Creador
Practica
El Sistema de Inteligencia de Datos para la Inspección Laboral es una herramienta tecnológica y de procesos de información que genera una predicción del riesgo de incumplimiento a la normativa laboral en los centros de trabajo susceptibles de ser inspeccionados por la Secretaría, a partir del procesamiento de una gran cantidad de datos y de la aplicación de algoritmos de aprendizaje de máquina. Contribuye a que la inspección laboral esté mejor informada, sea más eficiente, menos discrecional y tenga mayor impacto en las condiciones laborales de las personas trabajadoras, que es su objetivo sustantivo. Para ello, combina diferentes fuentes de información y algoritmos de aprendizaje de máquina, en una relación virtuosa con cambios en la cultura organizacional.
El SIDIL integra información de registros administrativos de la propia STPS, como la base de datos del Directorio Nacional de Empresas (que contiene los centros de trabajo susceptibles de ser inspeccionados) y de los sistemas de apoyo al proceso inspectivo y sancionador, incorpora también las bases de datos del Instituto Mexicano del Seguro Social (IMSS), con quien la STPS tiene un convenio para el intercambio de información, y se complementa con datos que provienen de la Encuesta Nacional de Ocupación y Empleo (ENOE) y del Censo Económico, ambos realizados por el Instituto Nacional de Geografía y Estadística del Gobierno de México, y cuya información tiene representatividad para las 32 entidades federativas, así como para los sectores de actividad económica desagregados.
La conjunción de la información histórica generada a partir de las diferentes fuentes, inclusive los resultados de más de un millón de inspecciones realizadas (que determinarán una variable dependiente), permite producir la interacción entre variables para el entrenamiento de un modelo de aprendizaje de máquina que se utilizará para la predicción de riesgo. El modelo utilizado en este caso es el Random Forest, que genera múltiples árboles de decisión para hacer predicciones sobre un conjunto de datos.
El modelo se utiliza para calcular la probabilidad de que un centro de trabajo incumpla la normatividad laboral en cada una de las submaterias de la inspección laboral, al tomar en cuenta los indicadores imputados y analizar cómo se relacionan con el historial de incumplimiento en diferentes áreas de inspección. Luego, utiliza esta información para hacer una predicción sobre la probabilidad de que un centro de trabajo incumpla en el futuro. Esto lo hace para cada una de las submaterias, de manera independiente.
Se calcula así el riesgo de incumplimiento de cada uno de los CT para cada una de las submaterias y se genera con esto lo que lamamos la Matriz de Predicción de Riesgo (MPR), el producto más importante del SIDIL, que a través de una interfaz de consulta permite seleccionar universos con alto riesgo de violación de la normatividad laboral para la realización de operativos de inspección. Esta herramienta permite a los inspectores seleccionar la entidad federativa, el tamaño de empresas en los que buscan hacer la inspección, el sector de actividad y tipo de materia de inspección laboral, así como el nivel de probabilidad de violación sobre el que se quieran enfocar.
El SIDIL explota más de 35 millones de estimaciones puntuales a diferentes niveles de agregación, para predecir el riesgo en un universo siempre dinámico de centros de trabajo registrados en el Directorio Nacional de Empresas, independientemente de que éstos tengan o no antecedentes de inspección.
Finalmente se desarrollaron interfaces, tanto para la automatización del procesamiento de la información (que se debe procesar trimestralmente), como para la consulta de la matriz de riesgos y la generación de universos inteligentes de inspección.
Objetivos
Las inspecciones laborales son el instrumento que tiene el Estado para verificar y garantizar que las empresas cumplen con la normativa en materia de condiciones laborales y de seguridad y salud en el trabajo.
Realizar inspecciones en todo el universo de empresas a nivel nacional no resulta viable debido al gran número de centros de trabajo y la limitación de los recursos públicos. Hoy en día, la selección de las empresas que se van a inspeccionar se basa sólo en un mecanismo aleatorio para la selección de centros de trabajo.
Este proyecto se centró en lograr que la Secretaría de Trabajo y Previsión Social de México (STPS) disponga de una herramienta que le permita seleccionar centros de trabajo basado en la estimación del riesgo de incumplimiento a la normatividad laboral y así mejorar su eficacia en la detección de irregularidades y su eficiencia en el uso de los recursos públicos.
A través del desarrollo de un mecanismo predictivo, se logró dirigir las inspecciones de manera que haya una mayor probabilidad de encontrar violaciones a la normatividad laboral, a través del desarrollo de un sistema de información con aprendizaje de máquina que optimiza la planeación de la inspección al generar estrategias inteligentes basadas en predicciones de riesgo de incumplimiento de las normas laborales.
Resultados, Alcance e Impacto
El proyecto ha alcanzado su objetivo principal al permitir la generación de estrategias inteligentes de inspección basadas en estimaciones de riesgos de incumplimiento de las condiciones laborales en los centros de trabajo. Esta capacidad permite dirigir de manera eficiente los limitados recursos públicos de la inspección laboral para lograr el mayor impacto posible en términos de la eficiencia de las inspecciones realizadas. La inteligencia artificial aplicada a la gestión se convierte, de este modo, en una herramienta valiosa para optimizar la toma de decisiones de una estrategia de política pública y mejorar la eficacia de las acciones de inspección laboral.
Además, esta iniciativa ha resultado en un fortalecimiento significativo de las capacidades analíticas del personal y de la organización.
Escalabilidad y Retos Futuros
Las evaluaciones muestran que se duplica la tasa de precisión de las inspecciones. Sin embargo, hay un gran potencial de mejora, sobre todo relacionado con el incremento en la calidad de la información, lo cual aumentará aún más la capacidad predictiva del modelo.
Un gran reto es lograr la sostenibilidad e institucionalización del uso de la herramienta. Se han definido procesos y procedimientos y se está en el proceso de implementación.