Name: Data Pub Febrero: ML Informed Financial Assistance to Prevent Homelessness
Start: 2025-02-27T19:00:00-06:00
End: 2025-02-27T21:00:00-06:00
Location: Escuela de Gobierno y Transformación Pública del Tecnológico de Monterrey

¡Parroquian@s! 👋

Este mes de febrero, tenemos un Meetup el jueves 27 y nos complace anunciar la participación de **Kasun Amarasinghe**, quien ha sido ponente en ediciones anteriores del **Data Day**, con la charla titulada:

**Machine Learning Informed Financial Assistance to Prevent Homelessness**

IMPORTANTE \*\*La charla es en inglés\*\*

¿De qué va la charla?

A medida que la brecha entre los costos de vivienda y los niveles de ingresos continúa creciendo, un número cada vez mayor de hogares tiene dificultades para pagar el alquiler, eventualmente enfrenta el desalojo y, en algunos casos, experimenta la falta de vivienda. (En EE. UU.) Los gobiernos locales implementan Programas de Asistencia para el Alquiler para proporcionar ayuda financiera temporal a los inquilinos que tienen dificultades para pagar su renta, con el objetivo de mantenerlos en una vivienda estable y prevenir la falta de hogar. Sin embargo, a medida que aumenta el número de hogares vulnerables y los fondos para estos programas de asistencia siguen siendo limitados, los administradores deben decidir qué hogares recibirán ayuda. Aunque identificar y priorizar a las personas más vulnerables es una preocupación clave, la práctica común consiste en distribuir la asistencia utilizando heurísticas simples, como el criterio de “primero en llegar, primero en ser atendido”. En esta charla, describiré un esfuerzo colaborativo entre nuestro equipo en la Universidad Carnegie Mellon y el Departamento de Servicios Humanos del Condado de Allegheny, en el que examinamos la utilidad de utilizar un enfoque basado en Aprendizaje Automático (ML) para priorizar la asignación de asistencia para el alquiler y minimizar la falta de vivienda causada por desalojos. Explicaré cómo convertimos el problema de política en un problema de ML, cómo se desarrolló y evaluó el sistema de ML en un entorno coherente con el contexto de implementación, el diseño y despliegue de la prueba de validación en el campo, y las lecciones que aprendimos a lo largo del proceso.

\-\-\-

What is the talk about?

As the gap between housing costs and income levels continues to grow, an increasing number of households struggle to pay rent, eventually face eviction, and, in some cases, experience homelessness. (In the US) Local governments implement Rental Assistance Programs to provide temporary financial assistance to renters struggling to pay their rent to keep them stably housed and prevent homelessness. However, as the number of vulnerable households increases and funding for rental assistance programs remains limited, program administrators must decide which households will receive help. Although identifying and prioritizing the most vulnerable individuals is a top concern, the typical practice is distributing assistance using simple heuristics such as first-come-first-served. In this talk, I will describe a collaborative effort between our team at Carnegie Mellon University and the Allegheny County Department of Human Services that examined the utility of using Machine Learning (ML)-based prioritization of rental assistance allocation to minimize eviction-caused homelessness. I will describe how we mapped the policy problem to an ML problem, how the ML system was developed and evaluated in a setting consistent with the deployment context, the deployment and design of the field validation trial, and the lessons we learned throughout the process.

\-\-\-

La cita es este próximo jueves 27 de febrero (2025) a las **7:00 pm (Hora de Ciudad de México)** en "Escuela de Gobierno y Transformación Pública del Tecnológico de Monterrey" [https://goo.gl/maps/eD5acVqaZ5MamH6T6](https://goo.gl/maps/eD5acVqaZ5MamH6T6) para aquellos que estén en la CDMX y también estaremos haciendo streaming del evento por nuestro canal de YouTube:

[https://www.youtube.com/c/TheDataPubChannel](https://www.youtube.com/c/TheDataPubChannel/videos).

¡Recuerden que al final tendremos networking 🌐!

¡Esperamos verlos por acá!

La agenda es la siguiente:

* 7:00pm - 7:30pm Bienvenida y Anuncios
* 7:30pm - 8:45pm ML Informed Financial Assistance to Prevent Homelessness
* 8:45pm - 10:00pm Chelas, pizzas y networking!

Pueden ir reservando su espacio registrándose en el evento.

\*El lugar cuenta con estacionamiento $50 pesos tiempo indefinido.

¡Esperamos verlos por acá!
\- Data Pub

Carl Wallace

The Data Pub

Technology

Apache Spark

Applied Statistics

Data Management

Cloud Computing

Hadoop

Big Data

Machine Learning

Data Analytics

Data Visualization

Predictive Analytics

Computer Programming

Data Mining

Data Science

Data Journalism

Kasun Amarasinghe es Senior Research Scientist en el Data Science for Social Good Lab de la Universidad Carnegie Mellon, donde lleva a cabo investigaciones en la intersección del aprendizaje automático (ML) y las políticas públicas. Su trabajo se centra en el desarrollo de sistemas algorítmicos para apoyar la toma de decisiones en la prestación de servicios públicos, como modelos predictivos de riesgo para prevenir resultados adversos y optimización de recursos limitados. Además, estudia el despliegue seguro de sistemas de ML en entornos de alto impacto, abordando temas como la explicabilidad de los modelos y la justicia algorítmica. Antes de su puesto actual, Kasun fue investigador postdoctoral en el mismo laboratorio durante tres años, bajo la supervisión del profesor Rayid Ghani. Obtuvo su doctorado en la Universidad Virginia Commonwealth, donde desarrolló su tesis doctoral sobre el diseño y desarrollo de algoritmos explicables de aprendizaje automático para la seguridad de Sistemas de Control Industrial. Kasun también es Research Fellow en el equipo de Data, Algorithms, and Policy (DAP) de LIRNEasia, un instituto de investigación en políticas públicas en Sri Lanka, donde apoya el desarrollo de sistemas de ingeniería de datos y ciencia de datos para el sector público en la región del sur de Asia.

\-\-\-

Kasun Amarasinghe is a Senior Research Scientist at the Data Science for Social Good Lab at Carnegie Mellon University, where he conducts research at the intersection of Machine Learning (ML) and public policy. I develop algorithmic systems to support decisions in public service delivery (e.g., predictive risk modeling for preventing adverse outcomes, optimization of limited resources) and study the safe deployment of ML systems in these high-stakes settings (e.g., explainability of ML systems, algorithmic fairness). Before his current role, Kasun was a Postdoctoral Research Fellow at the same lab for three years, advised by Prof. Rayid Ghani. Kasun received his Ph.D. from Virginia Commonwealth University, where he wrote my doctoral thesis on the design and development of explainable ML algorithms for securing Industrial Control Systems. Kasun is also a Research Fellow at the Data, Algorithms, and Policy (DAP) team at LIRNEasia, a public policy research institute in Sri Lanka, where he supports the development of public sector data engineering and data science systems in the South Asian region. 

The Data Pub

Data Pub Febrero: ML Informed Financial Assistance to Prevent Homelessness

The Data Pub

Details

Members are also interested in