Jose M. Alvarez

Investigador Posdoctoral, Department of Computer Science, DTAI Research Unit, KU Leuven

noviembre 2025

Sofía Bosch

Profesora Asistente, Northeastern's College of Arts, Media, and Design

diciembre 2025

El EPOCH de la IA - Complementariedades humano-máquina en la fuerza laboral

Isabella Loaiza

Investigadora Postdoctoral en MIT Sloan School of Management

Mientras la inteligencia artificial transforma los mercados laborales, comprender qué capacidades humanas complementan, en lugar de ser reemplazadas por, la IA se vuelve crítico para orientar las perspectivas profesionales de los trabajadores y la planificación de la fuerza laboral de las empresas. Introducimos el marco EPOCH, un acrónimo de Empatía, Presencia, Opinión, Creatividad y Esperanza, para medir estas capacidades humanas complementarias. Utilizando métodos basados en redes que capturan las interdependencias de tareas en el conjunto laboral estadounidense, construimos tres métricas novedosas: una puntuación EPOCH que mide la intensidad de las capacidades humanas, una puntuación de potencial de aumento, y una puntuación de riesgo de sustitución. Este enfoque distingue explícitamente entre los efectos de aumento y automatización de la IA, abordando limitaciones clave en la literatura existente. Analizando datos a nivel de tareas de 2016-2024, datos de empleo hasta 2023, y proyecciones de empleo hasta 2034, encontramos un cambio sistemático hacia trabajo más intensivo en capacidades humanas en toda la fuerza laboral. Las nuevas tareas que emergen en 2024 exhiben puntuaciones EPOCH significativamente más altas que las tareas previamente existentes. De manera similar, las tareas con puntuaciones EPOCH más altas aumentaron en la frecuencia con que son realizadas por los trabajadores desde 2016. A nivel ocupacional, las ocupaciones intensivas en EPOCH experimentaron mayor crecimiento del empleo (β=0.132, p<0.01) entre 2015-2023, mayores tasas de contratación (β=0.796, p<0.01) en 2024, y mayores proyecciones de empleo (β=0.114, p<0.01) hasta 2034. Por el contrario, confirmamos que las ocupaciones con puntuaciones de riesgo más altas tienen asociaciones estadísticamente significativas y negativas para el empleo pasado (β=-0.219, p<0.01), la contratación actual (β=-1.066, p<0.01), y las proyecciones futuras de empleo (β=-0.155, p<0.01). Las puntuaciones de aumento exhiben asociaciones estadísticamente negativas (menores que la automatización) con el crecimiento del empleo pasado (β=-0.136, p<0.01) y las tendencias de contratación actuales (β=-0.358, p<0.01), mientras no muestran efectos estadísticamente significativos en las proyecciones futuras de empleo.

IA para el Bien Social: capacidades, poder, y participación

Diana Acosta-Navas

Profesora asistente Escuela de Administración de la Universidad de Loyola - Chicago

El término AI4SG (Artificial Intelligence for Social Good) se refiere al uso intencional de tecnologías de IA para resolver desafíos sociales, ambientales y económicos. Aunque muchas comunidades académicas y empresariales han adoptado esta idea como estándar normativo y aspiracional, su implementación enfrenta dos retos cruciales. Primero, ¿cómo definir “bien social”? En general, se recurre a concepciones utilitaristas que priorizan maximizar el bienestar promedio, pero dejan de lado a poblaciones vulnerables. Esta charla discute una alternativa a esta aproximación, proveniente de la teoría de las capacidades. El segundo problema es, ¿quién tiene el poder de decisión? La charla discute cómo los modelos fundacionales de IA desarrollados o financiados por grandes filantropías y un número pequeño de empresas, tienden a reproducir estructuras de poder opacas y exentas de rendición de cuentas. En conjunto, ambos problemas motivan la adopción de procesos participativos: tanto para definir técnicamente qué significa el bien social, como para democratizar el diseño y despliegue de modelos, reduciendo la concentración de poder institucional y promoviendo transparencia, responsabilidad y alineación comunitaria. La charla analiza el potencial y las limitaciones de algunos intentos recientes por incorporar mecanismos participativos en el desarrollo de la IA.

