Para iniciar el nuevo espacio de innovación del ObUCALP queremos presentar nuestro último estudio sobre el desarrollo territorial integral del Gran La Plata. Entendiendo que debíamos empezar este espacio con datos de la casa, hemos realizado una investigación de cómo la inteligencia artificial (IA) y la computación cuántica pueden ayudar a construir un plan territorial que favorezca el desarrollo integral de las comunidades locales.
En particular, hemos entrenado un modelo LightGBM (Machine Learning) con un optimizador genético (AletheIA Genetic Optimizers) ejecutado en un ordenador clásico (el que tenemos en nuestros escritorios), y otro modelo idéntico con un optimizador genético cuántico (AletheIA Quantum Genetic Optimizers), ejecutado en un ordenador cuántico real (IBM Quantum).
En este punto cabe destacar que dichos algoritmos han sido desarrollados por dos programadores Full Stack de IA y Quantum Data Scientists (2025), con amplia experiencia en desarrollo de sistemas de IA: Luciano E. Bizin (director de este espacio) y Daniel Sarabia-Torres.
En concreto, la investigación tuvo un triple objetivo. Por un lado, entrenar un modelo de IA, mediante caminos algorítmicos diversos (clásico y cuántico), con el fin de predecir el grado de integración y desarrollo de los asentamientos del Gran La Plata a partir de los datos relevados en el año 2024 por este observatorio; por otro, obtener las principales variables identificadas por ambos caminos computacionales a la hora de predecir resultados, con el propósito de conocer cuáles de estas son las más relevantes para un plan de desarrollo territorial integral; y finalmente, a partir de esas variables, esbozar un primer análisis de los aspectos que debería comprender un plan territorial en la región, si queremos promover un proceso de desarrollo respetuoso de la dignidad de la persona humana.
Inteligencia artificial y computación cuántica para el diseño de planes estratégicos de desarrollo territorial del Gran La Plata
A nivel metodológico hemos partido del presupuesto de que todas las variables del dataset (nuestra base de datos a partir de la cual construimos los indicadores) “pesan” lo mismo, es decir, tienen la misma importancia a la hora de describir un asentamiento del Gran La Plata como des/integrado, en el margen definido por los colores tan característicos del observatorio: rojo, amarillo y verde.
De esta forma, nos aseguramos dos cuestiones fundamentales: la primera, que sea el modelo (LightGBM) quien decidiera cuáles son las variables de peso para definir el grado de integración y desarrollo de los asentamientos; la segunda, en caso de haber divergencias entre las variables que los modelos eligieron como las más importantes, complementar las conclusiones obtenidas desde cada uno de los caminos computacionales.
Un nuevo paradigma de análisis multivariable
El uso de modelos como LightGBM (elegido por su velocidad y buen rendimiento para pocos datos), potenciados por algoritmos genéticos cuánticos (AQG) y clásicos (CGA), permitió identificar con alta precisión (92.4%) el grado de integración de los barrios del Gran La Plata.
| Real \ Predicho | Verde | Amarillo | Rojo |
| Verde | 3 | 2 | 0 |
| Amarillo | 1 | 15 | 1 |
| Rojo | 0 | 0 | 31 |
Resultados de evaluación del conjunto de test de ambos modelos (ambos obtuvieron los mismos resultados)
La predicción del grado de integración y desarrollo de los asentamientos del Gran La Plata, en verde, amarillo y rojo, no solo alcanzó un grado de precisión consistente al evaluar el conjunto de datos de test, sino también capturó dimensiones complejas (no lineales) entre la economía, infraestructura, el medioambiente, y el tejido social local de la dinámica interna de los barrios.
El top 10 de variables principales utilizadas por los modelos entrenados con el algoritmo genético clásico y con el algoritmo genético cuántico fue muy similar. Entre estos solamente surgió una diferencia en lo que respecta con la variable ubicada en la novena posición de importancia. El modelo entrenado clásicamente reconoció como tal la variable cordón cuneta, mientras que el modelo entrenado cuánticamente, la autosuficiencia alimenticia:
Top 10 de variables del modelo LightGBM entrenado con el algoritmo genético cuántico: Energía eléctrica: 83, asfalto calles internas: 77, dengue – pasto: 73, emprendimiento: 70, ¿Hay perros en la calle?: 59, precariedad: 56, vereda: 54, tratamiento de residuos: 50, autosuficiencia alimenticia: 48, alumbrado público: 47
Top 10 de variables del modelo LightGBM entrenado con el algoritmo genético clásico: Energía eléctrica: 80, asfalto calles internas: 76, dengue – pasto: 73, emprendimiento: 69, ¿Hay perros en la calle?: 59, precariedad: 56, vereda: 54, tratamiento de residuos: 50, cordón cuneta: 47, alumbrado público: 47
La computación cuántica como ventaja estratégica
A diferencia del modelo entrenado con el AletheIA Genetic Optimizers (AGO) -computación clásica-, el modelo entrenado con el AletheIA Quantum Genetic Optimizers (AQGO) encontró una relaciones más complejas de identificar entre las variables. Detectar la insuficiencia alimenticia como factor fundamental del grado de integración y desarrollo de una comunidad, escapa a la lógica de las variables de infraestructura, sanidad, medioambiente y economía social que identificó el algoritmo clásico. Esto significa que el modelo entrenado con el AQGO fue capaz de explorar relaciones de variables más complejas.
