{"id":21459,"date":"2023-10-19T08:02:00","date_gmt":"2023-10-19T12:02:00","guid":{"rendered":"https:\/\/intosaijournal.org\/?post_type=journal-entry&p=21459"},"modified":"2023-10-29T22:23:17","modified_gmt":"2023-10-30T02:23:17","slug":"machine-learning-application-for-sais","status":"publish","type":"journal-entry","link":"https:\/\/intosaijournal.org\/es\/journal-entry\/machine-learning-application-for-sais\/","title":{"rendered":"Aplicaci\u00f3n del aprendizaje autom\u00e1tico en las EFS"},"content":{"rendered":"\n

Por Tiare Rivera, Entidad Fiscalizadora Superior de Chile (CGR)<\/strong><\/p>\n\n\n\n

Introducci\u00f3n<\/strong><\/strong><\/h2>\n\n\n\n

Las Entidades Fiscalizadoras Superiores (EFS) son la piedra angular de la salvaguarda de la rendici\u00f3n de cuentas, la transparencia y la eficacia en el sector p\u00fablico, en particular con respecto a las operaciones del gobierno. No obstante, y en vista de que la tecnolog\u00eda evoluciona a una velocidad vertiginosa, resulta imperativo que las EFS adopten tecnolog\u00edas de datos de vanguardia, tales como el aprendizaje autom\u00e1tico (ML, por sus siglas en ingl\u00e9s), a fin de revolucionar sus procesos de auditor\u00eda. Con el ML, las EFS pueden mejorar su eficiencia, precisi\u00f3n y eficacia, al ofrecer un an\u00e1lisis m\u00e1s exhaustivo y fundamentado en datos de las operaciones gubernamentales y garantizar as\u00ed los m\u00e1s altos est\u00e1ndares de rendici\u00f3n de cuentas y de confianza.<\/p>\n\n\n\n

En el presente art\u00edculo, proponemos una hoja de ruta que permita a una EFS incorporar estas avanzadas tecnolog\u00edas de datos poniendo el foco en el ML, haciendo menci\u00f3n de los principales algoritmos actualmente en uso y destacando algunos de los conceptos m\u00e1s importantes. Por \u00faltimo, tratamos de mostrar el impacto que el uso del ML puede tener sobre el desempe\u00f1o de las EFS.<\/p>\n\n\n\n

Comprometiendo a las EFS con las tecnolog\u00edas de datos avanzadas<\/strong><\/strong><\/h2>\n\n\n\n

Son varios los pasos que hay que dar de cara a encaminar a una Entidad Fiscalizadora Superior hacia la integraci\u00f3n y el uso eficaz de las tecnolog\u00edas de datos avanzadas, tales como el aprendizaje autom\u00e1tico:<\/p>\n\n\n\n

Desarrollar una estrategia clara: <\/strong>Una EFS capacitada para trabajar con datos y tecnolog\u00eda tiene que contar con una estrategia clara que describa las metas y los objetivos de la entidad. Dicha estrategia debe desarrollarse con las aportaciones de todas las partes interesadas, incluidos los auditores, los profesionales de TI y los expertos en la materia.<\/p>\n\n\n\n

Invertir en tecnolog\u00eda: <\/strong>Las EFS tienen que invertir en la tecnolog\u00eda y las herramientas necesarias para recopilar, almacenar y analizar grandes vol\u00famenes de datos. Esto incluye la inversi\u00f3n en sistemas de gesti\u00f3n de datos, herramientas de an\u00e1lisis de datos y tecnolog\u00edas de inteligencia artificial y aprendizaje autom\u00e1tico (AI\/ML).<\/p>\n\n\n\n

Formar a personal cualificado: <\/strong>A efectos de poder hacer un uso eficaz de los datos y la tecnolog\u00eda en el proceso de fiscalizaci\u00f3n, las EFS necesitan contar con personal cualificado y formado en an\u00e1lisis de datos, tecnolog\u00eda y metodolog\u00edas de auditor\u00eda. Esto incluye capacitar a los auditores en t\u00e9cnicas de an\u00e1lisis de datos, as\u00ed como contratar a profesionales de TI y cient\u00edficos de datos para apoyar el proceso de auditor\u00eda.<\/p>\n\n\n\n