Optimización a Gran Escala para Operaciones Sostenibles

Sergio Camelo

Candidato a Ph.D. en Matemáticas Aplicadas, Stanford University

En esta presentación, Sergio expondrá dos proyectos que implementan técnicas de optimización con el objetivo de promover operaciones sostenibles. El primero es el diseño de una plataforma que permite a agricultores de palma de aceite en Indonesia, que emplean técnicas de producción sostenible, encontrar compradores para su fruta. El segundo optimiza la gestión de inventario de estufas de bioetanol en quioscos locales en Kenia, como alternativa para reducir las emisiones de CO₂ asociadas a otros métodos de cocción de alimentos menos sostenibles, como lo son el carbón o la leña.

(In)Justicia en Sistemas de IA: Auditorías Tributarias y Multiplicidad de Modelos

Emily Black

Profesora Asistente de Ciencias de la Computación y Ciencia de Datos en New York University

Su charla examina la justicia algorítmica en el contexto de sistemas de IA para la selección de auditorías tributarias en Estados Unidos usando datos reales de la IRS, e introduce el concepto de equidad vertical para tener en cuenta las diferencias de ingreso entre individuos. Además, discutirá el fenómeno de multiplicidad de modelos en IA con igual poder predictivo pero diferentes predicciones individuales. Esto permite elegir entre modelos igualmente “buenos”, basándose en otros criterios como equidad, robustez o interpretabilidad.

Inferencia Robusta y Cuantificación de Incertidumbre para la Toma de Decisiones Basada en Datos

Santiago Cortés Gómez

Candidato a Ph.D. en Machine Learning, Carnegie Mellon University

El creciente uso de datos observacionales para guiar la toma de decisiones en políticas públicas, salud y otras áreas de alto impacto ha impulsado el desarrollo de métodos robustos a sesgos de selección y cambios de distribución, considerando además cómo la incertidumbre y las predicciones afectan problemas decisionales posteriores. En la primera mitad de la charla, presentaré un marco metodológico para realizar inferencia estadística robusta en presencia de sesgos de selección u otros cambios en la distribución entre los datos observados y la población objetivo. Esta metodología aprovecha información adicional para restringir el conjunto de distribuciones posibles, permitiendo obtener cotas de alta probabilidad sobre el parámetro poblacional de interés. Aplicamos esta metodología para revelar sesgos en la tasa de hospitalización por COVID-19 en Estados Unidos entre distintos grupos raciales, incorporando datos serológicos complementarios. Posteriormente, discutiré un marco para la cuantificación de incertidumbre en modelos de aprendizaje automático utilizados en la toma de decisiones. Nuestro método utiliza conformal prediction para generar conjuntos de predicción adaptados a la estructura del problema decisional, manteniendo garantías de cobertura estadística. Presentamos un caso de uso real de modelos de machine learning para el diagnóstico médico, donde nuestro enfoque incorpora de manera efectiva la estructura jerárquica de las enfermedades dermatológicas generando conjuntos de decisión coherentes que facilitan el proceso de triage y demuestran cómo el conocimiento experto puede fundamentar la toma de decisiones basados en datos en contextos críticos. Statistical inference under constrained selection bias. Santiago Cortes-Gomez, Mateo Dulce, Carlos Patino, and Bryan Wilder. ICML, 2024 Decision-Focused Uncertainty Quantification. Santiago Cortes-Gomez, Carlos Patino, Yewon Byun, and Steven Wu, Eric Horvitz, Bryan Wilder

Predicción de la fatalidad de accidentes vehiculares en Bogotá

Daniel Lasso

Investigador en Quantil y estudiante de Maestría en Economía en la Universidad de Los Andes

Durante el año 2022 más de 8 000 personas murieron en accidentes de tránsito en Colombia, 80% de estos corresponden a motos o peatones. Si bien en la actualidad las autoridades cuentan con modelos de predicción agregados de accidentes; conocer que ocurrirá una cantidad de accidentes fatales resulta inútil, en términos de prevención, si no se logra acotar la información a un "dónde". Este trabajo propone un modelo sencillo que utiliza la información de la ubicación de accidentes del 2021 en Bogotá para derivar la probabilidad de ocurrencia de accidentes fatales en la capital. Así mismo, utiliza modelos de Aprendizaje de Máquinas para elaborar un modelo predictivo de si un accidente de tránsito deriva en un accidente fatal. Esto ofrecería a la Secretaría de Tránsito una herramienta para el uso eficiente de recursos como los agentes civiles de tránsito para prevenir tal accidentalidad. Se encuentra que la mayor probabilidad de accidentes fatales se presenta en vías secundarias, especialmente en suroccidente y noroccidente de Bogotá. Así mismo, entre las características más asociadas a accidentes fatales está la accidentalidad del peatón, la existencia de huecos, la falta de señalización y el exceso de velocidad en vía secundaria.

