Este documento discute la importancia de una Inteligencia Artificial responsable. Define la IA responsable como un enfoque para evaluar, desarrollar e implementar sistemas de IA de manera segura, confiable y ética. Explora principios clave como la equidad, transparencia, fiabilidad, privacidad e inclusión. También presenta herramientas como Responsible AI Toolbox que pueden ayudar a mitigar sesgos y garantizar la transparencia de los sistemas de IA.
El 89% de las organizaciones se encuentran en un proceso de transformación digital y de estás el 71% ha utilizado en al menos uno de sus proyectos frameworks ágiles. Muchas de estas empresas comienzan su proceso de transformación enfocados en la urgencia y no en las sustentabilidad de la organización en el tiempo.
La competitividad, la insatisfacción de los clientes, nuevos actores en el mercado, la globalización en la entrega de servicios, la insatisfacción de los empleados , la forma de liderazgo y dirección de las empresas, la remuneración, los planes de crecimiento ofrecidos a los empleados, etc. Estos factores tanto externos como internos, son los que disparan con urgencia las transformaciones de las organizaciones, desviando su perspectiva hacia la solución de las urgencias y no hacía una estrategia sustentable de cambio que produzca una real transformación del negocio.
Al recabar datos en una organización durante su proceso de transformación, empezamos a crear comparativas reales acerca de la capacidad de trabajo, el tamaño de los equipos, las dependencias con otros equipos u otras áreas, acerca de las cadenas de valor, los portafolios y todas estas nos brindan información que servirá para re orientar la estrategia organizacional, permitiendo identificar acciones sustentables y alineadas a los objetivos organizacionales.
Este documento presenta las conclusiones de un curso sobre medios sociales. Resume varios conceptos clave como la evolución de Internet y la Web 2.0, el estado actual de las principales redes sociales, y modelos para comprender el comportamiento individual y de las marcas en los medios sociales. También describe estrategias y retos para el desarrollo efectivo de contenidos y comunidades en plataformas de medios sociales.
RESILIENCE+DRJ en Español Software WeekTemplate_20230330.pptxZullyEscalona
El documento presenta información sobre Norman Ramírez, un experto en resiliencia organizacional y la compañía para la cual trabaja. La compañía ofrece soluciones de gestión de resiliencia organizacional a través de su plataforma Resilience+ y ha estado en el mercado por más de 18 años ayudando a más de 70 clientes. La presentación incluye información sobre los modelos y marcos de resiliencia organizacional, el motor y las interconexiones de la plataforma Resilience+, y las herramientas disponibles como el análisis de impacto al
Este documento describe los conceptos clave de la administración del conocimiento, incluyendo las definiciones de información, conocimiento y datos. Explica los tipos de conocimiento tácito y explícito, y los seis pasos para administrar el conocimiento. Finalmente, destaca los beneficios de trabajar con la administración del conocimiento para mejorar la toma de decisiones y la productividad de una organización.
La recolección de datos ser utilizada por el analista para desarrollar información, Y aplicarla en un momento en particular, con la finalidad de buscar información que será útil a una investigación en común.
Presentación de la charla introductoria de People Analytics realizada en la Facultad de Ciencias Sociales de la Universidad de Buenos Aires (UBA) por Sergio García Mora de Data 4HR
Este documento describe los conceptos clave de Social Business y proporciona consejos sobre cómo implementar con éxito iniciativas de Social Business en las organizaciones. Aborda temas como los riesgos percibidos, las ventajas y el ROI esperado, los requisitos tecnológicos, los roles y responsabilidades necesarios, y cómo comunicar el valor de estas iniciativas a los líderes ejecutivos.
Sistema de incentivos en uruguay, experiencias y desafíosCPA Ferrere
Este documento discute los sistemas de incentivos en Uruguay, sus experiencias y desafíos. Explica que los incentivos pueden mejorar la productividad rápidamente pero que los resultados no siempre cumplen las expectativas. Revisa cómo se aplican los incentivos en Uruguay y concluye que deben diseñarse cuidadosamente considerando objetivos claros, participación de los empleados y riesgos como la falta de transparencia.
El 89% de las organizaciones se encuentran en un proceso de transformación digital y de estás el 71% ha utilizado en al menos uno de sus proyectos frameworks ágiles. Muchas de estas empresas comienzan su proceso de transformación enfocados en la urgencia y no en las sustentabilidad de la organización en el tiempo.
