Revista PLANEO N°62 | Ciudad artificial Vol. 1: diseñando escenarios de futuro a través de los datos y la IA | Marzo 2025
[Por: Javier Miramontes Figueroa. Arquitecto, Tecnológico de Monterrey, México; estudiante de Magíster en Asentamientos Humanos y Medio Ambiente, Pontificia Universidad Católica de Chile]
Entrevistado: Dr. Rodrigo Carrasco
Rodrigo Carrasco es Profesor Asociado de la Escuela de Ingeniería UC, con una posición compartida entre el Instituto de Ingeniería Matemática y Computacional y el Departamento de Ingeniería Industrial y de Sistemas. Actualmente dirige la Iniciativa de Ciencia de Datos UC y es miembro del Consejo Asesor del Columbia Global Centers Santiago, además de integrar el directorio del Instituto Chileno de Investigación Operativa. Su investigación se centra en problemas combinatoriales y en cómo incorporar la incertidumbre en distintas aplicaciones, combinando analítica predictiva y prescriptiva con técnicas de optimización para apoyar la toma de decisiones. Sus principales intereses incluyen la programación de tareas y el desarrollo de algoritmos de aproximación. Antes de incorporarse a la UC, fue Profesor Asociado en la Universidad Adolfo Ibáñez y Director Académico del Magíster en Ingeniería Industrial. Es Ingeniero Industrial y Magíster en Ingeniería Eléctrica por la UC, y Doctor en Ingeniería Industrial e Investigación de Operaciones por la Universidad de Columbia. También trabajó en Siemens Corporate Research en Princeton y en Booz Allen Hamilton, liderando proyectos en Chile y otros países de la región.
Ciencia de datos
PLANEO (Javier): En palabras simples, ¿qué es la ciencia de datos y por qué es relevante hoy para entender fenómenos urbanos complejos?
Dr. Rodrigo: Mira, lo central de la ciencia de datos es cómo transformamos los datos en información relevante para la toma de decisiones. En esencia, se trata de aprovechar el proceso científico para convertir datos en conocimiento que ayude a decidir de manera informada.
La ciencia de datos funciona como una brújula: nos orienta dentro de este gran campo de información que existe, ayudándonos a identificar patrones que muchas veces están ocultos. Eso permite comprender qué está ocurriendo y cómo navegar en medio de esa gran masa de datos, para así anticipar lo que puede suceder hacia adelante.
Decidir en medio de la incertidumbre
PLANEO (Javier): Muchas decisiones en la planificación urbana deben tomarse en contextos de incertidumbre. ¿Cómo puede la ciencia de datos apoyar ese tipo de decisiones complejas?
Dr. Rodrigo: Efectivamente, casi todas las aplicaciones con las que trabajamos miran hacia el futuro, y el futuro siempre es incierto. Pero que exista incertidumbre no significa que no se pueda modelar. Existen herramientas matemáticas que permiten representarla y, de ese modo, tomar mejores decisiones.
Por ejemplo, cuando trabajamos en temas de mantenimiento o en la gestión de pabellones, siempre hay variables inciertas: ¿cuánto durará una operación?, ¿qué imprevistos pueden surgir?, ¿qué tan largo será un viaje en una red de transporte?, o ¿cuál es la vida útil que le queda a un equipo?
Todo eso es incierto, pero puede incorporarse en modelos. La ciencia de datos, combinada con la investigación de operaciones y la optimización matemática, permite justamente eso: aprovechar la información disponible para calibrar modelos y tomar decisiones considerando esa incertidumbre. Esa combinación es clave, porque traduce datos en herramientas concretas para decidir, ya sea en el diseño urbano, en la gestión operativa o, simplemente, en la elección de la mejor ruta en una aplicación como Waze.
Datos para enfrentar los futuros desafíos urbanos
PLANEO (Javier): ¿Qué oportunidades ofrece el análisis de datos para anticipar y abordar los desafíos complejos en la planificación urbana, como el cambio climático, la saturación de la infraestructura o la gestión de riesgos?
Dr. Rodrigo: Es una muy buena pregunta. Yo diría que el análisis de datos se puede entender en tres grandes familias: analítica descriptiva, predictiva y prescriptiva.
La analítica descriptiva permite tomar datos y entender qué está ocurriendo en el presente. Por ejemplo, a partir de imágenes satelitales podemos calcular cuánta vegetación hay por metro cuadrado en distintas zonas de Chile. Eso ayuda a identificar, por ejemplo, sectores con menos áreas verdes en relación con su población.
La analítica predictiva busca proyectar lo que podría pasar. Personalmente, creo que no se trata tanto de “predecir el futuro”, sino de usar la historia y los datos disponibles para tomar decisiones con esa información. Por ejemplo, si reducimos la cantidad de personas que asisten a cierto lugar, podemos analizar cómo eso impacta en la saturación de servicios públicos o en el uso de áreas verdes. También podemos estudiar tendencias como la sequía o la disminución de lluvias para entender cómo afectarán la disponibilidad de espacios habitables o los llamados walkable days (días con condiciones agradables para caminar). Ese tipo de métricas conectan de forma más directa con la vida cotidiana de las personas que simplemente hablar de temperaturas máximas o mínimas.