Aprendizaje y planificación bajo incertidumbre para la conservación de la vida silvestre

Lily Xu

Estudiante de Ph.D. en la Escuela de Ingeniería y Ciencias Aplicadas de Harvard (SEAS)

La caza furtiva de especies silvestres alimenta el multimillonario comercio ilegal de especies silvestres y lleva a innumerables especies al borde de la extinción. Para ayudar a los guardas a prevenir la caza furtiva en las áreas protegidas de todo el mundo, hemos desarrollado el Asistente de Protección para la Seguridad de la Vida Silvestre (PAWS, por sus siglas en inglés). Realizamos avances técnicos en bandidos multi-armados y la toma de decisiones secuenciales robustas mediante el aprendizaje por refuerzo, con preguntas de investigación que surgieron de los desafíos sobre el terreno. También discutimos cómo disminuir la brecha entre la investigación y la práctica, presentando los resultados del despliegue sobre el terreno en Camboya y el despliegue a gran escala mediante la integración con SMART, el principal sistema de software para la gestión de áreas protegidas utilizado por más de 1.000 parques de vida silvestre en todo el mundo.

Detección de observaciones en pliegos electrónicos para la auditoría de contratación pública

Isabella Rodas

Fellow de Data Science for Social Good (DSSG), Instituto de Inteligencia Artificial de Alemania y Universidad de Kaiserslautern.

Este fue un trabajo realizado en colaboración con la Dirección Nacional de Contrataciones Públicas de Paraguay (DNCP) y el programa Data Science for Social GoodxGermany (DSSGxGermnay) en el verano del 2022. En este proyecto, se construyó un modelo para identificar las licitaciones públicas que probablemente presenten inconsistencias con la ley reguladora, y proporcionar a los auditores explicaciones para guiar de una mejor manera su revisión. La DNCP audita manualmente miles de licitaciones al año y espera un mayor volumen en el futuro a medida que la economía y la población del país crezcan. Disponer de una lista más reducida y priorizada de licitaciones con probables irregularidades permite a la DNCP aprovechar mejor sus recursos y revisar más licitaciones con mayor atención.

Métodos estadísticos para la cuantificación del conflicto armado en Colombia

Maria Gargiulo

Estudiante de posgrado en la Universidad de Oxford y Estadística del Human Rights Data Analysis Groupd (HRDAG)

La recopilación de datos sobre violaciones de derechos humanos en el marco de conflicto es difícil y peligroso y los datos que resultan generalmente son incompletos. Las historias de algunas víctimas nunca se documentan y a aquellas cuyas historias se documentan les puede faltar información clave. Además, los datos que se documentan no son necesariamente representativos estadísticamente de la totalidad de la población de víctimas. Extraer inferencias a nivel de población a partir de estos datos sin corregir los datos faltantes corre el riesgo de responder incorrectamente a preguntas sobre patrones de violencia. Esta charla introducirá la metodología detrás de las estadísticas sobre homicidio, desaparición forzada, secuestro, reclutamiento ilícito y desplazamiento en el marco del conflicto colombiano. Discutirá los métodos que se utilizaron para deduplicar más de 100 bases de datos, llenar los campos faltantes en los datos documentados y estimar el tamaño total de la población de víctimas, incluso aquellas víctimas que nunca fueron documentadas por ninguna fuente.

Una Propuesta de Mejores Prácticas para el Ajuste de Riesgo en Colombia

Álvaro Riascos

Fundador y Codirector de Quantil y Profesor Asociado de la Universidad de Los Andes

El Ministerio de Saludo y Protección Social de Colombia esta a punto de introducir una de las principales reformas al sistema de salud publica colombiano en los últimos treinta años. En esta presentación resumimos algunas de las cosas que hemos aprendido en los últimos diez años de usar técnicas de aprendizaje de maquinas en la intersección del diseño de políticas publicas y la salud publica.

