Ética y responsabilidad de la IA: Desafíos únicos de la IA y el aprendizaje automático

Name: Ética y responsabilidad de la IA: Desafíos únicos de la IA y el aprendizaje automático
Author: Briana Brownell

Conozca las formas en que el aprendizaje automático proporciona diferentes desafíos éticos a otras formas de desarrollo de software.

Preview the first lesson free — get full access to all 5 lessons.

Solicitar una demo Iniciar sesión

Curso: bajo demanda

(música suave) El aprendizaje automático plantea algunos desafíos únicos en términos de ética y responsabilidad. En muchos sentidos, los sistemas de decisión que utilizan el aprendizaje automático son más difíciles de abordar que otras formas de desarrollo de software. Comenzaremos con el tipo más común de aprendizaje automático. El aprendizaje supervisado es casi seguro el estilo más común de aprendizaje automático utilizado actualmente. Hay muchos casos de uso para este tipo de aprendizaje, como predecir qué factores más influyen en la experiencia del cliente, predecir y prevenir la rotación de clientes, que se refiere a la pérdida de clientes, Pronosticar el éxito de una estrategia de marketing. para optimizar el gasto del canal, proyectar el uso del sistema o el tráfico peatonal, o predecir el comportamiento del usuario y proporcionando un empujón para cambiarlo. tener algún tipo de resultado previsto. Ese es el diferenciador entre supervisado el aprendizaje automático y otros tipos que revisaremos. Estas predicciones y sus acciones posteriores se basan en datos recopilados y muchas de las consideraciones éticas se refieren a estos datos. Sin embargo, otros se relacionan con el impacto de la predicción, que es exclusivo del aprendizaje automático supervisado. Hay consideraciones técnicas y no técnicas. en torno a la ética y la responsabilidad que son especialmente aplicable a los modelos de aprendizaje supervisado. En cuanto a las consideraciones técnicas, algunos métodos de aprendizaje supervisado son especialmente susceptibles a la influencia de valores atípicos en el conjunto de datos. Entonces, cuando se recopilan datos que contienen estos errores, el modelo general podría funcionar bien en el entrenamiento, pero luego fallan en el despliegue. A veces sabemos esto antes de tiempo cuando el modelo predictivo funciona mal con un conjunto de prueba, pero a menudo no lo sabemos hasta el despliegue. Esto agrega varios riesgos adicionales en torno al impacto. del sistema en términos de sesgo y equidad. El aprendizaje supervisado depende de tener datos etiquetados. A menudo, este etiquetado es realizado por humanos. basado en un conjunto de criterios cualitativos. Es difícil no solo que cada persona sea consistente en su etiquetado, sino también para que haya coherencia a través de múltiples evaluadores. Los propios evaluadores traen sus propios sesgos. al problema del etiquetado, que tiene la posibilidad de introducir problemas accidentalmente en el modelo de aprendizaje supervisado resultante. Por ejemplo, imagine que los calificadores están proporcionando una puntuación de lo fuerte que es un currículum, y estos datos se utilizan para crear un sistema automatizado que anotará currículums automáticamente. Estos evaluadores pueden estar sesgados hacia o en contra de ciertas escuelas, empresas anteriores, o actividades extraescolares. A medida que califican los currículums, pueden replicar su propio sesgo en el modelo de aprendizaje automático supervisado a modo de proporcionar un etiquetado sesgado. Modelos más complicados, como los construidos usando redes neuronales profundas, puede ser difícil de explicar y por lo tanto tienen problemas con la transparencia. Además, debido a su complejidad, puede ser más difícil verificar la seguridad y la seguridad del modelo de aprendizaje automático resultante. Todos estos factores hacen que el aprendizaje supervisado tiene una gran lista de consideraciones éticas eso debe ser abordado.

