Si la IA está sesgada ¿Cómo deberíamos usarla?
Los informáticos y los estadísticos están trabajando actualmente para comprender mejor el sesgo. Esto implica modelar cómo puede surgir el sesgo de los datos e identificar tipos de sesgo aparentemente paradójicos. Los científicos también han descubierto que eliminar las características que tienden a reflejar un sesgo más, como la raza y el género, no garantiza necesariamente que el sesgo no surja más adelante en el proceso. En el caso de los escáneres de aeropuerto TSA, la raza puede no haber sido una variable considerada por el algoritmo, sin embargo, las mujeres de color terminan siendo buscadas con mayor frecuencia.
Adaptado por Aniceto Pérez y Madrid, Filósofo de las Tecnologías y Editor de Actualidad Deep Learning (@forodeeplearn)
Comentarios
Publicar un comentario