades de programación en Python, R, Matlab, Julia; conocimientos en Data Management, Data Visualization, Deep Learning, Neural Networks… y así podríamos continuar y nombrar un sinnúmero de habilidades que de una u otra manera son esenciales para el economista del siglo XXI.

Los economistas nos enfrentamos a nuevos retos con el paso del tiempo, creíamos que la profundidad de análisis matemático era suficiente para lograr salir airosos de nuestro quehacer investigativo. Usábamos programas y paquetes estadísticos con la culpa intrínseca de tener que “bajarlos” de manera ilegal (en la mayoría de los casos), o usándolos a regañadientes en la universidad porque esta tenía justo la versión anterior y necesitábamos la nueva, la que integraba un nuevo tipo de análisis predominante en la ciencia económica de esos días.

Pero ¡eureka! Aparecieron con gran fuerza los programas de software libre y las posibilidades se nos abrieron como se abren las puertas de los centros comerciales, pero había algo que no nos habían contado: estos desarrollos tecnológicos implicaban programar, y por programar no me refiero a hacer clic en algún botón de EViews, o escribir do-files en Stata, no, esto era programar desde cero, usar la sintaxis y la lógica que maneja C o C++, y de repente la puerta del centro comercial quedó cerrada. Solo había cabida para quizá ingenieros o ingeniosos economistas que vieron venir esto y se prepararon para no quedar obsoletos dentro de las discusiones en foros y reuniones virtuales de programadores de la ciencia económica.

De aquí en adelante se nos planteó la necesidad de escribir código, de aprender diferentes lenguajes de programación; usar import tal paquete para llamar una serie de funciones en Python, aprender a instalar estos paquetes en una ventana negra que atemorizaba. Sin embargo, y hablo a título personal, triunfamos y ahora vemos estos métodos más cerca de nosotros, entendemos que la sintaxis no es tan complicada y que todo tiene un camino lógico y un resultado esperado. Encendimos una vela en medio de la oscuridad, empezamos a programar, a realizar análisis más profundos y entendimos o reaprendimos los conceptos básicos de nuestro análisis.

Nuestro lenguaje cambió. IDE, scripts y demás palabras son ahora de común uso dentro de nuestro círculo, términos como Machine Learning o aprendizaje automático ya no son tan desconocidas, a pesar de que no teníamos (o no tenemos) aún claro lo que significa. Pero una duda me embargaba, cuando intenté traducir Machine Learning pensé en máquinas y aprendizaje y no en la traducción oficial. Entendí todo mal, pensé, pero cada vez que hablaba con colegas confirmaba mi supuesto: me estoy convirtiendo en una máquina que aprende y ahora usaba lenguaje de máquina para referirme al contexto, pasé del análisis crítico al análisis de código y de cómo hacerlo más eficiente. Por suerte el código no lo es todo, no somos ingenieros, tenemos que escribir, y ahí es donde reapareció el economista que contextualizaba lo aprendido.

Quizá la esencia está en no olvidar que la economía se alimenta de nuestro sentir, de nuestras experiencias en la realidad, de los problemas comunes: lo anterior no son más que nuevas herramientas. En nuestros inicios como seres humanos encontramos el fuego, y cambió para siempre la evolución, luego descubrimos la rueda y las posibilidades de movilizar pensamiento son grandiosas, pero no debemos olvidar que al final del día, cuando realizamos nuestro balance, estas no son más que herramientas y no el fin del proceder económico. Al final de la jornada la idea no es terminar convertidos en máquinas que aprenden, sino en economistas que piensan, actúan y transforman las múltiples realidades de la sociedad de la cual hacemos parte.

Referencias

Marshall, A. (1949). Obras escogidas. México, D. F.: Fondo de Cultura Económica.

Comparte este artículo

bookmark icon