Machine Learning para la Asignación de Asistencia Financiera y Prevención de la Falta de Vivienda

Dentro del marco de nuestros seminarios semanales, la Escuela de Gobierno y Transformación Pública recibió al Dr. Kasun Amarasinghe, Investigador Científico Senior en el Data Science for Public Policy Lab de la Universidad Carnegie Mellon. En su presentación, Kasun expuso cómo el uso de modelos de Machine Learning (ML) puede mejorar la distribución de asistencia financiera para prevenir la falta de vivienda, particularmente en el contexto de los programas de asistencia para el alquiler en Estados Unidos.

Amarasinghe presentó un esfuerzo colaborativo entre Carnegie Mellon University y el Departamento de Servicios Humanos del Condado de Allegheny, cuyo objetivo fue explorar el uso de Machine Learning para priorizar la asignación de asistencia al alquiler y minimizar los desalojos que pueden llevar a la falta de vivienda. Tres preguntas clave guiaron la investigación: ¿cómo podemos dirigir los recursos limitados hacia quienes más los necesitan?, ¿qué significa realmente "necesitar la ayuda más"?, y ¿podemos identificar a los posibles beneficiarios antes de que ellos mismos soliciten la ayuda?

Entre los hallazgos presentados, el equipo logró identificar a las 100 personas con mayor probabilidad de interactuar con algún servicio de asistencia para personas sin hogar en el siguiente año, priorizándolas para recibir ayuda con el alquiler. Utilizaron datos administrativos del Condado de Allegheny y evaluaron diversos modelos de ML junto con estrategias heurísticas simples que sirvieron como referencia para comparar el desempeño de los modelos. Esto permitió ofrecer a los responsables de la toma de decisiones distintas opciones de modelos, cada una con diferentes costos y beneficios. 

Los resultados mostraron que los modelos de Machine Learning lograron mejorar en un 20% la efectividad en comparación con heurísticas básicas como priorizar a las personas según la fecha más reciente en que experimentaron falta de vivienda.

Kasun enfatizó la importancia de diseñar sistemas que integren a los trabajadores de primera línea en el proceso, asegurando que puedan interactuar de manera efectiva con las predicciones del modelo. Finalmente, mencionó que desarrollaron procesos para actualizar los datos semanalmente y generar predicciones en cohortes, asegurando que los resultados del modelo lleguen a quienes implementan la política en campo. La experiencia demostró que, con un enfoque bien diseñado y ético, el Machine Learning puede ser una herramienta poderosa para mejorar la asignación de recursos en políticas públicas.