Desarrollar IA de forma responsable

Equilibrar la eficiencia técnica con las dimensiones de IA responsable es clave al construir un proyecto de IA. Lo primero se centra en la exactitud, la eficiencia y la optimización, mientras que lo segundo garantiza que los sistemas de IA no perpetúen sesgos ni discriminación.

Identifica las afirmaciones que son ciertas para el desarrollo responsable de IA. Selecciona las tres respuestas que correspondan.

Este ejercicio forma parte del curso

Gestión responsable de datos en AI

ejercicio interactivo práctico

Convierte la teoría en práctica con uno de nuestros ejercicios interactivos

Empezar ejercicio

Este ejercicio forma parte del curso

Gestión responsable de datos en AI

IntermedioNivel de habilidad

4.8+

Empieza el curso gratis

Aprende la teoría fundamental detrás de la gestión responsable de datos en AI. Revisarás dimensiones clave como seguridad, transparencia, equidad y más, antes de conceptualizar las métricas y los retos asociados a estas dimensiones y comprender cómo equilibrar la AI responsable con otros requisitos empresariales y técnicos.

Exercise 1: Dimensiones de datos responsables Exercise 2: Desarrollar IA de forma responsable

Ejercicio actual

Exercise 3: Dimensiones de los datos responsables Exercise 4: Métricas de IA responsable Exercise 5: Planificar un proyecto de IA responsable Exercise 6: Uso responsable de datos Exercise 7: Equidad en proyectos de IA Exercise 8: Retos de una IA responsable Exercise 9: Compensaciones en IA responsable Exercise 10: Deberes profesionales y conducta ética

La regulación de datos es esencial para la legalidad de cualquier proyecto de AI. Conoce las principales normativas, las licencias de terceros y las estrategias de cumplimiento para el consentimiento informado y los acuerdos de intercambio de datos (con asesoría legal). Por último, aprenderás a desarrollar estrategias sólidas de gobierno del dato y planes de gestión para asegurar que tu proyecto siga cumpliendo la normativa durante todo su ciclo de vida.

Exercise 1: Panorama general de la regulación de datos Exercise 2: Leyes de protección de datos Exercise 3: Regulación de datos en un proyecto Exercise 4: Cumplimiento de datos Exercise 5: Derechos del titular de los datos y cumplimiento normativo Exercise 6: Acuerdos de uso de datos (DUA)Exercise 7: Licencias de terceros Exercise 8: Tipos de licencias Exercise 9: Acuerdos de licencia Exercise 10: Seleccionar una licencia Exercise 11: Gobernanza de datos y plan de gestión de datos (DMP)Exercise 12: Gestión de datos Exercise 13: Componentes de un DMP

Aprende a seleccionar e integrar fuentes de datos de forma responsable entendiendo la importancia del origen, la naturaleza y la temporalidad de los datos, haciendo hincapié en el cumplimiento legal, la diversidad y la equidad. Al explorar los tipos de sesgo y sus orígenes, analizarás la equidad y la representación de los datos para crear un conjunto de datos completo para el modelado.

Exercise 1: Fuentes de datos Exercise 2: Tipos de fuentes de datos Exercise 3: Fuente de datos y dimensiones de responsabilidad Exercise 4: Limitaciones de las fuentes de datos Exercise 5: Limitaciones en las fuentes de datos Exercise 6: Fuentes de datos y sesgo Exercise 7: Selección de fuentes de datos Exercise 8: Evaluación de fuentes de datos Exercise 9: Ampliación de datos Exercise 10: Integración de datos Exercise 11: Pasos de integración de datos Exercise 12: Riesgos y beneficios de la integración de datos

Comprende las auditorías de datos, la validación de datos y la mitigación de sesgos. El preprocesamiento de datos y la detección de sesgos en el modelado puede que no suenen divertidos, pero vamos a simplificarlos con enfoques comunes y técnicas fiables.

Exercise 1: Auditoría de datos Exercise 2: Auditoría de datos en el ciclo de vida del proyecto Exercise 3: Necesidad de una auditoría de datos Exercise 4: Validación de datos Exercise 5: Definir la validación de datos Exercise 6: Enfoques de validación de datos Exercise 7: Mejores prácticas de validación de datos Exercise 8: Análisis por subgrupos Exercise 9: Validación de datos en el proyecto Exercise 10: Preprocesamiento y sesgo Exercise 11: Mitigación del sesgo Exercise 12: Estrategias de mitigación Exercise 13: Mitigación del sesgo a lo largo del ciclo de vida del proyecto Exercise 14: Consequences of bias mitigation Exercise 15: Sesgos tras el despliegue Exercise 16: ¡Enhorabuena!