El lugar del derecho en la era digital urbana

Beatriz Botero Arcila

Profesora asistente en la Facultad de Derecho de Sciences Po en París y co-fundadora del Edgelands Institute

Un tema central de los estudios legales sobre las ciudades es cómo el derecho municipal da forma a la formulación de políticas urbanas. El derecho municipal es el cuerpo legal que establece la autoridad formal de las ciudades y, como tal, crea el marco legal limitado en el que operan los municipios. En consecuencia, configura las posibles estrategias de desarrollo económico de las ciudades. En la economía digital, el auge de las empresas de tecnología digital que prestan servicios urbanos y servicios para los gobiernos municipales promete atraer la innovación local y las oportunidades de negocio y representa importantes oportunidades de desarrollo económico. Sin embargo, la implementación y el despliegue de estas tecnologías en las ciudades también se han convertido en retos regulatorios para las ciudades y han suscitado importantes preocupaciones sobre su potencial para aumentar la desigualdad urbana y el poder corporativo, al tiempo que afianzan la vigilancia en el tejido urbano. Las literaturas que advierten tanto sobre los riesgos de la digitalización de las ciudades, como la que presenta su potencial, raramente aborda cómo el sistema legal y, en particular, el derecho municipal, da forma a estas tecnologías y crea incentivos para que los gobiernos municipales y las propias empresas adopten, regulen y diseñen estas tecnologías de formas particulares. Esta presentación presentará un análisis de cómo el derecho municipal, sobre todo en ciudades europeas y estado unidenses, pero haciendo cierta referencia a Colombia, participa en la conformación de la forma actual de la era digital urbana.

Efecto de la victimización en la adolescencia en comportamientos delictivos futuros usando técnicas de inferencia causal no paramétrica

Mateo Dulce Rubio

Estudiante de doctorado en Estadística y Políticas Públicas, Universidad Carnegie Mellon

La teoría del ciclo de la violencia afirma que los niños maltratados tienen mayor probabilidad de participar en actividades delictivas en el futuro. Esta relación causal es ampliamente aceptada, pero ha sido poco estudiada en el caso de los adolescentes victimizados. En este trabajo utilizamos el conjunto de datos de Add Health, la mayor encuesta longitudinal representativa a nivel nacional (USA) de adolescentes, para comprobar el ciclo de la violencia en esta población. Derivamos un estimador no paramétrico basado en la función de influencia para el ATT cuando el tratamiento no es siempre observado. Encontramos que la tasa de delincuencia entre los individuos victimizados habría sido 3,23 puntos porcentuales menor si ninguno de ellos hubiera sido victimizado y todos hubieran sido observados. Esto aporta evidencia positiva a la teoría del ciclo de la violencia entre los adolescentes. Además, exploramos los efectos heterogéneos por edad, pero no pudimos rechazar la hipótesis nula de que el efecto es el mismo independientemente de la edad a la que se experimenta la victimización. Por último, elaboramos un análisis de sensibilidad basado en el ratio de riesgo que muestra que nuestros resultados son robustos ante modestos factores de endogeneidad.

Racial Discrimination and Housing Outcomes in the United States Rental Market

Ignacio Sarmiento Barbieri

Profesor Asistente de la Universidad de Los Andes, Facultad de Economía

El seminario analiza la persistente discriminación racial en el mercado de alquiler de viviendas en Estados Unidos, destacando cómo el entorno habitacional impacta tanto a corto como a largo plazo, con efectos intergeneracionales. A pesar de estar prohibida por ley, la discriminación sigue afectando de manera desproporcionada a afrodescendientes y latinos, particularmente en áreas más segregadas. A través de experimentos de auditoría en plataformas de alquiler online, se evidencia que las minorías reciben menos respuestas a sus solicitudes en comparación con personas blancas, lo que limita su acceso a la vivienda. Esta barrera perpetúa las desigualdades socioeconómicas, reduciendo las oportunidades de movilidad social y reforzando brechas estructurales entre generaciones. Esta falta de acceso a mejores entornos no solo afecta a la generación actual, sino que agrava las disparidades intergeneracionales, perpetuando la desigualdad racial en el acceso a la vivienda y las oportunidades socioeconómicas.

Diseño de Mecanismos para el Bien Social: Como Maximizar la Utilidad de un Número Limitado de Pruebas COVID

Francisco Marmolejo Cossío

Investigador postdoctoral en la Escuela de Ingeniería y Ciencias Aplicadas de Harvard (SEAS)