La competitividad, la insatisfacción de los clientes, nuevos actores en el mercado, la globalización en la entrega de servicios, la insatisfacción de los empleados , la forma de liderazgo y dirección de las empresas, la remuneración, los planes de crecimiento ofrecidos a los empleados, etc. Estos factores tanto externos como internos, son los que disparan con urgencia las transformaciones de las organizaciones, desviando su perspectiva hacia la solución de las urgencias y no hacía una estrategia sustentable de cambio que produzca una real transformación del negocio.
Al recabar datos en una organización durante su proceso de transformación, empezamos a crear comparativas reales acerca de la capacidad de trabajo, el tamaño de los equipos, las dependencias con otros equipos u otras áreas, acerca de las cadenas de valor, los portafolios y todas estas nos brindan información que servirá para re orientar la estrategia organizacional, permitiendo identificar acciones sustentables y alineadas a los objetivos organizacionales.
Este documento presenta las conclusiones de un curso sobre medios sociales. Resume varios conceptos clave como la evolución de Internet y la Web 2.0, el estado actual de las principales redes sociales, y modelos para comprender el comportamiento individual y de las marcas en los medios sociales. También describe estrategias y retos para el desarrollo efectivo de contenidos y comunidades en plataformas de medios sociales.
RESILIENCE+DRJ en Español Software WeekTemplate_20230330.pptxZullyEscalona
El documento presenta información sobre Norman Ramírez, un experto en resiliencia organizacional y la compañía para la cual trabaja. La compañía ofrece soluciones de gestión de resiliencia organizacional a través de su plataforma Resilience+ y ha estado en el mercado por más de 18 años ayudando a más de 70 clientes. La presentación incluye información sobre los modelos y marcos de resiliencia organizacional, el motor y las interconexiones de la plataforma Resilience+, y las herramientas disponibles como el análisis de impacto al
Este documento describe los conceptos clave de la administración del conocimiento, incluyendo las definiciones de información, conocimiento y datos. Explica los tipos de conocimiento tácito y explícito, y los seis pasos para administrar el conocimiento. Finalmente, destaca los beneficios de trabajar con la administración del conocimiento para mejorar la toma de decisiones y la productividad de una organización.
La recolección de datos ser utilizada por el analista para desarrollar información, Y aplicarla en un momento en particular, con la finalidad de buscar información que será útil a una investigación en común.
Presentación de la charla introductoria de People Analytics realizada en la Facultad de Ciencias Sociales de la Universidad de Buenos Aires (UBA) por Sergio García Mora de Data 4HR
Este documento describe los conceptos clave de Social Business y proporciona consejos sobre cómo implementar con éxito iniciativas de Social Business en las organizaciones. Aborda temas como los riesgos percibidos, las ventajas y el ROI esperado, los requisitos tecnológicos, los roles y responsabilidades necesarios, y cómo comunicar el valor de estas iniciativas a los líderes ejecutivos.
Sistema de incentivos en uruguay, experiencias y desafíosCPA Ferrere
Este documento discute los sistemas de incentivos en Uruguay, sus experiencias y desafíos. Explica que los incentivos pueden mejorar la productividad rápidamente pero que los resultados no siempre cumplen las expectativas. Revisa cómo se aplican los incentivos en Uruguay y concluye que deben diseñarse cuidadosamente considerando objetivos claros, participación de los empleados y riesgos como la falta de transparencia.
Este documento presenta un modelo de plan estratégico que incluye elementos como la visión, valores, misión y análisis de factores internos y externos. La visión describe el futuro deseado de la organización. Los valores guían la conducta del personal. La misión explica la razón de ser de la organización. Se realizan análisis de megatendencias, cartera de productos/servicios, grupos de interés, fuerzas competitivas y problemas para definir una postura estratégica.
Este documento describe los sistemas de información para la educación, incluyendo sus tipos, procesos y modelos de desarrollo. Explica que los sistemas de información son cruciales para las instituciones educativas y el Ministerio de Educación para administrar datos, apoyar la toma de decisiones, y garantizar la calidad de la educación. También presenta el Lenguaje Unificado de Modelado como una herramienta clave para el diseño de sistemas de información educativos.
Web 3.0 [Learning Analytics, Bigdata] & Gamification por Gladis Chacóngladisbeatriz20055816
El documento presenta tres herramientas de la web 3.0 - web 3.0, learning analytics y big data - y cómo aplicarlas en instituciones educativas. Web 3.0 permite encontrar y compartir información rápidamente desde cualquier dispositivo. Learning analytics analiza los datos de los estudiantes para mejorar su aprendizaje. Big data organiza grandes volúmenes de datos para tomar mejores decisiones. La gamificación también se presenta como una técnica motivadora.