Promover la toma de decisiones basada en datos: <\/strong>Las EFS tienen que promover la toma de decisiones basada en datos en toda la organizaci\u00f3n. Esto incluye el uso de datos para orientar la planificaci\u00f3n de auditor\u00edas y la evaluaci\u00f3n de riesgos, as\u00ed como la incorporaci\u00f3n de la anal\u00edtica de datos en el proceso de auditor\u00eda.<\/p>\n\n\n\n

Desarrollar asociaciones:<\/strong> Las EFS deber\u00edan desarrollar asociaciones con otras organizaciones, por ejemplo, los organismos o agencias gubernamentales, a fin de poder acceder y compartir datos y de colaborar en el desarrollo y el uso de la tecnolog\u00eda en el proceso de auditor\u00eda.<\/p>\n\n\n\n

Invertir en datos:<\/strong> Los datos recopilados y almacenados por las EFS tienen que ser limpiados, escalados y transformados para producir resultados tras un an\u00e1lisis avanzado.<\/p>\n\n\n\n

Crear los algoritmos: <\/strong>Los modelos que se vayan a utilizar se tienen que seleccionar en funci\u00f3n del tipo de informaci\u00f3n que se busque, y es necesario entrenar y afinar cada modelo para que produzca los mejores resultados. El modelo debe evaluarse en conjuntos de prueba para su posterior aplicaci\u00f3n a datos reales y los modelos finales han de supervisarse y mantenerse con regularidad.Monitoreo y mejora continuos:<\/strong> Las EFS tienen que monitorear y evaluar de manera continua el uso de la tecnolog\u00eda y de los datos en el proceso de auditor\u00eda, con objeto de identificar \u00e1reas de mejora y proceder a los ajustes necesarios. Esto incluye revisar y actualizar regularmente la estrategia de la entidad en materia de tecnolog\u00eda y datos.<\/p>\n\n\n\n

Caracter\u00edsticas b\u00e1sicas de los algoritmos de aprendizaje autom\u00e1tico<\/strong><\/strong><\/h2>\n\n\n\n

Una vez que una EFS est\u00e9 preparada para el siguiente paso, existen dos enfoques b\u00e1sicos para aplicar el aprendizaje autom\u00e1tico, siempre en funci\u00f3n de la disponibilidad de datos adecuados y de la existencia o no de una estructura subyacente en ellos.<\/p>\n\n\n\n

Aprendizaje supervisado:<\/strong> Estos algoritmos se utilizan para clasificar y predecir resultados a partir de datos de entrenamiento etiquetados. En las EFS se pueden aplicar para clasificar transacciones como fraudulentas o no, para predecir la probabilidad de fraude en un \u00e1rea determinada o para clasificar a proveedores como de alto o de bajo riesgo.
Aprendizaje no supervisado:<\/strong> Estos algoritmos se utilizan para identificar patrones y estructuras en datos no etiquetados. En las EFS se pueden aplicar para identificar patrones de mala gesti\u00f3n financiera, para detectar transacciones sospechosas o para identificar anomal\u00edas en patrones de gasto.<\/p>\n\n\n\n

\"\"<\/figure>\n\n\n\n

Tipos de algoritmos de aprendizaje autom\u00e1tico susceptibles de ser aplicados por las EFS<\/strong><\/strong><\/h2>\n\n\n\n

Existen varios tipos de algoritmos de aprendizaje autom\u00e1tico susceptibles de ser aplicados por las EFS para mejorar la eficiencia, la precisi\u00f3n y la eficacia del proceso de auditor\u00eda. Para una panor\u00e1mica general, v\u00e9ase el diagrama.<\/p>\n\n\n\n

Algunos de los algoritmos de ML m\u00e1s com\u00fanmente utilizados y sus potenciales aplicaciones en las EFS comprenden:<\/p>\n\n\n\n

Algoritmos de agrupaci\u00f3n (<\/strong>clustering<\/em><\/strong>): <\/strong>Estos algoritmos agrupan puntos de datos similares. En las EFS se pueden aplicar para agrupar conjuntos de datos similares, por ejemplo, los gastos por departamento, o para identificar grupos de programas o proyectos gubernamentales similares, facilitando as\u00ed su comparaci\u00f3n y la evaluaci\u00f3n de su rendimiento.<\/p>\n\n\n\n

