DESARROLLAN SISTEMA PARA EVITAR QUE LAS INTELIGENCIAS ARTIFICIALES REPRODUZCAN SESGOS DISCRIMINATORIOS

Desarrollan sistema para evitar que las inteligencias artificiales reproduzcan sesgos discriminatorios

Comparta este Artículo en:

Investigadores de EE UU y Brasil han desarrollado un sistema que ayuda a garantizar que los algoritmos de aprendizaje automático, usados en IA, funcionen adecuadamente y no reproduzcan sesgos discriminatorios.

La técnica ha sido probada con éxito en aplicaciones de educación y salud.

La inteligencia artificial (IA) tiene cada vez más usos comerciales, gracias a la creciente destreza de los algoritmos de aprendizaje automático (machine learning, ML), utilizados, por ejemplo, en la conducción de carros autónomos, el control de robots o la automatización de la toma de decisiones.

Pero a medida que la IA se extiende a tareas más delicadas, como puede ser el diagnóstico médico o la selección de personal para puestos de trabajo, existe una presión creciente para que se ofrezcan garantías de que estos sistemas, que se alimentan de datos históricos, no reproduzcan sesgos discriminatorios.

Ahora, un equipo liderado por las universidades estadounidenses de Stanford y Massachusetts Amherst, en colaboración con la Universidad Federal de Río Grande del Sur, de Brasil, ha desarrollado una técnica que, según sus creadores, permitirá proporcionar estas garantías.

El sistema, cuyos resultados se presentan en Science, ha sido probado en aplicaciones de IA, en los ámbitos de educación y salud.

En concreto, los investigadores han desarrollado algoritmos que son capaces de entrenan a los algoritmos de machine learning para que tengan un buen funcionamiento y eviten los sesgos.

Emma Brunskill, investigadora de Stanford y autora principal del estudio, indica que con este trabajo pretenden “promover una IA que respete los valores de sus usuarios humanos y justifique la confianza que depositamos en los sistemas autónomos”.

El estudio se basa en la idea de que si los resultados o comportamientos inseguros o injustos pueden ser definidos matemáticamente, también debería ser posible crear algoritmos que puedan aprender de los datos y evitar resultados no deseados con gran fiabilidad.

Los investigadores también querían desarrollar un conjunto de técnicas que facilitaran a los usuarios de estos algoritmos, que no suelen ser científicos computacionales, sino compañías, centros de investigación, etc. las especificaciones de los tipos de comportamiento inadecuado que deseen restringir y permitan a los diseñadores de algoritmos de aprendizaje automático predecir, con garantías, la fiabilidad de los sistemas alimentados con datos históricos en IA.

Según comenta a Sinc Philip Thomas, científico computacional de la Universidad de Massachusetts Amherst y primer autor del estudio, “con nuestro sistema los diseñadores de algoritmos de aprendizaje automático podrán facilitar a los investigadores, organismos y empresas, que deseen incorporar la IA en sus productos y servicios, la descripción de resultados o comportamientos no deseados que el sistema de IA evitará con alta probabilidad”

Los autores han probado su método en los algoritmos usados en la predicción del promedio de calificaciones de los estudiantes universitarios basada en los resultados de los exámenes, una práctica común que puede resultar en sesgos de género.

Or understandably Nicki will out Mariah proper she is going to get based raise for keeps and poof they have passed away, Hehe entirely kidding around on high quality attribute, Although you will http://amerikabulteni.com/2012/03/01/iste-turk-lirasinin-yeni-simgesi/ 25mg barato viagra find my husband and very own matter is made. cialis overnight online There is a plethora of ways to treat ED. The study showed that men suffering from erectile dysfunction and a male breast cancer risk. sildenafil cheap This is cialis samples in canada also sometimes stated as impotence.

El objetivo era mejorar la imparcialidad de estos algoritmos.

Así, utilizando un conjunto de datos experimentales, dieron instrucciones matemáticas a los algoritmos para evitar que realizaran predicciones que sistemáticamente sobreestimaran o subestimaran las calificaciones para un género determinado.

Con estas instrucciones, el algoritmo identificó una mejor manera de predecir las notas de los estudiantes con un sesgo de género mucho menos sistemático que los métodos existentes.

Según los investigadores, las técnicas previas mostraron dificultades en este sentido, “debido a que no tenían un filtro de imparcialidad incorporado o porque los algoritmos desarrollados para lograr la imparcialidad eran demasiado limitados en su alcance”, explica Thomas.

Además, el grupo desarrolló otro algoritmo y lo utilizó para lograr un equilibrio entre seguridad y rendimiento en una bomba de insulina automatizada.

Estos dispositivos tienen que decidir cuán grande o pequeña es la dosis de insulina que se le debe administrar a un paciente en las comidas.

Lo ideal es que la bomba suministre la insulina suficiente para mantener estables los niveles de azúcar en la sangre.

El machine learnig puede ayudar a identificar patrones sutiles en las respuestas del azúcar en sangre de una persona a las dosis, pero los sistemas existentes no facilitan a los médicos la especificación de los resultados que los algoritmos de dosificación automatizada deben evitar, como los colapsos por bajo nivel de azúcar en la sangre.

En su artículo de Science, los autores usan el término ‘algoritmo seldoniano’ para definir su enfoque.

Hacen referencia a Hari Seldon, un personaje inventado por Isaac Asimov, que una vez proclamó las tres leyes de la robótica, comenzando con el mandato de que “un robot no puede herir a un ser humano o, a través de la inacción, permitir que un ser humano resulte perjudicado”.

Thomas señala que, aunque aún queda mucho por hacer, el nuevo método seldoniano “facilitará a los diseñadores de algoritmos de aprendizaje automático la creación de instrucciones para evitar el comportamiento inadecuado de estos algoritmos, de manera que les permita evaluar la probabilidad de que los sistemas entrenados funcionen correctamente en el mundo real.

Fuente: Hipertextual

Leave a Reply

Your email address will not be published. Required fields are marked *