De la predicción a la decisión: Cómo usar Random Forest y Algoritmos Genéticos para diseñar políticas públicas efectivas

En el ámbito de la ciencia de datos y la política pública, el cambio climático representa uno de los retos más complejos de modelar debido a su naturaleza multivariable y estocástica. Históricamente, las proyecciones climáticas han dependido de pronósticos tradicionales que fallan al intentar predecir una trayectoria única del futuro. Sin embargo, un enfoque reciente, bautizado como el modelo "Si se puede", está transformando esta dinámica al transitar del forecasting al Robust Decision Making (RDM) o Toma de Decisiones Robusta.

El paradigma de los futuros sintéticos

El problema fundamental de los modelos climáticos convencionales es la incapacidad de capturar la incertidumbre exógena (PIB, demanda energética, población). La metodología "Si se puede" rompe con esto mediante la ejecución de simulaciones masivas. A través del muestreo de Hipercubo Latino (Latin Hypercube Sampling), el sistema genera miles de trayectorias (futuros sintéticos) que no pretenden ser una predicción exacta, sino un abanico de posibilidades.

Este framework integra diversos sectores —energético, socioeconómico, economía circular y agricultura— permitiendo analizar cómo interactúan estas variables y cuál es el impacto resultante en las emisiones de CO2.

Minería de datos y Random Forest: Identificando los drivers de éxito

Con un dataset compuesto por 1,000 simulaciones, cada una analizada como una serie de tiempo compleja (35 pasos temporales por ~2,000 columnas), el volumen de información requiere técnicas avanzadas de reducción y clasificación.

Para extraer insights accionables, se implementa una arquitectura de análisis de datos estructurada en tres fases:

• Ingeniería de variables objetivo: Se calcula el porcentaje de cambio de las emisiones totales entre el año inicial y el final, transformando las series de tiempo en un formato manejable para modelos predictivos.
• Etiquetado Binario: Se definen variables objetivo mediante deciles, clasificando las simulaciones en "casos de éxito" (bajas emisiones) o "casos fallidos" (altas emisiones).
• Modelado con Random Forest: Se entrenan modelos de Random Forest para cada cuantil, permitiendo computar la importancia de las variables (feature importance). Esto permite identificar qué levers (políticas públicas) y qué condiciones exógenas son los predictores más robustos para mitigar emisiones.

Optimización multiobjetivo y el Frente de Pareto

Identificar qué variables son importantes es solo el primer paso. El desafío crítico reside en determinar la magnitud o intensidad necesaria para que estas políticas sean efectivas.

Para resolver este trade-off, se utiliza un algoritmo genético multiobjetivo que optimiza dos métricas clave:

• Coverage: Capacidad de capturar la mayor cantidad de escenarios vulnerables (emisiones altas).
• Density: Minimización de la captura de escenarios "seguros" (emisiones bajas) dentro de la zona de intervención.

El resultado es la construcción de un Frente de Pareto, que permite a los tomadores de decisiones visualizar el punto óptimo donde se maximizan simultáneamente la cobertura y la densidad. Esta técnica permite trazar fronteras de decisión claras, como se observó en el estudio de caso para el estado de Luisiana.

Conclusión: Política basada en evidencia

El resultado final de este proceso algorítmico es la capacidad de establecer umbrales precisos para la intervención pública. En el caso analizado, se determinó que políticas específicas —como el uso de energías renovables y la electrificación de procesos térmicos— deben aplicarse con una intensidad superior al 60% para lograr un impacto real en la mitigación de gases de efecto invernadero.

Este enfoque trasciende la especulación, proporcionando a los responsables de políticas climáticas una base empírica para asignar recursos y esfuerzos, asegurando que las decisiones no solo estén bien intencionadas, sino que estén respaldadas por la robustez de los datos.

¿Te gustaría profundizar en la configuración técnica de los hiperparámetros del Random Forest o ver la implementación del algoritmo genético utilizado en este estudio? Mira el video completo de esta charla:

Si quieres aprender más de casos de uso de ciencia de datos e IA, no te pierdas el próximo Data Day