Detecci\u00f3n de anomal\u00edas:<\/strong> Estos algoritmos se utilizan para detectar puntos de datos que se desv\u00edan significativamente de la norma. En las EFS se pueden aplicar para detectar irregularidades presupuestarias o para priorizar las auditor\u00edas en funci\u00f3n de las \u00e1reas en las que el rendimiento se desv\u00eda de los patrones previsibles.<\/p>\n\n\n\n

Redes neuronales artificiales: <\/strong>Estos algoritmos se modelan bas\u00e1ndose en la estructura del cerebro humano y sirven para diversas tareas, entre ellas el reconocimiento de im\u00e1genes y de voz y el procesamiento del lenguaje natural. En las EFS se pueden aplicar para procesar y analizar grandes vol\u00famenes de datos no estructurados, como textos e im\u00e1genes, a fin de extraer informaci\u00f3n.<\/p>\n\n\n\n

\u00c1rboles de decisi\u00f3n<\/strong>: Estos algoritmos se utilizan para clasificar puntos de datos sobre la base de un conjunto de reglas de decisi\u00f3n. En las EFS se pueden aplicar para clasificar transacciones como fraudulentas o no, para clasificar a proveedores como de alto o de bajo riesgo, o para predecir la probabilidad de fraude en un \u00e1rea determinada.<\/p>\n\n\n\n

K vecinos m\u00e1s cercanos (<\/strong>K-Nearest Neighbours<\/em><\/strong>)<\/strong>: Estos algoritmos se utilizan en aplicaciones de reconocimiento de im\u00e1genes y v\u00eddeos, en an\u00e1lisis de bolsa y en el reconocimiento de escritura. Emplean puntos de datos etiquetados para etiquetar otros puntos. La metodolog\u00eda consiste en crear un sistema de votaci\u00f3n de los vecinos m\u00e1s cercanos. La “k” es el n\u00famero de vecinos que se comprueban. Sus ventajas son la sencillez en la implementaci\u00f3n y su buen funcionamiento con datos ruidosos. Su principal desventaja es que exigen un volumen de c\u00e1lculo considerable, lo que puede suponer un coste elevado para grandes conjuntos de datos.<\/p>\n\n\n\n

Posibles barreras<\/strong><\/strong><\/h2>\n\n\n\n

Aunque ya existen herramientas de ML para la detecci\u00f3n de fraude y la supervisi\u00f3n financiera, no siempre resulta f\u00e1cil implementarlas de forma operativa, adoptar las nuevas herramientas digitales o integrarlas en las entidades fiscalizadoras. Hay diversas barreras a la innovaci\u00f3n mediante aprendizaje autom\u00e1tico en las EFS y en los organismos gubernamentales. <\/p>\n\n\n\n

As\u00ed, y a t\u00edtulo de ejemplo, es posible que muchas EFS carezcan de datos precisos o coherentes, lo que puede afectar negativamente al rendimiento de los algoritmos de aprendizaje autom\u00e1tico y limitar su eficacia. La falta de conocimientos t\u00e9cnicos puede afectar a la capacidad de las EFS para implementar y utilizar con \u00e9xito los algoritmos de aprendizaje autom\u00e1tico, ya que ello requiere entrenamiento y apoyo especializados. Adem\u00e1s, es posible que las EFS necesiten integrar estos algoritmos en sus sistemas y procesos existentes, lo que puede suponer todo un reto y exigir recursos significativos.<\/p>\n\n\n\n

Muchos organismos se enfrentan a barreras culturales y estructurales contra el cambio. Entre ellas figuran la reticencia a innovar, la preferencia por el statu quo, el miedo al fracaso, un exceso de \u201csilos\u201d o compartimentos estancos, donde los diferentes departamentos manejan datos y segmentos de misiones clave distintos, o la falta de l\u00edderes y directivos capacitados para facilitar el cambio. En muchas organizaciones, las barreras al cambio no son solo t\u00e9cnicas, sino tambi\u00e9n estructurales, operativas, gerenciales y culturales. Salvo que el liderazgo se comprometa a crear una cultura de la innovaci\u00f3n, la adopci\u00f3n de nuevas tecnolog\u00edas casi siempre distar\u00e1 de producir los beneficios esperados.<\/p>\n\n\n\n

