Reconocer el Sesgo en la Inteligencia Artifical

Descripción

Se expone acerca del sesgo y sus implicaciones éticas y legales dentro de la inteligencia artificial y los diversos tipos que existen
Carlos David  Alamillo Zúñiga
Fichas por Carlos David Alamillo Zúñiga, actualizado hace más de 1 año
Carlos David  Alamillo Zúñiga
Creado por Carlos David Alamillo Zúñiga hace alrededor de 5 años
6
0

Resumen del Recurso

Pregunta Respuesta
Ética y lo Legal A menudo, la ética está alineada con la ley. En ocasiones, sin embargo, necesita pensar más allá de la ley para desarrollar tecnología ética. La IA presenta una oportunidad para solucionar los sesgos sistemáticamente.
Ético y lo Legal Se debe evaluar si su modelo está alineado con las responsabilidad de su negocio para respetar y promover los derechos humanos.
Sesgo en la medición o el conjunto de datos se comete un error de etiquetar datos o por error de máquina, un grupo puede estar sobre
Sesgo de asociación Cuando se etiquetan los datos según los estereotipos, se produce un sesgo de asociación.
Sesgo de confirmación El sesgo de confirmación etiqueta los datos en base a ideas preconcebidas.
Sesgo de automatización El sesgo de automatización impone los valores de un sistema sobre otros.
Sesgo social El sesgo social repite los resultados de prejuicios pasados en grupos marginalizados históricamente.
Sesgo de supervivencia o sobrevivencia A veces un algoritmo se centra en los resultados de aquellos que fueron seleccionados o que sobrevivieron a un cierto proceso, a expensas de aquellos que se excluyeron.
Sesgo de interacción Los humanos creamos el sesgo de interacción cuando interactuamos o intentamos influenciar intencionadamente sistemas de IA y se crea resultados sesgados.
La IA puede amplificar el sesgo El aprendizaje automático basado en conjuntos de datos sesgados a menudo amplifican esos sesgos.
supuestos construir, para quien, como debe funcionar
datos de entrenamiento contrata de las mismas universidad o de los mismos programas, el sistema no recomendará candidatos que no cumplan
modelo factores que utiliza el modelo: raza, género o edad
intervención humana modificar datos de entrenamiento
Mostrar resumen completo Ocultar resumen completo

Similar

09. Air masses and fronts
Jose Antonio Vazquez
Unidad III La función de auditoria interna y sus responsabilidades
baby-taz22
Transhumanismo
Sergio Rojas
Inteligencia Artificial
Orlando Salazar
TIPOS DE SISTEMAS
Laura Diaz Espindola
Herramientas
Carolina Alvarad
APRENDIZAJE INVISIBLE
Carlos Viesca
Machine Learning
Eduardo Guerrero
INTELIGENCIA ARTIFICIAL
Jhon Jairo Chavez
INTELIGENCIA ARTIFICAL .ALUMNO SANTIAGO DE JESUS NAVA DELOYA 105 T.M
Santiago nava Deloya
Inteligencia Artifical de los reconocedores de Voz
Andres Movil