Las tendencias de gestión de los recursos humanos en la empresa apuntan hacia el uso de los datos de las personas en el contexto de las organizaciones para la mejora de los procesos de aprendizaje (Learning Analytics), la gestión del cambio (Change Management) o la planificación de equipos (Workforce Planning), entre otros. La convergencia de estas tendencias se ha denominado People Analytics y se ha convertido en una de las herramientas clave para la Transformación Digital de las organizaciones. En esta sesión compartiremos nuestro conocimiento y experiencias para favorecer un mejor entendimiento del potencial de People Analytics para las organizaciones.
Jordi Fernández, Director de Negocio en Enzyme Advising Group
Selección de slides del curso "Métricas de Seguridad".
El objetivo del curso es el de enseñar a los participantes los conceptos generales de una métrica de seguridad, mecanismos y criterios de evaluación de las métricas y las distintas maneras de presentarlas utilizando datos y storytelling.
Este documento presenta información sobre la evaluación del desempeño. Explica que la evaluación del desempeño sirve para implementar estrategias y evaluar objetivos. También describe métodos de evaluación como el método de 360 grados, el cual involucra evaluaciones de jefes, compañeros, subordinados y autoevaluación. Finalmente, discute cómo los resultados de la evaluación de 360 grados pueden usarse para desarrollar planes de crecimiento.
Este documento presenta información sobre la evaluación del desempeño. Explica que la evaluación del desempeño sirve para implementar estrategias y evaluar objetivos. También describe métodos de evaluación como las escalas de puntuación y listas de verificación. Finalmente, introduce el método de evaluación de 360 grados, el cual involucra evaluaciones de jefes, compañeros, subordinados y autoevaluación.
Este documento describe los indicadores de evaluación educativa. Explica que un indicador es una comparación cuantitativa o cualitativa que proporciona información sobre el cumplimiento de un objetivo o nivel de satisfacción. Menciona que los indicadores cuantitativos miden cantidades mientras que los cualitativos miden opiniones y percepciones. También señala que los indicadores deben construirse para proporcionar datos relevantes de manera oportuna y a bajo costo sobre todas las dimensiones de un programa educativo.
El rol de la gamificación en la estrategia de innovaciónBinaryKnowledge_
1. La gamificación es una herramienta digital que puede utilizarse para lograr el compromiso y participación efectiva de las personas en procesos de innovación.
2. La gamificación facilita y potencia la innovación al fomentar la creatividad, participación y trabajo colaborativo entre los involucrados.
3. El documento propone una hoja de ruta para implementar con éxito proyectos de gamificación enfocados a la innovación que pone al factor humano y la comprensión de las necesidades de los interesados en el centro.
[Infografía] Encuesta sobre seguridad de información 2014 - PerúEY Perú
El documento habla sobre la rápida expansión de las amenazas cibernéticas en Perú y la necesidad de que las empresas se preparen para hacer frente a posibles ataques cibernéticos. Señala que muchas empresas carecen de planes para mitigar los daños de un ataque y no sabrían si están siendo objeto de uno. Además, revela que el 37% de las empresas no tiene información sobre los riesgos de sus sistemas, el 45% dice que la seguridad solo satisface parcialmente sus necesidades y el 46% carece de un
El documento describe los niveles de madurez en inteligencia analítica para una organización digital inteligente, incluyendo analítica descriptiva, predictiva, prescriptiva y cognitiva. Explica que la analítica descriptiva describe el pasado, la predictiva determina probabilidades sobre el futuro, la prescriptiva prescribe acciones, y la cognitiva toma decisiones basadas en evidencia. También presenta objetivos y niveles de experiencia para lograr una implementación exitosa de la inteligencia analítica en una organización.
Big data vs expertos - Adrián Plattner @adrianplattnerRefresh Maracaibo
Big Data vs Expertos.
En un mundo donde cada vez se produce más información, cómo las instituciones deben recolectar y/o utilizar la información disponible en redes sociales para tomar mejores decisiones que en muchos casos superan a los expertos que llevan años trabajando en una determinada área.
Adrián Plattner @adrianplattner
Mas informacion: http://www.refreshmaracaibo.org
¿Para qué sirve construir indicadores de desempeño?
-Induce mejoras en información.
