○ planned · proyecto
Otorga nivel a: Fairness in ML · Algorithmic Auditing
Usa: Bias Mitigation · Fairness in ML · Algorithmic Auditing · Backpropagation · Neural Network · AI Security Governance
Leonardo Garrido (Tecnológico de Monterrey): el ML solo hace inducción/generalización; los problemas éticos (sesgo, empleo, deepfakes) requieren ciencia de datos responsable y regulación aún incipiente.
Hallazgos clave
- ML es inducción (de casos a ley general), el razonamiento automático (bayesiano/inferencia) es deducción.
- Trade-off consistencia vs simplicidad (navaja de Occam): la curva compleja interpola pero generaliza mal.
- El sesgo existe en todo modelo (reconocimiento falla con personas negras por entrenar con fotos de blancos); evitarlo es trabajo del científico de datos.
- Historia: McCulloch-Pitts (1943), McCarthy (1956), invierno por Minsky-Papert (XOR), backpropagation (1986), renacimiento (2006).
- Riesgos reales: empleo, uso criminal, deepfakes, malas decisiones; falta legislación (AAAI, MIT, IA2030 MX son solo comités).
Módulos
- Qué es la IA y el ML — definiciones e historia.
- ML como inducción — generalización.
- Historia de redes neuronales y deep learning.
- Qué es la ética en IA — marco conceptual.
- Problemas éticos — sesgo, deepfakes, empleo.
- Regulación y futuro — AAAI, IA2030 MX.
Fuente: https://www.youtube.com/watch?v=FB8Zm1YVIaI · Transcript local: data/cursos/datapub-etica-ia/etica-ia.srt
Enlaces
Otorga nivel a: Fairness in ML · Algorithmic Auditing Usa: Bias Mitigation · Fairness in ML · Algorithmic Auditing · Backpropagation · Neural Network · AI Security Governance