Equidad en los proyectos de IA

Formas parte de un equipo que está desarrollando un sistema de admisión de estudiantes basado en IA para universidades. Este sistema tiene como objetivo evaluar de manera justa a los solicitantes en función de diversos factores. El equipo considera tres enfoques diferentes para evaluar la equidad en el proyecto, incluyendo el impacto desigual, la igualdad de oportunidades y la paridad demográfica.

Este ejercicio forma parte del curso

Gestión responsable de datos de IA

Ejercicio interactivo práctico

Pon en práctica la teoría con uno de nuestros ejercicios interactivos

Empieza el ejercicio

Este ejercicio forma parte del curso

Gestión responsable de datos de IA

IntermedioNivel de habilidad

4.7+

Comienza el curso gratis

Descubre la teoría fundamental que sustenta la gestión responsable de los datos en la IA. Revisarás aspectos clave como la seguridad, la transparencia y la equidad, entre otros, antes de conceptualizar las métricas y los retos asociados a estos aspectos y comprender cómo equilibrar la IA responsable con otros requisitos empresariales y técnicos.

Exercise 1: Dimensiones de datos responsables Exercise 2: Desarrollar la IA de forma responsable Exercise 3: Dimensiones de los datos responsables Exercise 4: Métricas de IA responsable Exercise 5: Planificación de un proyecto de IA responsable Exercise 6: Uso responsable de los datos Exercise 7: Equidad en los proyectos de IA

Ejercicio actual

Exercise 8: Retos de la IA responsable Exercise 9: Ventajas e inconvenientes de la IA responsable Exercise 10: Deberes profesionales y conducta ética

La regulación de los datos es esencial para la legalidad de cualquier proyecto de IA. Infórmate sobre las normativas clave, las licencias de terceros y las estrategias de cumplimiento para el consentimiento informado y los acuerdos de intercambio de datos (con asesoramiento legal). Por último, aprenderás a desarrollar estrategias sólidas de gobernanza de datos y planes de gestión para garantizar que tu proyecto cumpla con la normativa durante todo su ciclo de vida.

Exercise 1: Resumen de la normativa sobre datos Exercise 2: Leyes de protección de datos Exercise 3: Regulación de datos en un proyecto Exercise 4: Cumplimiento de los datos Exercise 5: Derechos del propietario 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: Selección de 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

Navega por la selección e integración responsables de las fuentes de datos comprendiendo 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 sesgos y sus orígenes, analizarás la equidad y la representación de los datos para crear un conjunto de datos completo para la modelización.

Exercise 1: Fuentes de datos Exercise 2: Tipos de fuentes de datos Exercise 3: Fuente de datos y dimensiones responsables Exercise 4: Limitaciones de las fuentes de datos Exercise 5: Limitaciones en las fuentes de datos Exercise 6: Fuentes de datos y sesgos Exercise 7: Selección de fuentes de datos Exercise 8: Evaluación de las fuentes de datos Exercise 9: Aumento de datos Exercise 10: Integración de datos Exercise 11: Pasos para la 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 la modelización no parecen tareas divertidas, pero vamos a simplificarlas 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 auditoría de datos Exercise 4: Validación de datos Exercise 5: Definición de la validación de datos Exercise 6: Enfoques de validación de datos Exercise 7: Prácticas recomendadas para la validación de datos Exercise 8: Análisis de 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 de sesgos a lo largo del ciclo de vida del proyecto Exercise 14: Consecuencias de la mitigación del sesgo Exercise 15: Sesgo posterior a la implementación Exercise 16: ¡Enhorabuena!