Consideraciones \u00e9ticas y rendici\u00f3n de cuentas:<\/strong><\/strong><\/h2>\n\n\n\n

Los modelos de aprendizaje autom\u00e1tico encierran el peligro de perpetuar o incluso agudizar los sesgos sociales. Por ello, siempre es importante considerar las implicaciones \u00e9ticas de los modelos, ser consciente de sus limitaciones y adoptar medidas para mitigar cualquier consecuencia negativa.<\/p>\n\n\n\n

Todas estas preocupaciones se inscriben en un entorno limitado por el criterio humano. En consecuencia, el uso del aprendizaje autom\u00e1tico en la auditor\u00eda con miras a luchar contra la corrupci\u00f3n y el fraude plantea unos desaf\u00edos \u00e9ticos, legales y de gobernanza singulares. <\/p>\n\n\n\n

Uno de los mayores retos es encontrar la manera de traducir unos principios \u00e9ticos tan amplios como la imparcialidad, la equidad, la privacidad, la transparencia, la rendici\u00f3n de cuentas y la seguridad humana a aplicaciones concretas. Estos principios a veces entran en conflicto, de ah\u00ed que las EFS tengan que definir su significado en el contexto particular y determinar c\u00f3mo evaluar los algoritmos de aprendizaje autom\u00e1tico con arreglo a ellos.<\/p>\n\n\n\n

Adem\u00e1s, algunos modelos son complejos y dif\u00edciles de interpretar. Es importante comprender el proceso de toma de decisiones del modelo y tener modelos interpretables para explicar el razonamiento que subyace a la decisi\u00f3n del modelo.<\/p>\n\n\n\n

Impacto esperado del uso del aprendizaje autom\u00e1tico por parte de las EFS<\/strong><\/strong><\/h2>\n\n\n\n

Uno de los beneficios clave de la incorporaci\u00f3n de tecnolog\u00edas de datos avanzadas en el proceso de auditor\u00eda es la capacidad de poder analizar con rapidez y precisi\u00f3n grandes vol\u00famenes de datos e identificar patrones y tendencias que podr\u00edan no ser obvios para los auditores humanos. Esto puede ayudar a las EFS a identificar posibles fraudes o casos de mala gesti\u00f3n financiera y a tomar decisiones m\u00e1s informadas sobre d\u00f3nde focalizar sus esfuerzos de auditor\u00eda. <\/p>\n\n\n\n

Al automatizar ciertas tareas, como la entrada y el an\u00e1lisis de datos, los auditores pueden centrarse en labores m\u00e1s complejas y de mayor valor, como la interpretaci\u00f3n de los hallazgos de auditor\u00eda y la formulaci\u00f3n de recomendaciones de mejora.<\/p>\n\n\n\n

La aplicaci\u00f3n del aprendizaje autom\u00e1tico por parte de las Entidades Fiscalizadoras Superiores tiene el potencial de mejorar la capacidad de las EFS para comunicarse y comprometerse con el p\u00fablico al proporcionar herramientas interactivas como dashboards<\/em> en tiempo real e informes personalizables. Estos impactos esperados podr\u00edan redundar en un sector p\u00fablico m\u00e1s transparente y responsable y contribuir as\u00ed a mejorar la gobernanza y la confianza en las instituciones.<\/p>\n","protected":false},"excerpt":{"rendered":"

