¿Qué tan segura es nuestra dependencia de la IA? ¿deberíamos regularla?

-

Al final, será necesaria algún tipo de regulación de terceros, porque algunas aplicaciones de IA, como el reconocimiento facial o los videos deepfake, son demasiado fáciles de usar para los malos actores. Sin embargo, el problema de la regulación gubernamental contraproducente y derrochadora podría reducirse significativamente si aquellos que están en el negocio de pensar y crear IA pueden regularse de manera efectiva.

https://link.springer.com/article/10.1007/s43681-020-00010-7

Editado por Aniceto Pérez y Madrid, Especialista en Ética de la Inteligencia Artificial y Editor de Actualidad Deep Learning (@forodeeplearn).

Los artículos publicados son incluidos por su estimada relevancia y no expresan necesariamente los puntos de vista del Editor este Blog.


Comentarios

Publicar un comentario

Popular

Tesla admite que es posible que nunca logre autos totalmente autónomos

-
https://www.fastcompany.com/90630440/tesla-admits-it-may-never-achieve-full-self-driving-cars?partner=rss&utm_campaign=rss+fastcompany&utm_content=rss&utm_medium=feed&utm_source=rss Una presentación reciente ante la Comisión de Bolsa y Valores incluye lenguaje en el que se reconoce que es posible que la empresa nunca logre automóviles completamente autónomos, el invento que ha sido su gran ballena blanca durante años. Después del informe de ganancias del primer trimestre de Tesla el lunes, el analista y usuario de Twitter Gordon Johnson señaló que la presentación 10-Q de la compañía tiene en sus factores de riesgo la siguiente declaración: “Estamos desarrollando tecnologías de conducción autónoma y de asistencia al conductor que se basan en sensores basados ​​en la visión, a diferencia de las tecnologías alternativas en desarrollo que, además, requieren otros sensores redundantes. No hay garantía de que cualquier cambio incremental en el equipo específico que implementa...
Leer más

Cada modelo aprendido por pendiente de gradiente es aproximadamente una máquina de kernel

-
 Los éxitos del aprendizaje profundo a menudo se atribuyen a su capacidad para descubrir automáticamente nuevas representaciones de los datos, en lugar de depender de características hechas a mano como otros métodos de aprendizaje. Sin embargo, mostramos que las redes profundas aprendidas por el algoritmo de descenso de gradiente estándar son de hecho matemáticamente aproximadamente equivalentes a las máquinas kernel, un método de aprendizaje que simplemente memoriza los datos y los usa directamente para la predicción a través de una función de similitud (el kernel). Esto mejora enormemente la interpretabilidad de las ponderaciones de redes profundas, al aclarar que son efectivamente una superposición de los ejemplos de entrenamiento. La arquitectura de la red incorpora el conocimiento de la función de destino en el kernel. Esta mejor comprensión debería conducir a mejores algoritmos de aprendizaje. https://arxiv.org/abs/2012.00152
Leer más

El nuevo concepto de privacidad: la transformación estructural de la visibilidad

-
  El concepto de  privacidad  ha ido cobrando protagonismo en el debate público y académico según han ido aumentando las voces que proclaman su desaparición por los efectos de las tecnologías de la información. A diferencia de otros conceptos limítrofes —como  intimidad  o  vida privada —, este nuevo concepto de privacidad comprende un nuevo régimen de visibilidad que afecta a la configuración del espacio público digital (EPD). A través del estudio histórico de cómo se ha formado este nuevo concepto, expongo las cuatro dimensiones del contexto de experiencia que recoge: 1) la imposibilidad del secreto en el ciberespacio; 2) el desarrollo de una economía de la vigilancia que ha llevado a la hiperfragmentación del EPD y 3) a la transformación de la visibilidad de este ámbito público, y 4) el carácter esencialmente reactivo de este nuevo concepto de privacidad. https://recyt.fecyt.es/index.php/RevEsPol/article/view/74389 Editado por Aniceto Pérez y Madrid, Esp...
Leer más