IA Pública Segura: Causalidad, Robustez y Decisión
DOI:
https://doi.org/10.64480/cip.2026.n7.03Palabras clave:
IA, políticas públicas, MDP, medidas ocupacionales, dualidadResumen
Este trabajo desarrolla una formalización matemática integrada para sistemas de inteligencia artificial orientados a la optimización de políticas públicas bajo restricciones institucionales, presupuestarias, causales y distributivas. El enfoque propuesto articula procesos de decisión de Markov restringidos, medidas ocupacionales, dualidad, condiciones KKT, inferencia causal secuencial, evaluación fuera de política, robustez ante incertidumbre y criterios de seguridad respecto a políticas base. La contribución central consiste en modelar a la IA pública no como un predictor aislado, sino como un operador compuesto que transforma datos observacionales, parámetros normativos y restricciones auditables en una política factible y matemáticamente justificable. A lo largo del texto se demuestran resultados de existencia, realizabilidad de medidas ocupacionales, dualidad fuerte, mejora de política, diferencias de desempeño, sensibilidad ante errores de especificación, contracción robusta bajo rectangularidad y estabilidad local del selector multiobjetivo. Asimismo, se formalizan restricciones de equidad, implementabilidad y estabilidad institucional, mostrando que la optimización pública exige distinguir cuidadosamente entre predicción, causalidad, factibilidad normativa y legitimidad política. El resultado es una arquitectura analítica auditable y extensible para el diseño de sistemas de apoyo a la decisión pública que combinan eficiencia algorítmica con seguridad, robustez y responsabilidad institucional.
Descargas
Citas
Athey, S., & Wager, S. (2021). Policy Learning With Observational Data. Econometrica, 89(1), 133–161.
Buckley, M., Papathanasiou, K., & Spanopoulos, A. (2025). Primal-Dual Sample Complexity Bounds for Constrained Markov Decision Processes with Multiple Constraints. arXiv preprint arXiv:2503.06751v1.
Chen, K., Wei, H., Deng, Z., & Lin, S. (2026). Towards Fast Safe Online Reinforcement Learning via Policy Finetuning. Transactions on Machine Learning Research. arXiv preprint arXiv:2412.04426v3.
De Moor, J., Weytjens, H., De Smedt, J., & De Weerdt, J. (2026). SCOPE: Sequential Causal Optimization of Process Interventions. arXiv preprint arXiv:2512.17629v3.
Ertefaie, A., & Strawderman, R. L. (2018). Constructing dynamic treatment regimes over indefinite time horizons. Biometrika, 105(4), 963–977.
Feinberg, E. A., Jas´kiewicz, A., & Nowak, A. S. (2019). Constrained discounted Markov decision processes with Borel state spaces. arXiv preprint arXiv:1806.00190v7.
Kalagarla, K. C., Jain, R., & Nuzzo, P. (2021). A Sample-Efficient Algorithm for Episodic Finite-Horizon MDP with Constraints. The Thirty-Fifth AAAI Conference on Artificial Intelli-gence (AAAI-21).
Sawarni, A., Jin, J., Whitehouse, J., & Syrgkanis, V. (2026). Policy Learning with Abstention. arXiv preprint arXiv:2510.19672v3.
Stradi, F. E., Lunghi, A., Castiglioni, M., Marchesi, A., & Gatti, N. (2024). Learning Constrained Markov Decision Processes With Non-stationary Rewards and Constraints. arXiv preprint arXiv:2405.14372v2.
Thomas, P. S., Theocharous, G., & Ghavamzadeh, M. (2015). High Confidence Off-Policy
Evaluation. Proceedings of the Twenty-Ninth AAAI Conference on Artificial Intelligence.
Wendl, M., As, Y., Prajapat, M., Pollak, A., Coros, S., & Krause, A. (2026). Safe Exploration via Policy Priors. Published as a conference paper at ICLR 2026. arXiv preprint ar-Xiv:2601.19612v1.
Xiao, X., Hu, X., Ye, Y., & Yue, X. (2026). CausalGDP: Causality-Guided Diffusion Policies for Reinforcement Learning. arXiv preprint arXiv:2602.09207v1.
Xu, Y., Ganesh, S., Mondal, W. U., Bai, Q., & Aggarwal, V. (2025). Global Convergence for Average Reward Constrained MDPs with Primal-Dual Actor Critic Algorithm. 39th Con-ference on Neural Information Processing Systems (NeurIPS 2025). arXiv preprint arXiv:2505.15138v2.
Yu, H. (2021). On Linear Programming for Constrained and Unconstrained Average-Cost Markov Decision Processes with Countable Action Spaces and Strictly Unbounded Costs. arXiv preprint arXiv:1905.12095v3.
Zuo, Q., & He, F. (2025). Ensuring Safety in an Uncertain Environment: Constrained MDPs via Stochastic Thresholds. arXiv preprint arXiv:2504.04973v3.
Descargas
Publicado
Cómo citar
Número
Sección
Categorías
Licencia
Derechos de autor 2026 RICARDO ALONZO FERNANDEZ SALGUERO
Esta obra está bajo una licencia internacional Creative Commons Atribución 4.0.
Los autores conservan sus derechos de autor y conceden a Conocimiento i política el derecho no exclusivo de primera publicación. Los artículos se publican bajo la licencia Creative Commons Atribución-NoComercial-SinDerivadas 4.0 Internacional (CC BY-NC-ND 4.0). Esta licencia permite copiar y redistribuir el material en cualquier medio o formato, siempre que se reconozca adecuadamente la autoría y la primera publicación en la revista, el uso no sea comercial y no se distribuya material modificado. Los autores pueden depositar y difundir la versión publicada en repositorios institucionales o temáticos, páginas personales y redes académicas, sin periodo de embargo, citando la publicación original e incluyendo su DOI o URL.