Las Entidades Fiscalizadoras Superiores (EFS) son la piedra angular de la salvaguarda de la rendici\u00f3n de cuentas, la transparencia y la eficacia en el sector p\u00fablico, en particular con respecto a las operaciones del gobierno. No obstante, y en vista de que la tecnolog\u00eda evoluciona a una velocidad vertiginosa, resulta imperativo que las EFS adopten tecnolog\u00edas de datos de vanguardia, tales como el aprendizaje autom\u00e1tico (ML, por sus siglas en ingl\u00e9s), a fin de revolucionar sus procesos de auditor\u00eda. Con el ML, las EFS pueden mejorar su eficiencia, precisi\u00f3n y eficacia, al ofrecer un an\u00e1lisis m\u00e1s exhaustivo y fundamentado en datos de las operaciones gubernamentales y garantizar as\u00ed los m\u00e1s altos est\u00e1ndares de rendici\u00f3n de cuentas y de confianza.<\/p>\n","protected":false},"author":168,"featured_media":21441,"template":"","meta":{"_acf_changed":false,"footnotes":""},"journal-categories":[3589],"content-tags":[1137,1125,1207],"country":[3189],"region":[2872],"section":[932],"coauthors":[3565],"class_list":["post-21459","journal-entry","type-journal-entry","status-publish","has-post-thumbnail","hentry","journal-categories-q2-2023-es","content-tags-machine-learning-es","content-tags-it-audit-es","content-tags-science-and-technology-es","country-chile-es","region-olacefs-de-es","section-featured-articles-es"],"acf":[],"yoast_head":"\nAplicaci\u00f3n del aprendizaje autom\u00e1tico en las EFS - INTOSAI Journal<\/title>\n<meta name=\"robots\" content=\"index, follow, max-snippet:-1, max-image-preview:large, max-video-preview:-1\" \/>\n<link rel=\"canonical\" href=\"https:\/\/www.intosaijournal.org\/es\/journal-entry\/machine-learning-application-for-sais\/\" \/>\n<meta property=\"og:locale\" content=\"es_ES\" \/>\n<meta property=\"og:type\" content=\"article\" \/>\n<meta property=\"og:title\" content=\"Aplicaci\u00f3n del aprendizaje autom\u00e1tico en las EFS - INTOSAI Journal\" \/>\n<meta property=\"og:description\" content=\"Las Entidades Fiscalizadoras Superiores (EFS) son la piedra angular de la salvaguarda de la rendici\u00f3n de cuentas, la transparencia y la eficacia en el sector p\u00fablico, en particular con respecto a las operaciones del gobierno. No obstante, y en vista de que la tecnolog\u00eda evoluciona a una velocidad vertiginosa, resulta imperativo que las EFS adopten tecnolog\u00edas de datos de vanguardia, tales como el aprendizaje autom\u00e1tico (ML, por sus siglas en ingl\u00e9s), a fin de revolucionar sus procesos de auditor\u00eda. Con el ML, las EFS pueden mejorar su eficiencia, precisi\u00f3n y eficacia, al ofrecer un an\u00e1lisis m\u00e1s exhaustivo y fundamentado en datos de las operaciones gubernamentales y garantizar as\u00ed los m\u00e1s altos est\u00e1ndares de rendici\u00f3n de cuentas y de confianza.\" \/>\n<meta property=\"og:url\" content=\"https:\/\/www.intosaijournal.org\/es\/journal-entry\/machine-learning-application-for-sais\/\" \/>\n<meta property=\"og:site_name\" content=\"INTOSAI Journal\" \/>\n<meta property=\"article:modified_time\" content=\"2023-10-30T02:23:17+00:00\" \/>\n<meta property=\"og:image\" content=\"https:\/\/www.intosaijournal.org\/wp-content\/uploads\/2023\/10\/machine-learning-map.png\" \/>\n\t<meta property=\"og:image:width\" content=\"1207\" \/>\n\t<meta property=\"og:image:height\" content=\"842\" \/>\n\t<meta property=\"og:image:type\" content=\"image\/png\" \/>\n<meta