El seminario se enfoca en el diseño de mecanismos para maximizar el uso eficiente de recursos limitados, como las pruebas de COVID, aplicando métodos de optimización que buscan minimizar el impacto del aislamiento y mejorar las decisiones de salud pública. Uno de los enfoques principales es el uso de pruebas grupales, una técnica que combina muestras de varias personas para detectar infecciones en un solo análisis, lo que permite ahorrar recursos y realizar un mayor número de pruebas. Sin embargo, este método presenta desafíos relacionados con la sensibilidad y la precisión, especialmente en casos de infecciones asintomáticas con baja carga viral. Estas técnicas ya están siendo implementadas en instituciones educativas de México, como el Tecnológico de Monterrey, donde se utilizan para gestionar la seguridad sanitaria de estudiantes y profesores mediante una asignación estratégica de pruebas. A lo largo del seminario, se presentan diferentes estrategias para asignar las pruebas de manera eficiente, considerando la heterogeneidad de la población y el nivel de riesgo de infección en cada segmento, con el fin de optimizar el número limitado de pruebas disponibles. Además, el proyecto fomenta una colaboración estrecha entre investigadores y tomadores de decisiones públicas para enfrentar los retos que conlleva la recolección de datos y la implementación práctica de estas soluciones en diversas instituciones, buscando un equilibrio entre investigación y aplicación en la vida real.

De la Ingeniería Matemática a la acción en el sector público: Experiencias y aprendizajes

Sara Arango Franco

Investigadora Asociada / Científica de Datos en la Universidad de Nueva York (NYU)

Sara, científica de datos con amplia trayectoria en instituciones como la Universidad de Chile y el Instituto de Orbe Management, ha centrado su carrera en conectar ciencia y tecnología con el sector público, lo cual refleja una creciente necesidad de interdisciplinariedad en la ingeniería matemática aplicada a las políticas públicas. Al tratarse de una disciplina que carece de un objeto específico, el éxito depende de la capacidad de los expertos para adoptar lenguajes comunes que permitan comunicar eficazmente hallazgos entre disciplinas diversas. Sus experiencias incluyen activismo en movilidad urbana, donde contribuyó a generar espacios de discusión sobre ordenamiento territorial, subrayando la importancia del diálogo horizontal para influir en políticas públicas. Además, en su trabajo dentro del sector público, Sara resalta la necesidad de incorporar procesos de aprendizaje continuo mediante experimentación controlada, a fin de mejorar la efectividad de las políticas y su implementación. Sin embargo, más allá de la técnica, recalca la importancia de la empatía, la humildad y la comunicación efectiva en el trabajo con datos y organismos públicos, donde las interacciones humanas y la comprensión de las dinámicas institucionales son cruciales para superar los retos inherentes a la colaboración en este contexto.

Uso de Inteligencia artificial y la ciencia de datos para impulsar y monitorear objetivos de desarrollo sostenible

Santiago Correa

Candidato a doctor en Ingeniería Computacional de la Universidad de Massachusetts Amherst

Uso de Inteligencia artificial y la ciencia de datos para impulsar y monitorear objetivos de desarrollo sostenible: Acceso a una energía asequible, segura, sostenible y moderna para todos. Santiago es ingeniero de la Universidad Pontificia Bolivariana de Medellín, Magíster y candidato a doctor en Ingeniería Computacional de la Universidad de Massachusetts Amherst. Actualmente se desempeña como investigador asistente en STIMA Lab (Systems Towards Infrastructure Measurement and Analytics) bajo la dirección de Prof. Jay Taneja. Su área de interés es la implementación de modelos de IA (Inteligencia Artificial) buscando mejorar la eficiencia, confiabilidad y monitoreo de sistemas de energía en países en desarrollo con el objetivo de reducir la pobreza energética, mitigar el cambio climático y apoyar la implementación del Objetivo de Desarrollo Sostenible 7. Su perfil y publicaciones pueden encontrarse en el siguiente enlace: https://santiagocorrea.github.io/. Tiene como objetivo utilizar herramientas de inteligencia artificial y analítica de datos para mejorar la eficiencia y confiabilidad de los sistemas energéticos en países en desarrollo, contribuyendo al cumplimiento del Objetivo de Desarrollo Sostenible número 7: garantizar el acceso universal a energía limpia y asequible. En Colombia, aunque la mayoría de la población tiene acceso a electricidad, persisten zonas rurales donde se necesita mayor intervención. Se discuten enfoques avanzados para medir no solo la cobertura eléctrica, sino también la confiabilidad del servicio, utilizando indicadores como la duración de fallas eléctricas, que permiten evaluar más allá de la mera conectividad. Un aspecto clave es la innovación en la detección de fallas eléctricas mediante el análisis de datos generados por la carga de teléfonos móviles, lo que elimina la necesidad de sensores físicos extensivos en redes de baja cobertura. Finalmente, se exploran metodologías basadas en machine learning y datos satelitales para mapear áreas electrificadas y no electrificadas, optimizando la planificación energética en territorios con infraestructuras limitadas, mejorando la detección de fallas y la confiabilidad del servicio eléctrico, especialmente en zonas rurales y de difícil acceso.