Estudo mostra que modelo matemático identifica cenários alternativos na tomada de decisão

Se eu quitar uma determinada dívida, será que conseguiria um empréstimo com um valor maior? Se um bairro reduzir a quantidade de pontos de ônibus e investir em melhorar as condições socioeconômicas da região, será que este local se tornaria mais seguro? Se eu alterar a acidez do meu solo e aumentar a irrigação, será que eu consigo potencializar o meu rendimento? 

Um estudo da Escola de Matemática Aplicada (FGV EMAP) em conjunto com o Instituto de Ciências Matemáticas e de Computação da USP (ICMC USP) desenvolveu um modelo de machine learning capaz de reunir inúmeros contrafactuais, a fim de encontrar cenários alternativos para diferentes tomadas de decisão. “As aplicações deste modelo teórico são diversas, não há limitação”, introduz o coordenador da pesquisa, Jorge Poco. 

O professor afirma que no conjunto de diversos contrafactuais, ou seja, possibilidades alternativas, um tomador de decisão pode optar por uma escolha mais eficaz, ao entender os diferentes cenários que cada uma dessas escolhas pode acarretar. Além disso, ele destaca que diferentes áreas do conhecimento possuem seus próprios modelos para encontrar cenários alternativos em seus respectivos setores. Contudo, o modelo criado pela FGV EMAP pode ser aplicado em qualquer área. 

“Nosso modelo pode ser utilizado pela medicina, pelo setor financeiro, na área de segurança pública, e muitas outras. Além disso, é importante ressaltar que diferente de outros modelos, o nosso não concede apenas uma opção alternativa, mas uma gama de cenários que pode auxiliar, por exemplo, diferentes governos a criarem políticas públicas, ou mesmo outros pesquisadores a pensarem nas variadas maneiras de criar ou aplicar um determinado projeto”, explicou Poco. 

Da teoria à prática 

O professor relembra que o modelo, apesar de teórico, possui inúmeras possibilidades de ser aplicado. Inclusive, este projeto já foi aplicado pela Secretaria de Segurança Pública de São Paulo, a fim de gerenciar o controle da criminalidade, avaliando diferentes contrafactuais que podem melhorar a segurança de algumas regiões do município. 

“Como estudo de caso, nós investigamos os padrões de crime na cidade de São Paulo, coletando informações socioeconômicas, urbanas e de criminalidade em regiões censitárias. Por meio de uma parceria com o Núcleo de Estudos da Violência da Universidade de São Paulo (NEV-USP), tivemos acesso a registros criminais, e através do Centro de Estudos da Metrópole (CEM), conseguimos dados sobre escolas, pontos de ônibus e bares. Com essas informações em mãos, classificamos as regiões de acordo com a taxa de crimes cometidos por transeuntes, normalizada pela população total de cada região”, detalhou Poco. 

Em seguida, os pesquisadores identificaram os lugares com taxas mais altas de insegurança, nos quais, por meio de uma técnica chamada regressão logística regularizada, classificaram se uma determinada região era perigosa ou não.  

“Dada uma região do censo classificada como perigosa, é possível criar contrafactuais, ou seja, cenários alternativos, que dão uma ideia do que um tomador de decisão poderia fazer para tornar aquela região mais segura. É importante observar que nossos modelos não mostram um efeito causal. Isso ocorre porque as técnicas de aprendizado de máquina geralmente se baseiam em encontrar correlações entre variáveis. Entretanto, nossa técnica mostra possíveis alterações que podem ter um efeito. Depende do tomador de decisões validar os resultados por meio de experimentos adicionais”, exemplificou Poco. 

Pareto Optimum 

O pesquisador Marcos Raimundo, da Universidade de Campinas (Unicamp), que também fez parte do projeto, acredita que as soluções encontradas por este sistema podem variar de acordo com as circunstâncias. Porém, o modelo encontra essas soluções através de um conceito chamada Pareto optimum. O objetivo é justamente evitar que o modelo sugira cenários piores que os já levantados. A partir deste ideal, surgiu o próprio título para este projeto, que se chama Mining Pareto-optimal counterfactual antecedents with a branch-and-bound model-agnostic algorithm. 

Raimundo dá outro exemplo de aplicação de metodologias baseadas em contrafactuais: “este tipo de metodologia já foi aplicado em um projeto que avalia a evasão escolar, mapeando atributos socioeconômicos e desempenho dos alunos. A intenção era entender as alternativas para tentar diminuir a quantidade de estudantes que abandonavam os estudos. Da mesma forma, o nosso sistema é capaz de demonstrar as condições que poderiam evitar essa evasão em primeiro lugar, como a possibilidade de conceder auxílio financeiro, a quantidade de disciplinas, a carga horária semanal, entre outros”. 

Confira o estudo na íntegra.