El sesgo en el uso del big data aplicado a la seguridad y defensa para la predicción de la comisión de delitos.

Abstract

Cada día se generan en todo el mundo una inmensa cantidad de datos que crecen de manera exponencial cada año. A estos datos masivos y a su almacenamiento y procesamiento los denominamos Big Data. Esta enorme cantidad de información provienen de nuevas fuentes de datos como, por ejemplo; dispositivos GPS, relojes inteligentes, sensores o dispositivos conectados a Internet (IoT). Los datos pueden presentarse en distintos formatos, y responden a las características de Volumen, Velocidad, Variedad, Veracidad y Valor. Se trata de una cantidad de datos tan grande y compleja que, para su almacenamiento, gestión, análisis y tratamiento, se requiere de softwares creados específicamente para ello, puesto que los softwares tradicionales empleados para la gestión de datos son ineficientes. Es aquí donde cobra importancia el Machine Learning. Mediante algoritmos de aprendizaje el sistema es capaz de descubrir patrones basados en los datos que recibe y en función de ellos, realizar predicciones. El uso de Big Data tiene gran valor añadido y puede ser aplicado en numerosos sectores, como es el de la seguridad y la defensa. En este ámbito permite, entre otras aplicaciones, su uso para la predicción de la comisión de delitos mediante el análisis de datos. Machine Bias es un artículo que analiza un caso concreto del uso de métodos de Big Data para la predicción de la reincidencia de criminales detenidos, y muestra el sesgo racial que se produce al aplicar estos métodos. Motivado por este caso, analizaré la relación del Big Data con la Seguridad y la Defensa. Realizaré un estudio práctico utilizando el software estadístico R para la aplicación de métodos de Big Data en predicción de delitos, y determinar si puede producirse sesgo.