name=\"twitter:card\" content=\"summary_large_image\" \/>\n<meta name=\"twitter:site\" content=\"@intosaijournal\" \/>\n<meta name=\"twitter:label1\" content=\"Est. reading time\" \/>\n\t<meta name=\"twitter:data1\" content=\"9 minutes\" \/>\n\t<meta name=\"twitter:label2\" content=\"Written by\" \/>\n\t<meta name=\"twitter:data2\" content=\"Tiare Rivera\" \/>\n<script type=\"application\/ld+json\" class=\"yoast-schema-graph\">{\"@context\":\"https:\/\/schema.org\",\"@graph\":[{\"@type\":\"WebPage\",\"@id\":\"https:\/\/www.intosaijournal.org\/es\/journal-entry\/machine-learning-application-for-sais\/\",\"url\":\"https:\/\/www.intosaijournal.org\/es\/journal-entry\/machine-learning-application-for-sais\/\",\"name\":\"Aplicaci\u00f3n del aprendizaje autom\u00e1tico en las EFS - INTOSAI Journal\",\"isPartOf\":{\"@id\":\"https:\/\/intosaijournal.org\/fr\/#website\"},\"primaryImageOfPage\":{\"@id\":\"https:\/\/www.intosaijournal.org\/es\/journal-entry\/machine-learning-application-for-sais\/#primaryimage\"},\"image\":{\"@id\":\"https:\/\/www.intosaijournal.org\/es\/journal-entry\/machine-learning-application-for-sais\/#primaryimage\"},\"thumbnailUrl\":\"https:\/\/intosaijournal.org\/wp-content\/uploads\/2023\/10\/machine-learning-map.png\",\"datePublished\":\"2023-10-19T12:02:00+00:00\",\"dateModified\":\"2023-10-30T02:23:17+00:00\",\"breadcrumb\":{\"@id\":\"https:\/\/www.intosaijournal.org\/es\/journal-entry\/machine-learning-application-for-sais\/#breadcrumb\"},\"inLanguage\":\"es-ES\",\"potentialAction\":[{\"@type\":\"ReadAction\",\"target\":[\"https:\/\/www.intosaijournal.org\/es\/journal-entry\/machine-learning-application-for-sais\/\"]}]},{\"@type\":\"ImageObject\",\"inLanguage\":\"es-ES\",\"@id\":\"https:\/\/www.intosaijournal.org\/es\/journal-entry\/machine-learning-application-for-sais\/#primaryimage\",\"url\":\"https:\/\/intosaijournal.org\/wp-content\/uploads\/2023\/10\/machine-learning-map.png\",\"contentUrl\":\"https:\/\/intosaijournal.org\/wp-content\/uploads\/2023\/10\/machine-learning-map.png\",\"width\":1207,\"height\":842},{\"@type\":\"BreadcrumbList\",\"@id\":\"https:\/\/www.intosaijournal.org\/es\/journal-entry\/machine-learning-application-for-sais\/#breadcrumb\",\"itemListElement\":[{\"@type\":\"ListItem\",\"position\":1,\"name\":\"Home\",\"item\":\"https:\/\/intosaijournal.org\/es\/\"},{\"@type\":\"ListItem\",\"position\":2,\"name\":\"Aplicaci\u00f3n del aprendizaje autom\u00e1tico en las EFS\"}]},{\"@type\":\"WebSite\",\"@id\":\"https:\/\/intosaijournal.org\/fr\/#website\",\"url\":\"https:\/\/intosaijournal.org\/fr\/\",\"name\":\"INTOSAI Journal\",\"description\":\"\",\"publisher\":{\"@id\":\"https:\/\/intosaijournal.org\/fr\/#organization\"},\"potentialAction\":[{\"@type\":\"SearchAction\",\"target\":{\"@type\":\"EntryPoint\",\"urlTemplate\":\"https:\/\/intosaijournal.org\/fr\/?s={search_term_string}\"},\"query-input\":{\"@type\":\"PropertyValueSpecification\",\"valueRequired\":true,\"valueName\":\"search_term_string\"}}],\"inLanguage\":\"es-ES\"},{\"@type\":\"Organization\",\"@id\":\"https:\/\/intosaijournal.org\/fr\/#organization\",\"name\":\"INTOSAI Journal\",\"url\":\"https:\/\/intosaijournal.org\/fr\/\",\"logo\":{\"@type\":\"ImageObject\",\"inLanguage\":\"es-ES\",\"@id\":\"https:\/\/intosaijournal.org\/fr\/#\/schema\/logo\/image\/\",\"url\":\"https:\/\/intosai.nclud.com\/wp-content\/uploads\/2023\/04\/logo.png\",\"contentUrl\":\"https:\/\/intosai.nclud.com\/wp-content\/uploads\/2023\/04\/logo.png\",\"width\":736,\"height\":122,\"caption\":\"INTOSAI Journal\"},\"image\":{\"@id\":\"https:\/\/intosaijournal.org\/fr\/#\/schema\/logo\/image\/\"},\"sameAs\":[\"https:\/\/x.com\/intosaijournal\"]}]}<\/script>\n<!