Finalmente, la analítica prescriptiva se enfoca en la acción: dado lo que sabemos y lo que proyectamos, ¿qué decisiones debemos tomar? Por ejemplo, cómo adaptar las políticas públicas a la saturación de los servicios, al cambio climático o a los efectos del transporte. En este punto, la ciencia de datos no consiste en “meter todo en una juguera” y esperar que un algoritmo entregue una respuesta mágica. Se trata de combinar herramientas técnicas con el conocimiento de quienes trabajan en urbanismo, arquitectura o climatología, para comprender cómo la gente usa la ciudad y cómo los cambios afectan su vida.
PLANEO (Javier): Ahondando un poco más en este tema, abordaste dos conceptos: machine learning e inteligencia artificial. ¿Podrías explicar, en términos básicos, cómo funcionan?
Dr. Rodrigo: Es difícil definir qué es exactamente la inteligencia artificial, porque hoy en día casi todo se llama así. Por ejemplo, algunos dirían que Waze es inteligencia artificial, pero para mí es un modelo matemático estudiado desde hace más de 50 años, que resuelve el problema de encontrar la distancia más corta entre dos puntos.
En general, se podría decir que la inteligencia artificial es cualquier sistema computacional que busca simular, en alguna medida, lo que haría una persona para tomar decisiones. Pero ahí está la dificultad: hay cosas muy simples que un ser humano puede hacer —como lanzar un dado y obtener un número al azar— que para un computador no son tan sencillas.
El machine learning, en cambio, es más fácil de definir: son algoritmos que, a partir de los datos, van aprendiendo patrones y ajustando su desempeño con el tiempo. Mientras la inteligencia artificial es un paraguas más amplio, el machine learning se centra en este aprendizaje automático a partir de la información disponible.
Ahora bien, incluso dentro de esta discusión hay distintas posturas. Por ejemplo, muchos colegas en ingeniería matemática dirían que herramientas como ChatGPT no son realmente inteligencia artificial, porque no están “tomando decisiones” en un sentido estricto.
Lo que sí está claro es que todas estas herramientas —IA, machine learning, deep learning— corresponden a algoritmos, que uno puede imaginar como “recetas de cocina”: una serie de pasos para dividir y resolver un problema. En algunos casos, el computador debe encontrar por sí mismo cómo dividir ese problema, y en otros nosotros ya tenemos la experiencia para definir el modelo matemático.
Un ejemplo clásico es la ruta más corta: podemos escribir el modelo en un pizarrón y resolverlo, pero al mismo tiempo, Google o Waze lo calculan en fracciones de segundo evaluando un grafo con millones de calles, sin necesidad de analizar todas las combinaciones posibles. Eso requiere algoritmos muy sofisticados que vienen de la investigación de operaciones, la computación y la ciencia de datos.
En definitiva, todos estos enfoques apuntan a lo mismo: transformar datos en información útil que apoye la toma de decisiones.
De los modelos a las decisiones reales
PLANEO (Javier): Has trabajado con datos aplicados a sistemas reales. ¿Cómo se traduce toda esa información técnica en herramientas útiles y digeribles para quienes toman decisiones públicas?
Dr. Rodrigo: Esa es una parte muy interesante y creo que también fundamental. La clave está en la interdisciplina.
Por ejemplo, hoy trabajamos bastante con telescopios en Chile. Nuestro rol es desarrollar modelos que permitan hacer mantenimiento predictivo o planificar observaciones. Pero como matemático, yo no sé cuáles son las métricas realmente importantes para la astronomía; por eso es indispensable trabajar con astrónomos, que son quienes determinan lo que se necesita.
Lo mismo debería ocurrir en urbanismo y arquitectura: es necesario entender qué métricas son relevantes para quienes planifican la ciudad, para luego usar herramientas que permitan medir cómo cambian esas métricas en el tiempo. Al final, se trata de un trabajo conjunto para identificar qué es lo importante desde la mirada de la otra disciplina.
Y después viene un paso igual de crucial: comunicar esa información de manera clara y concisa. Es ponerse en los zapatos de la persona que toma decisiones y mostrarle de forma sencilla cuáles son las palancas que mueven el sistema, qué efectos puede tener cada decisión y cómo se relacionan los distintos factores. Para eso sirven la visualización de datos y los modelos simplificados: permiten aterrizar fenómenos complejos en información útil y accionable.
PLANEO (Javier): Diste el ejemplo de los walkable days para ilustrar cómo afecta el cambio climático. ¿Cómo se puede comunicar este tipo de información a la ciudadanía, de manera que sea comprensible, pero sin generar alarma o desinformación?
