La corrupción pública es un fenómeno muy complejo, que lastra la vida pública de los países que la padecen. Basada en la opacidad en el uso de los recursos públicos y en el tráfico de influencias la corrupción mina no solo las finanzas públicas, sino que genera inequidad en la redistribución de los recursos, contamina la obra pública y pone en entredicho la legitimidad de los gobiernos.
Si bien en México se sigue padeciendo del fenómeno de la corrupción a altos niveles, es cierto que desde hace ya varios sexenios se han venido implementando estrategias institucionales para detectar a tiempo, impedir y en su caso sancionar los actos de corrupción por parte de los servidores públicos. Hoy en día se cuenta con una trazabilidad que antes no se tenía sobre transacciones gubernamentales.
Sin embargo, el identificar en el inmenso número de contratos, licitaciones, subsidios, declaraciones patrimoniales, transferencias presupuestarias y empresas proveedoras actos de corrupción pareciera fuera de las capacidades humanas. No obstante, la tecnología actual como el aprendizaje automático, el procesamiento del lenguaje natural y el análisis de redes, es posible identificar precios atípicos, contratos repetidamente asignados a determinados proveedores, empresas vinculadas entre sí, conflictos de interés o modificaciones presupuestarias sospechosas.
Autores mexicanos como Aldana y colaboradores han desarrollado metodologías basadas en el uso intensivo y extensivo del llamado Machine Learning para identificar actos de corrupción. En su trabajo, Aldana y colaboradores encuentran que las relaciones entre compradores y proveedores son predictores importantes del riesgo de corrupción. Todo ello usando un modelo. Aldana y colaboradores utilizan un modelo de clasificación supervisada denominado Hyper-Forest. Se trata de un ensamble de múltiples modelos Random Forest, diseñado específicamente para resolver el fuerte desequilibrio entre contratos clasificados como corruptos y no corruptos. Su técnica es ingeniosa y usan 19 variables predictoras, además de usar 45 random forest.
Su modelo se basó en el uso de 33,497 contratos etiquetados como corruptos y 1,506,892 contratos no corruptos. Sus hallazgos consistieron en que las variables más informativas no fueron únicamente las características individuales del contrato, sino las que describen la relación entre comprador y proveedor: gasto recurrente, concentración de contratos, favoritismo, adjudicaciones directas y gasto por semana activa.
No obstante, es ingenuo suponer que la tecnología es políticamente neutral. Los algoritmos reproducen las limitaciones de los datos con los que son construidos. Si una institución únicamente registra ciertos tipos de irregularidades, el sistema aprenderá a detectar lo conocido y podría ignorar modalidades nuevas o más sofisticadas de corrupción. También, existe el peligro de utilizar modelos opacos para perseguir adversarios, vigilar selectivamente a funcionarios o producir acusaciones sin garantías procesales. Paradójicamente, un modelo de Machine Leearning diseñado para combatir la opacidad podría convertirse en una nueva fuente de poder opaco.
Por ello, considero que su uso debe someterse a cuatro condiciones. Primero, los modelos deben ser auditables y ofrecer explicaciones comprensibles sobre las alertas generadas. Lo anterior no quiere decir que sean inteligibles a las personas legas. Sino inteligibles para las personas entrenadas en Machine Learning y otras técnicas de IA. Segundo, los datos y criterios de riesgo deben estar sujetos a controles independientes. Tercero, ninguna decisión sancionadora debe descansar exclusivamente en una predicción algorítmica. Cuarto, la ciudadanía, el periodismo y la academia deben poder evaluar los resultados del sistema, respetando las restricciones legítimas relacionadas con la privacidad.
Aldana y sus colegas mexicanos nos han abierto la puerta al uso de la IA en el combate a la corrupción. ¿Cuánto tiempo tardarán las instituciones salvaguardas de la no opacidad y el buen uso de los recursos públicos en usar esta tecnología? Solo el tiempo y la voluntad política lo dirán.
________________________________________________________________________________
Antonio Aguilera Ontiveros