-- \/ Yoast SEO plugin. -->","yoast_head_json":{"title":"Aplicaci\u00f3n del aprendizaje autom\u00e1tico en las EFS - INTOSAI Journal","robots":{"index":"index","follow":"follow","max-snippet":"max-snippet:-1","max-image-preview":"max-image-preview:large","max-video-preview":"max-video-preview:-1"},"canonical":"https:\/\/www.intosaijournal.org\/es\/journal-entry\/machine-learning-application-for-sais\/","og_locale":"es_ES","og_type":"article","og_title":"Aplicaci\u00f3n del aprendizaje autom\u00e1tico en las EFS - INTOSAI Journal","og_description":"Las Entidades Fiscalizadoras Superiores (EFS) son la piedra angular de la salvaguarda de la rendici\u00f3n de cuentas, la transparencia y la eficacia en el sector p\u00fablico, en particular con respecto a las operaciones del gobierno. No obstante, y en vista de que la tecnolog\u00eda evoluciona a una velocidad vertiginosa, resulta imperativo que las EFS adopten tecnolog\u00edas de datos de vanguardia, tales como el aprendizaje autom\u00e1tico (ML, por sus siglas en ingl\u00e9s), a fin de revolucionar sus procesos de auditor\u00eda. Con el ML, las EFS pueden mejorar su eficiencia, precisi\u00f3n y eficacia, al ofrecer un an\u00e1lisis m\u00e1s exhaustivo y fundamentado en datos de las operaciones gubernamentales y garantizar as\u00ed los m\u00e1s altos est\u00e1ndares de rendici\u00f3n de cuentas y de confianza.","og_url":"https:\/\/www.intosaijournal.org\/es\/journal-entry\/machine-learning-application-for-sais\/","og_site_name":"INTOSAI Journal","article_modified_time":"2023-10-30T02:23:17+00:00","og_image":[{"width":1207,"height":842,"url":"https:\/\/www.intosaijournal.org\/wp-content\/uploads\/2023\/10\/machine-learning-map.png","type":"image\/png"}],"twitter_card":"summary_large_image","twitter_site":"@intosaijournal","twitter_misc":{"Est. reading time":"9 minutes","Written by":"Tiare Rivera"},"schema":{"@context":"https:\/\/schema.org","@graph":[{"@type":"WebPage","@id":"https:\/\/www.intosaijournal.org\/es\/journal-entry\/machine-learning-application-for-sais\/","url":"https:\/\/www.intosaijournal.org\/es\/journal-entry\/machine-learning-application-for-sais\/","name":"Aplicaci\u00f3n del aprendizaje autom\u00e1tico en las EFS - INTOSAI Journal","isPartOf":{"@id":"https:\/\/intosaijournal.org\/fr\/#website"},"primaryImageOfPage":{"@id":"https:\/\/www.intosaijournal.org\/es\/journal-entry\/machine-learning-application-for-sais\/#primaryimage"},"image":{"@id":"https:\/\/www.intosaijournal.org\/es\/journal-entry\/machine-learning-application-for-sais\/#primaryimage"},"thumbnailUrl":"https:\/\/intosaijournal.org\/wp-content\/uploads\/2023\/10\/machine-learning-map.png","datePublished":"2023-10-19T12:02:00+00:00","dateModified":"2023-10-30T02:23:17+00:00","breadcrumb":{"@id":"https:\/\/www.intosaijournal.org\/es\/journal-entry\/machine-learning-application-for-sais\/#breadcrumb"},"inLanguage":"es-ES","potentialAction":[{"@type":"ReadAction","target":["https:\/\/www.intosaijournal.org\/es\/journal-entry\/machine-learning-application-for-sais\/"]}]},{"@type":"ImageObject","inLanguage":"es-ES","@id":"https:\/\/www.intosaijournal.org\/es\/journal-entry\/machine-learning-application-for