Dr. Rodrigo: Creo que aquí hay dos aspectos importantes. El primero tiene que ver con la educación en ciencia de datos. Hoy es muy fácil mostrar un gráfico con ciertos “trucos” y hacer que las personas interpreten la información de una manera que puede no ser la correcta. Por eso es clave que la gente tenga nociones básicas de cómo leer e interpretar los datos. Ese trabajo de alfabetización es una tarea que la universidad debería impulsar con fuerza.
El segundo aspecto es la forma en que entregamos la información. Hoy existen múltiples herramientas de visualización y análisis que permiten simplificar y codificar datos complejos para que sean entendidos por públicos no especializados. La ciencia de datos tiene un enorme valor justamente en traducir enormes planillas de números, o incluso datos no estructurados —como comentarios en redes sociales o fotografías— en indicadores comprensibles y relevantes.
Pero esto también tiene un riesgo: incluso con buenas intenciones, uno puede introducir sesgos al resumir o representar los datos. En estadística hay varias paradojas que muestran cómo, dependiendo de cómo se agrupan o presentan los datos, se puede transmitir una conclusión completamente distinta. Por eso, además de simplificar la información, debemos enseñar a la ciudadanía a reconocer estas limitaciones y posibles sesgos.
En definitiva, se trata de un doble trabajo: por un lado, entregar la información de manera clara y útil, y, por otro, formar a la ciudadanía para que pueda interpretarla críticamente y no se deje llevar por presentaciones engañosas o superficiales.
Preparar el camino para el futuro
PLANEO (Javier): ¿Qué tipo de transformaciones institucionales, culturales o éticas crees que son indispensables hoy si queremos que el uso de datos ayude realmente a construir ciudades más justas y sostenibles en el futuro?
Dr. Rodrigo: Lo primero es entender que los datos no se resumen solos. No basta con tener bases de datos o modelos sofisticados: también se requiere confianza, capacidades institucionales y una gobernanza adecuada.
Por ejemplo, muchos hospitales están muy interesados en aplicar herramientas de ciencia de datos. Sin embargo, una vez que uno diseña esas herramientas, pocas instituciones tienen la capacidad de mantenerlas o utilizarlas en el día a día. Eso requiere equipos especializados que no son simplemente áreas de tecnologías de la información, sino unidades con capacidad de innovación y gestión de datos.
Por eso, creo que la transformación más urgente es formar personas capacitadas para que estas herramientas no solo se diseñen, sino que se usen y se sostengan en el tiempo. En segundo lugar, se necesita construir confianza: que la ciudadanía esté segura de que la información publicada por una municipalidad o institución proviene directamente de sensores o fuentes transparentes, y que no ha sido manipulada de manera sesgada.
Además, se debe fomentar una cultura que valore la evidencia, pero siempre con un marco ético claro. No se trata solo de usar datos, sino de asegurar que su obtención y uso respeten principios de equidad y justicia. Y también hay un tema de brechas: grandes ciudades como Nueva York llevan años invirtiendo en abrir sus datos al público, lo que permite desarrollar múltiples aplicaciones y herramientas. Pero ese nivel de inversión rara vez está disponible en municipalidades con menos recursos.
El desafío, entonces, es evitar que solo las ciudades más ricas puedan beneficiarse del uso de datos. Necesitamos mecanismos de colaboración y repositorios compartidos que permitan que también las comunas más pequeñas o vulnerables puedan aprovechar estas herramientas. Solo así podremos garantizar que los beneficios de la ciencia de datos lleguen a todos y que las ciudades avancen hacia una gestión más justa y sostenible.
PLANEO (Javier): Ya estamos llegando al final. ¿Hay algo más que quisieras agregar?
Dr. Rodrigo: Primero que todo, quiero agradecer la invitación. Nunca se me habría ocurrido que desde una revista de arquitectura y urbanismo me fueran a contactar para hablar de ciencia de datos.
Yo realmente creo que la ciencia de datos es un elemento central hoy en día. Así como la matemática es un lenguaje para la ciencia, la ciencia de datos se ha convertido en un lenguaje para la toma de decisiones.
Nuestro rol desde la universidad es apoyar a que las personas comprendan qué es la ciencia de datos y cómo aprovechar sus herramientas, desde las más simples hasta las más sofisticadas. No se trata de que todos tengan que ser expertos, sino de que todos entiendan que existen herramientas que pueden ayudarnos a comprender qué está pasando y a tomar mejores decisiones.
Y esas decisiones tienen un impacto profundo: en cómo vivimos, en cómo trabajamos juntos y, por supuesto, en cómo diseñamos y gestionamos nuestras ciudades. Por eso creo que quienes están en posiciones de responsabilidad en el ámbito urbano deberían contar con unidades que les permitan aprovechar los datos de la mejor manera posible, para usar de forma eficiente los recursos —que siempre son limitados— y mejorar la vida de quienes habitan la ciudad.