La aplicación de inteligencia en los datos gira en torno a tres ejes fundamentales: la empresa, el usuario y la regulación. Para los operadores, el dato se ha convertido en el activo central tanto para la seguridad como para la eficiencia comercial. El análisis masivo de información permite a los operadores maximizar la eficiencia operativa y afinar la toma de decisiones, optimizando tanto la captación como la retención de clientes. Desde la perspectiva del jugador, el uso de la analítica define la calidad y la confianza en la experiencia de usuario.

La aplicación de modelos de machine learning al sector ha permitido identificar de manera automática comportamientos anómalos reduciendo significativamente la velocidad de respuesta y garantizando la seguridad de los jugadores. Finalmente, en el plano regulatorio, el acceso y análisis de estos datos masivos es la única vía para legislar con evidencia científica.

El análisis macro de los datos por parte del sector público permite monitorizar el cumplimiento de normativas estrictas como las barreras de acceso a menores o la prevención del blanqueo de capitales. Y no podemos obviar el uso de la inteligencia artificial generativa para crear y conformar asistentes virtuales que ayudan a casi profesionalizar al jugador. Ejemplos positivos y negativos de todos estos aspectos se pueden encontrar en la documentación disponible sobre el tema que, como era de esperar, ha generado mucha expectación.

Sin embargo, los algoritmos actuales no dejan de ser una mano en proyecto. Los modelos de inteligencia artificial más avanzados tienen una gran limitación: su interpretación. No sirve de nada que un modelo prediga cuando un cliente puede desarrollar un comportamiento de juego problemático o recomiende a un operador dónde situar un local, si no se otorga una explicación de cómo se ha llegado a dicha conclusión.

Además, pese a que los algoritmos utilizados no tengan un sesgo intrínseco —es decir, no estén diseñados para discriminar a ningún colectivo—, si los datos con los que han sido entrenados contienen sesgos, las estimaciones del modelo resultarán sesgadas. Por ejemplo, si la mayoría de personas que presentan un comportamiento de juego problemático son hombres de mediana edad, los modelos pueden sobre ajustarse a dichos datos, dando demasiado peso a dichas características.

Esto generará que usuarios puedan ser categorizados de riesgo simplemente por el hecho de ser hombres de mediana edad, mientras que otros usuarios con comportamientos más problemáticos no sean analizados por no tener dichas características.

Es ahí donde la investigación aplicada hace que la mano se vuelva ganadora. En especial, IBiDat es un organismo pionero en la transferencia matemática al mundo empresarial. Cuentan con un equipo de investigadores con formación en estadística, matemática aplicada y computacional e informática. Sus proyectos con empresas cubren las áreas de Inteligencia Artificial, Machine learning y Data Science mientras que sus investigaciones, entre otros temas, son muy rompedoras en en la interpretabilidad y la equidad en los algoritmos. ¿Te animas a colaborar con nosotros?


Dónde encontrar a IBiDat:
Linkedin | Web | instituto.bigdata@uc3m.es