Cronograma

• 15:50 Presentación de Inteligencia Artificial, Breve historia, actualidad y desafíos
• 16:00 Explicación de la dinámica y herramientas
• 16:05 Mesas de discusión con breakout rooms
• 17:15 Cierre de las mesas y comentarios

Inteligencia Artificial

Breve historia, actualidad y desafíos

Pablo Huijse H.

Inteligencia Artificial (IA) y Machine Learning

• Cibernética: Ciencia de los sistemas de control automáticos en animales y máquinas (Norbert Wiener)

​

• Inteligencia Artificial: Software que imita aspectos cognitivos humanos para resolver problemas humanos

Cognición

Acción

Ambiente

Percepción

Agente

Mundo

IA (angosta) en nuestro entorno cercano

Y lo que no vemos:

- Asignador de préstamos bancarios

- Pre-screen en contratación

- ...

IA y Sesgos

Amplificación de los sesgos

​

67% de los cociner@s son mujeres en el dataset

84% de l@s cocine@s son predichos como mujeres

¿Algoritmos ciegos?

​

Los siguientes algoritmos no usaban el género o raza como una entrada

​

El sesgo está en los datos

IA y Regulaciones

• Psicológicamente no saludable
• Potencialmente mal utilizable
• No confiable (sesgos)

Automatización y Progreso

Leyenda:

• Valor económico por hora de trabajo
• Producto Interno Bruto per cápita
• Número de empleos sector privado
• Mediana del ingreso familiar

​

“El gran desacoplamiento” (USA)

Referencias

• Jeremy Howard, “The wonderful and terrifying implications of computers that can learn”, TED 2014
• Kate Crawford, “Trouble with bias”, NIPS 2017
• Emily Denton, “Fairness and Ethics in ML”, Deep Learning for Science School 2019
• Rachel Thomas, “Analyzing & Preventing Unconscious Bias in Machine Learning”, QCon.ai 2018
• Langton Winner, “Do artifacts have politics”, Daedalus, 1980
• Joy Buolamwini y Timnit Gebru, “Gender Shades: Intersectional Accuracy Disparities in Commercial Gender Classification”, PMLR, 2018 y http://gendershades.org
• Julia Angwin, Jeff Larson, Surya Mattu and Lauren Kirchner, “Machine bias”, ProPublica, 2016
• Zhao et al. “Men Also Like Shopping:Reducing Gender Bias Amplification using Corpus-level Constraints”, EMNLP, 2017
• Muchos investigadores preocupados, “On recent research auditing commercial facial analysis technology”, Medium, 2019
• Kate Conger, Richard Fausset y Serge F. Kovaleski, “San Francisco bans facial recognition technology”, New York Times, 2019
• Ben Dattner et al., “The Legal and Ethical Implications of Using AI in Hiring”, Harvard Business Review, 2019
• Amy Bernstein y Anand Raman, “The Great Decoupling: An Interview with Erik Brynjolfsson and Andrew McAfee”, Harvard Business Review 2015

​

​

Política Nacional de Inteligencia Artificial

• Contenidos: Lineamientos estratégicos que debe seguir el país en esta materia durante los próximos 10 años
• Objetivo: Empoderar a las personas en el uso y desarrollo de herramientas de IA, y participar en el debate sobre sus consecuencias legales, éticas, sociales y económicas.
• Meta: publicar este documento y su Plan de Acción a fines del año 2020

Ejes de la política

1. Factores habilitantes
1. Datos
2. Capital humano
3. Infraestructura tecnológica
2. Desarrollo de IA y sus aplicaciones
3. Ética, aspectos regulatorios e impactos sociales y económicos

¿Cómo asegurar que la IA sea justa e imparcial?

​

¿Cómo explicar y transparentar las decisiones de IA?

​

¿Cómo auditar una IA?

​

¿Quién es responsable cuando una IA falla?

​

¿Cómo asegurar que la IA no sea mal-utilizada?

​

¿Cómo asegurar acceso equitativo a IA?

​

¿Cómo asegurar que los beneficios de IA sean para todos y no para unos pocos?