Intermedio Proveedor : Briana Brownell 5 lecciones · 16m en Árabe, Alemán, Inglés, Español, Francés, Portugués, Chinese

Descripción del curso

En estas lecciones sobre los desafíos únicos de la IA y el aprendizaje automático, explorará los tipos de aprendizaje automático, incluido el supervisado, que utiliza datos etiquetados para hacer predicciones; el no supervisado, una serie de técnicas para comprender la estructura de los datos sin una variable de resultado; y aprendizaje por refuerzo, uno de los estilos más antiguos de aprendizaje automático que utiliza un método de aprendizaje basado en objetivos. También comprenderá las consideraciones éticas en torno a las redes neuronales y la IA generativa.

El aprendizaje automático subyace a muchos sistemas de IA construidos hoy en día. Las redes neuronales artificiales se encuentran entre los métodos de aprendizaje automático más exitosos. Resuelven muchos de los problemas más difíciles del campo, incluidos los que pasaron décadas sin resolver. Pero el uso de redes neuronales también ha agregado algunos nuevos desafíos a la IA, como la forma de probar los casos extremos y la solidez de los resultados. La complejidad de los sistemas de prueba puede hacer que sean muy difíciles de analizar. Revisaremos las consideraciones específicas que tienen las redes neuronales en términos de ética.

La IA generativa es un área más nueva y emergente relevante para la ética y la responsabilidad en la IA.

Hablaremos de la prueba de Lovelace que tiene como objetivo probar si una computadora podría generar algo sorprendente y original.

Lo que aprenderás

Diferencie entre los principales tipos de aprendizaje automático: aprendizaje supervisado, no supervisado y reforzado
Reconozca los desafíos éticos únicos planteados por las redes neuronales artificiales
Explique los desafíos éticos en torno a la IA generativa
Examine por qué las redes neuronales hacen que las pruebas de casos extremos y robustez de salida sean difíciles
Describa la prueba de Lovelace para determinar si una computadora puede generar algo sorprendente y original

Puntos clave

El aprendizaje supervisado utiliza datos etiquetados para hacer predicciones, el aprendizaje no supervisado utiliza técnicas para entender la estructura de los datos sin una variable de resultado, y el aprendizaje reforzado es un método de aprendizaje basado en objetivos.
Las redes neuronales artificiales se encuentran entre los métodos de aprendizaje automático más exitosos y han resuelto problemas que permanecieron sin resolver durante décadas.
Las redes neuronales introducen nuevos desafíos a la IA, incluyendo cómo probar casos extremos y robustez de salida, y sus sistemas de prueba pueden ser particularmente difíciles de analizar.
La IA generativa es un área más nueva y emergente relevante para la ética y responsabilidad de la IA.
La prueba de Lovelace tiene como objetivo evaluar si una computadora podría generar algo sorprendente y original.

Preguntas frecuentes

¿Qué cubre este curso?

Cubre los tipos de aprendizaje automático (aprendizaje supervisado, no supervisado y reforzado), las consideraciones éticas en torno a las redes neuronales artificiales y los desafíos éticos de la IA generativa, incluyendo una discusión de la prueba de Lovelace.

¿Cuáles son los objetivos principales de aprendizaje?

Diferenciar entre los principales tipos de aprendizaje automático, reconocer los desafíos únicos con las redes neuronales artificiales y explicar los desafíos éticos de la IA generativa.

¿Cuáles lecciones se incluyen?

El curso incluye lecciones sobre Aprendizaje Supervisado, Aprendizaje No Supervisado, Aprendizaje Reforzado, Redes Neuronales e IA Generativa.

¿Qué habilidades desarrollaré?

Desarrollará habilidades en Inteligencia Artificial, Aprendizaje Automático Automatizado, Aprendizaje Automático, Métodos de Aprendizaje Automático, Aprendizaje Supervisado y Aprendizaje No Supervisado.

¿Por qué las redes neuronales reciben atención ética especial en este curso?

Porque, aunque se encuentran entre los métodos de aprendizaje automático más exitosos, las redes neuronales añaden nuevos desafíos como pruebas de casos extremos y robustez de salida, y su complejidad puede hacer que los sistemas de prueba sean particularmente difíciles de analizar.