Por ejemplo, esto puede ser un sistema que bloquea transacciones r\u00e1pidamente con base en puntos de datos de una lista negra tales como la identificaci\u00f3n del usuario, correo electr\u00f3nico, el hash del buscador<\/a> u otros.<\/p>\n\n\n\n Las reglas heur\u00edsticas ayudan a habilitar modelos de toma de decisiones m\u00e1s veloces al:<\/p>\n\n\n\n Como tal, la heur\u00edstica encuentra su aplicaci\u00f3n en el machine learning (tanto whitebox<\/a> como blackbox<\/a>), el razonamiento autom\u00e1tico y los modelos relacionados, especialmente cuando tiene que trabajar con datos nuevos y diversos, el big data e informaci\u00f3n incompleta.<\/p>\n\n\n\n Los sectores que emplean las reglas heur\u00edsticas regularmente incluyen la prevenci\u00f3n y detecci\u00f3n de fraude, la ciberseguridad, el intercambio y las finanzas, y cada vez otros sectores buscan hacer uso de la tecnolog\u00eda avanzada en sus esfuerzos por escalar o simplemente incrementar la productividad y la eficiencia.<\/p>\n\n\n\n En la detecci\u00f3n de fraude, las reglas heur\u00edsticas pueden significar un sistema que bloquea transacciones r\u00e1pidamente con base en puntos de datos previamente marcados tales como las identificaciones de usuario, los hashes de navegador, los hashes de cookies<\/a>, las direcciones de correo electr\u00f3nico, o incluso secuencias de acci\u00f3n espec\u00edficas.<\/p>\n\n\n\n Repasemos un ejemplo sencillo:<\/p>\n\n\n\n En este ejemplo, la suposici\u00f3n de que debido a esta direcci\u00f3n IP exacta recientemente intent\u00f3 un fraude en el pasado al seguir los mismos pasos, el due\u00f1o est\u00e1 tratando de hacer esto nuevamente. <\/p>\n\n\n\n Esto podr\u00eda ser un falso positivo<\/a>, pero el analista de riesgos, despu\u00e9s de considerar el riesgo contra la recompensa, ya ha decidido que prefiere el falso positivo (bloquear a usuarios leg\u00edtimos) a los falsos negativos (perder la oportunidad de bloquear a estafadores) en esta compa\u00f1\u00eda y escenario en particular, y ajust\u00f3 el l\u00edmite de tolerancia acordemente.<\/p>\n\n\n\n Esto sucede en el ejemplo poco probable de que el domicilio del estafador tiene un usuario leg\u00edtimo, o que el estafador opera desde un punto de acceso a internet compartido que los usuarios leg\u00edtimos han estado utilizando tambi\u00e9n.<\/p>\n\n\n\n En t\u00e9rminos simples, est\u00e1n siendo cuidadosos. Es durante la huella del dispositivo<\/a> y del navegador en la que esos puntos de datos son identificados, con la heur\u00edstica aliment\u00e1ndose de ah\u00ed para encontrar conexiones y hacer suposiciones.<\/p>\n\n\n\n La heur\u00edstica computacional es particularmente \u00fatil:<\/p>\n\n\n\n Las reglas heur\u00edsticas pueden ser muy \u00fatiles siempre y cuando aquellos que las emplean est\u00e9n al tanto de sus limitaciones y particularidades, y seleccionen el entorno adecuado en el que usarlas. Despu\u00e9s de todo, la heur\u00edstica involucra sacrificios y suposiciones informadas, no certezas.<\/p>\n\n\n\n Es importante notar que las reglas heur\u00edsticas usan algoritmos que intercambian la precisi\u00f3n por la velocidad. <\/strong>Esto las hace particularmente \u00fatiles para solicitudes urgentes, por ejemplo al tratar de decidir si una transacci\u00f3n es fraudulenta o no, lo m\u00e1s r\u00e1pido posible.<\/p>\n\n\n\n El razonamiento heur\u00edstico tambi\u00e9n es ideal cuando queremos obtener una evaluaci\u00f3n general de una situaci\u00f3n donde no haya algoritmos conocidos que funcionen, tal como puntualiz\u00f3 Michael Apter en su trabajo seminal, The Computer Simulation of Behavior, <\/em>publicado originalmente en 1970.<\/p>\n\n\n\n La velocidad, el monitoreo en tiempo real y la capacidad de trabajar con el big data son las ventajas m\u00e1s notables de las reglas heur\u00edsticas en la computaci\u00f3n, la ciberseguridad y la prevenci\u00f3n de riesgos.<\/p>\n\n\n\n Destacablemente, son una gran soluci\u00f3n cuando tenemos informaci\u00f3n incompleta, ya que es m\u00e1s factible detectar nuevas variaciones de problemas anteriores, combinando enormes pilas de puntos de datos para identificar conexiones y obtener conclusiones que, dependiendo de la configuraci\u00f3n, pueden ayudar a proceder con precauci\u00f3n.<\/p>\n\n\n\n Comparado con los algoritmos tradicionales y los m\u00e9todos de toma de decisiones, las reglas heur\u00edsticas involucran m\u00e1s trabajo especulativo, atajos y devuelve m\u00e1s errores. En general, son conocidas por producir resultados menos confiables y precisos, y son propensas a estar sesgadas.<\/p>\n\n\n\n Sin embargo, teniendo estas caracter\u00edsticas en mente al configurar las reglas y establecer los procesos te ayudar\u00e1 a atenuar las desventajas inherentes de las reglas heur\u00edsticas, al permitirte elegir esas situaciones en las que la heur\u00edstica es la soluci\u00f3n ideal para acelerar los procesos y liberar recursos.<\/p>\n\n\n\n Fuentes:<\/strong><\/p>\n\n\n\n\u00bfC\u00f3mo Funcionan las Reglas Heur\u00edsticas?<\/h2>\n\n\n\n
\n
Ejemplos de Reglas Heur\u00edsticas<\/h2>\n\n\n\n
![\"\"](\"https:\/\/lh5.googleusercontent.com\/DX4FgYOKCtqg8gXmhKAsN0V9DcLrJYylPIyUWS289UtGww5ujp3nthP1d32DMcjFnM38yTcb91ZZQCpj82gMKIbXFnHZX2qnWVo5FAfd-kokJZaYaukEKulofa5SGmxrxrtXI7MCOXXO5gpvzAuc9w\")
\n
\u00bfCu\u00e1ndo son \u00datiles las Reglas Heur\u00edsticas?<\/h2>\n\n\n\n
\n
Ventajas y Desventajas de la Heur\u00edstica<\/h2>\n\n\n\n