En particular, creemos que este algoritmo ha sido capaz de hacer esto gracias a las propiedades fundamentales de la computación cuántica, a saber, la superposición (puertas Hadamard) y el entrelazamiento (puertas CNOT) cuántico; como también, a las rotaciones en el eje Z e Y de los qubits (homólogos a los bits de la computación clásica), que se configuraron en los circuitos generadores de los mejores individuos (modelos) durante la etapa de entrenamiento.
Circuito cuántico que fue utilizado por el AletheIA Quantum Genetic Optimizers al momento de generar los nuevos hijos de los mejores padres, al momento de entrenar. El tipo de torneo empleado fue el EaSimple.
Esta capacidad de ver con otros anteojos (ni mejores ni peores que los clásicos sino distintos) los patrones de los datos, posiciona a la computación cuántica como una herramienta complementaria para abordar sistemas sociales complejos, donde múltiples factores interactúan de manera no lineal o simple.
Al respecto, de forma práctica hemos podido demostrar cómo, al menos para casos similares a los del Indicador de Integración y Desarrollo del ObUCALP, la superposición y entrelazamiento cuántico pueden captar patrones-relaciones invisibles para los ordenadores clásicos. Esto significa que la computación cuántica no está por llegar, ya está aquí. Este tipo de computación no solo será parte del futuro, sino que ya puede ser empleada, con luces y sombras, en el tiempo presente y en distintos campos de investigación, sociales, ambientales, sanitarios, educativos y económicos, para favorecer el desarrollo humano integral.
IA explicativa, no solo predictiva
Resulta interesante saber que ambos algoritmos coincidieron en variables críticas como la energía eléctrica, pavimentación, el control del dengue y los emprendimientos. Es decir, en factores de infraestructura, sanitarios, ambientales y socio-económicos.
Estos resultados, legitima ambos modelos entrenados por caminos distintos. Los legitima tanto como herramienta predictivas para el desarrollo territorial, al igual que como herramientas explicativo-prescriptivas. En concreto, ambos modelos nos ayudan a comprender mejor qué factores determinan la inclusión o exclusión de una comunidad.
En conclusión, ambos modelos no solo nos dicen qué está pasando (de qué color es un barrio si tenemos en cuenta al menos esas 10 variables), sino explican también, por qué está pasando lo que está pasando. Además, esta explicación no solo se fundamenta en relaciones simples entre las variables, sino también en relaciones interdependientes y complejas identificadas gracias al algoritmo genético cuántico empleado durante el entrenamiento.
Aplicación directa en políticas públicas y aporte científico al campo de las ciencias sociales
Los hallazgos de este observatorio no se quedan solo en el plano teórico. Siempre impulsados a ser un faro de luz para la sociedad, queremos presentar esta investigación como el sustrato de un modelo de desarrollo territorial para el Gran La Plata, fundamentado en variables relevadas en campo, y procesadas por la IA con la ayuda de la computación cuántica.
¿Cómo pretendemos hacer esto? Acompañando, asesorando, y/o evaluando planes de desarrollo territorial construidos a partir de decisiones informadas con base científica, en este caso, aportada por la IA y la computación cuántica.
En el caso del Gran La Plata, tendríamos que encontrar caminos de desarrollo territorial que focalicen en inversión en asfalto, alumbrado, control sanitario, economía popular, y alimentos, sabiendo ahora con certeza científica, que estas variables tienen un impacto directo en la integración y desarrollo de los barrios locales. Con este fin, proponemos la IA y computación cuántica como brújulas técnicas para orientar la planificación urbano-territorial y el gasto público de las comunidades en el Gran La Plata.
Además, cabe destacar que este trabajo también demuestra que la computación cuántica no solo es exclusiva de los campos STEMs (ingeniería, física, etc.), sino que puede ser aplicada con éxito en el vasto campo de las ciencias sociales. La implementación del AQGO en esta investigación, marca un hito en la innovación metodológica de este Observatorio y en América Latina y el Caribe.
Desde el observatorio buscamos ser pioneros en las últimas tecnologías para favorecer el bien común, modelando fenómenos humanos complejos (sin simplificación) que sean respetuosos de la diversidad, interdependencia y dinámica cambiante que los caracteriza. La capacidad de identificar variables emergentes y capturar relaciones complejas convierte a estas tecnologías en aliadas estratégicas para el desarrollo humano sostenible, en particular en regiones tan diversas y desafiantes como el Gran La Plata.
Esa es la batalla tecnológica y ética que queremos dar a favor del desarrollo humano integral.
Esperamos vuestro feedback, cooperación y críticas.
Los algoritmos utilizados en esta investigación pueden instalarse con `pip install aqgo` (AletheIA Quantum Genetic Optimizers) y con `pip install aletheia-genetic-optimizers`. Sus repositorios se encuentran en: https://github.com/aletheIA-Corp/aletheia_quantum_genetic_optimizers_pypi y https://github.com/aletheIA-Corp/aletheia_genetic_optimizers. En caso de dudas, por favor, comunicarse con los desarrolladores (ver los datos de contacto en los repositorios de Github).