Data Pub febrero: ML Informed Financial Assistance to Prevent Homelessness
27 de Febrero de 2025
Kasun Amarasinghe
Modalidad
¿De qué va la charla?*
A medida que la brecha entre los costos de vivienda y los niveles de ingresos continúa creciendo, un número cada vez mayor de hogares tiene dificultades para pagar el alquiler, eventualmente enfrenta el desalojo y, en algunos casos, experimenta la falta de vivienda. (En EE. UU.) Los gobiernos locales implementan Programas de Asistencia para el Alquiler para proporcionar ayuda financiera temporal a los inquilinos que tienen dificultades para pagar su renta, con el objetivo de mantenerlos en una vivienda estable y prevenir la falta de hogar. Sin embargo, a medida que aumenta el número de hogares vulnerables y los fondos para estos programas de asistencia siguen siendo limitados, los administradores deben decidir qué hogares recibirán ayuda. Aunque identificar y priorizar a las personas más vulnerables es una preocupación clave, la práctica común consiste en distribuir la asistencia utilizando heurísticas simples, como el criterio de “primero en llegar, primero en ser atendido”.
En esta charla, se describirá un esfuerzo colaborativo entre el equipo de la Universidad Carnegie Mellon y el Departamento de Servicios Humanos del Condado de Allegheny, en el que examinaron la utilidad de utilizar un enfoque basado en Aprendizaje Automático (ML) para priorizar la asignación de asistencia para el alquiler y minimizar la falta de vivienda causada por desalojos. Se explicará cómo convertir un el problema de política en un problema de ML, cómo se desarrolló y evaluó el sistema de ML en un entorno coherente con el contexto de implementación, el diseño y despliegue de la prueba de validación en el campo, y las lecciones que se aprendieron a lo largo del proceso
La agenda es la siguiente:
7:00pm - 7:30pm: Bienvenida y anuncios
7:30pm - 8:45pm: Data Pub Febrero: ML Informed Financial Assistance to Prevent Homelessness
8:45pm - 9:00pm: Pizzas y networking
*La charla será en inglés
Más sobre los ponentes
Kasun Amarasinghe es Senior Research Scientist en el Data Science for Social Good Lab de la Universidad Carnegie Mellon, donde lleva a cabo investigaciones en la intersección del aprendizaje automático (ML) y las políticas públicas. Su trabajo se centra en el desarrollo de sistemas algorítmicos para apoyar la toma de decisiones en la prestación de servicios públicos, como modelos predictivos de riesgo para prevenir resultados adversos y optimización de recursos limitados. Además, estudia el despliegue seguro de sistemas de ML en entornos de alto impacto, abordando temas como la explicabilidad de los modelos y la justicia algorítmica. Antes de su puesto actual, Kasun fue investigador postdoctoral en el mismo laboratorio durante tres años, bajo la supervisión del profesor Rayid Ghani. Obtuvo su doctorado en la Universidad Virginia Commonwealth, donde desarrolló su tesis doctoral sobre el diseño y desarrollo de algoritmos explicables de aprendizaje automático para la seguridad de Sistemas de Control Industrial. Kasun también es Research Fellow en el equipo de Data, Algorithms, and Policy (DAP) de LIRNEasia, un instituto de investigación en políticas públicas en Sri Lanka, donde apoya el desarrollo de sistemas de ingeniería de datos y ciencia de datos para el sector público en la región del sur de Asia.