-sais\/#primaryimage","url":"https:\/\/intosaijournal.org\/wp-content\/uploads\/2023\/10\/machine-learning-map.png","contentUrl":"https:\/\/intosaijournal.org\/wp-content\/uploads\/2023\/10\/machine-learning-map.png","width":1207,"height":842},{"@type":"BreadcrumbList","@id":"https:\/\/www.intosaijournal.org\/es\/journal-entry\/machine-learning-application-for-sais\/#breadcrumb","itemListElement":[{"@type":"ListItem","position":1,"name":"Home","item":"https:\/\/intosaijournal.org\/es\/"},{"@type":"ListItem","position":2,"name":"Aplicaci\u00f3n del aprendizaje autom\u00e1tico en las EFS"}]},{"@type":"WebSite","@id":"https:\/\/intosaijournal.org\/fr\/#website","url":"https:\/\/intosaijournal.org\/fr\/","name":"INTOSAI Journal","description":"","publisher":{"@id":"https:\/\/intosaijournal.org\/fr\/#organization"},"potentialAction":[{"@type":"SearchAction","target":{"@type":"EntryPoint","urlTemplate":"https:\/\/intosaijournal.org\/fr\/?s={search_term_string}"},"query-input":{"@type":"PropertyValueSpecification","valueRequired":true,"valueName":"search_term_string"}}],"inLanguage":"es-ES"},{"@type":"Organization","@id":"https:\/\/intosaijournal.org\/fr\/#organization","name":"INTOSAI Journal","url":"https:\/\/intosaijournal.org\/fr\/","logo":{"@type":"ImageObject","inLanguage":"es-ES","@id":"https:\/\/intosaijournal.org\/fr\/#\/schema\/logo\/image\/","url":"https:\/\/intosai.nclud.com\/wp-content\/uploads\/2023\/04\/logo.png","contentUrl":"https:\/\/intosai.nclud.com\/wp-content\/uploads\/2023\/04\/logo.png","width":736,"height":122,"caption":"INTOSAI Journal"},"image":{"@id":"https:\/\/intosaijournal.org\/fr\/#\/schema\/logo\/image\/"},"sameAs":["https:\/\/x.com\/intosaijournal"]}]}},"_links":{"self":[{"href":"https:\/\/intosaijournal.org\/es\/wp-json\/wp\/v2\/journal-entry\/21459","targetHints":{"allow":["GET"]}}],"collection":[{"href":"https:\/\/intosaijournal.org\/es\/wp-json\/wp\/v2\/journal-entry"}],"about":[{"href":"https:\/\/intosaijournal.org\/es\/wp-json\/wp\/v2\/types\/journal-entry"}],"author":[{"embeddable":true,"href":"https:\/\/intosaijournal.org\/es\/wp-json\/wp\/v2\/users\/168"}],"version-history":[{"count":2,"href":"https:\/\/intosaijournal.org\/es\/wp-json\/wp\/v2\/journal-entry\/21459\/revisions"}],"predecessor-version":[{"id":22340,"href":"https:\/\/intosaijournal.org\/es\/wp-json\/wp\/v2\/journal-entry\/21459\/revisions\/22340"}],"wp:featuredmedia":[{"embeddable":true,"href":"https:\/\/intosaijournal.org\/es\/wp-json\/wp\/v2\/media\/21441"}],"wp:attachment":[{"href":"https:\/\/intosaijournal.org\/es\/wp-json\/wp\/v2\/media?parent=21459"}],"wp:term":[{"taxonomy":"journal-categories","embeddable":true,"href":"https:\/\/intosaijournal.org\/es\/wp-json\/wp\/v2\/journal-categories?post=21459"},{"taxonomy":"content-tags","embeddable":true,"href":"https:\/\/intosaijournal.org\/es\/wp-json\/wp\/v2\/content-tags?post=21459"},{"taxonomy":"country","embeddable":true,"href":"https:\/\/intosaijournal.org\/es\/wp-json\/wp\/v2\/country?post=21459"},{"taxonomy":"region","embeddable":true,"href":"https:\/\/intosaijournal.org\/es\/wp-json\/wp\/v2\/region?post=21459"},{"taxonomy":"section","embeddable":true,"href":"https:\/\/intosaijournal.org\/es\/wp-json\/wp\/v2\/section?post=21459"},{"taxonomy":"author","embeddable":true,"href":"https:\/\/intosaijournal.org\/es\/wp-json\/wp\/v2\/coauthors?post=21459"}],"curies":[{"name":"wp","href":"https:\/\/api.w.org\/{rel}","templated":true}]}}