Equidad

Evaluar un modelo de aprendizaje automático requiere actuar de manera responsable y no simplemente limitarse a calcular las métricas de pérdida. Antes de implementar un modelo en producción, es fundamental controlar los datos de entrenamiento y evaluar las predicciones para detectar sesgos.

Este módulo analiza los distintos tipos de sesgos cognitivos humanos que se pueden manifestar en los datos de entrenamiento. Posteriormente, ofrece estrategias para poder identificarlos y evaluar sus efectos.

Equidad

¿Qué vemos?

Un racimo de bananas en un estante de una tienda.

¿Qué vemos?

  • Bananas
Un racimo de bananas.

¿Qué vemos?

  • Bananas
  • Calcomanías
Un racimo de bananas.

¿Qué vemos?

  • Bananas
  • Calcomanías
  • Bananas en estantes
Un racimo de bananas.

¿Qué vemos?

  • Bananas verdes
  • Bananas inmaduras
Un racimo de bananas verdes.

¿Qué vemos?

  • Bananas maduras
  • Ideales para el pan de banana
Un racimo de bananas marrones.

¿Qué vemos?

Bananas amarillas

El amarillo es prototípico de las bananas

Un racimo de bananas amarillas.
Un diagrama que muestra un flujo de trabajo típico de aprendizaje automático: recopilar datos, posteriormente entrenar un modelo y finalmente generar un resultado.
Un diagrama que muestra dos tipos de sesgos de datos: sesgos cognitivos humanos que se manifiestan en los datos (como el sesgo de homogeneidad de los demás) y sesgos cognitivos humanos que afectan la recopilación y la anotación de datos (como el sesgo de confirmación).

Diseño para la equidad

Diseño para la equidad

  1. Consideren el problema.

Diseño para la equidad

  1. Consideren el problema.
  2. Consulten a los expertos.

Diseño para la equidad

  1. Consideren el problema.
  2. Consulten a los expertos.
  3. Entrenen los modelos para que consideren el sesgo.

Diseño para la equidad

  1. Consideren el problema.
  2. Consulten a los expertos.
  3. Entrenen los modelos para que consideren el sesgo.
  4. Interpreten los resultados.

Diseño para la equidad

  1. Consideren el problema.
  2. Consulten a los expertos.
  3. Entrenen los modelos para que consideren el sesgo.
  4. Interpreten los resultados.
  5. Publiquen con contexto.

Enviar comentarios sobre…

Curso intensivo de aprendizaje automático