-Posibilita la discusión de resultados y permite una asignación de recursos con mayor fundamento.
-Posibilita la evaluación.
-Apoya el proceso de formulación de políticas y Programas.
-Facilita el establecimiento de compromisos de resultado.
El documento describe los diferentes aspectos que deben considerarse para una gestión empresarial exitosa, incluyendo la planeación estratégica, la organización interna, la gestión de recursos humanos, la dirección, el control y las funciones de producción, finanzas e investigación y desarrollo. Plantea una serie de preguntas clave para evaluar cada una de estas áreas y determinar oportunidades de mejora.
Auditoria Informática constituye un método de evaluación y diagnósticos de los procesos de un organización permite verificar los elementos que conviven con los sistemas de informacion
El documento explora la medición del entorno de medios sociales desde una perspectiva teórica y casos prácticos de Latinoamérica. Explica que las métricas miden dinámicas sociales como conectar, comunicar y compartir. También cubre cómo las métricas pueden usarse para gestionar objetivos tácticos, justificar presupuestos y detectar insights para la toma de decisiones estratégicas.
El documento describe la evolución de las tecnologías de la información y la comunicación (TIC) y su impacto en la dirección estratégica de las organizaciones. Explica que las TIC han pasado de sistemas transaccionales a sistemas de apoyo a la toma de decisiones y el trabajo en equipo. También presenta modelos para analizar el nivel de madurez de las organizaciones en el uso de las TIC y estrategias para integrar las TIC en la planificación estratégica de una manera que apoye el desarrollo del negocio
Desayuno Data science - Aplicaciones en métricas & Analyticsamdia
El documento describe objetivos relacionados con la estandarización de términos y buenas prácticas en datos y analítica, el desarrollo de programas de entrenamiento, y la promoción del uso de herramientas analíticas para optimizar objetivos de negocio. También presenta un proyecto de Club Día para mejorar las ofertas personalizadas mediante el aprendizaje automático y la segmentación de clientes en base a su perfil de consumo.
TalentLand - Entendiendo tus documentos con Azure Form Recognizer.pptxLuis775803
Este documento presenta Azure Form Recognizer, un servicio que permite extraer datos estructurados de formularios y documentos. Form Recognizer utiliza aprendizaje automático para comprender el contenido y la estructura de los formularios sin necesidad de etiquetado manual. El documento describe cómo Form Recognizer puede reconocer diferentes tipos de formularios y proporciona una demostración de sus capacidades. Finalmente, destaca los beneficios de automatizar los flujos de trabajo y reducir costos mediante el uso de Form Recognizer.
IA Conversacional con Power Virtual Agents.pptxLuis775803
El documento describe las herramientas Power Platform y Power Virtual Agents de Microsoft para la creación de bots conversacionales sin necesidad de experiencia en codificación. Power Virtual Agents permite a los equipos crear fácilmente bots que automatizan consultas comunes y mejoran la satisfacción del cliente al permitir la autoayuda las 24 horas. QnA Maker es un servicio de Azure que permite importar pares de preguntas y respuestas para crear una base de conocimientos para bots.
Este documento presenta un modelo de plan estratégico que incluye elementos como la visión, valores, misión y análisis de factores internos y externos. La visión describe el futuro deseado de la organización. Los valores guían la conducta del personal. La misión explica la razón de ser de la organización. Se realizan análisis de megatendencias, cartera de productos/servicios, grupos de interés, fuerzas competitivas y problemas para definir una postura estratégica.
Este documento describe los sistemas de información para la educación, incluyendo sus tipos, procesos y modelos de desarrollo. Explica que los sistemas de información son cruciales para las instituciones educativas y el Ministerio de Educación para administrar datos, apoyar la toma de decisiones, y garantizar la calidad de la educación. También presenta el Lenguaje Unificado de Modelado como una herramienta clave para el diseño de sistemas de información educativos.
Web 3.0 [Learning Analytics, Bigdata] & Gamification por Gladis Chacóngladisbeatriz20055816
El documento presenta tres herramientas de la web 3.0 - web 3.0, learning analytics y big data - y cómo aplicarlas en instituciones educativas. Web 3.0 permite encontrar y compartir información rápidamente desde cualquier dispositivo. Learning analytics analiza los datos de los estudiantes para mejorar su aprendizaje. Big data organiza grandes volúmenes de datos para tomar mejores decisiones. La gamificación también se presenta como una técnica motivadora.
Las tendencias de gestión de los recursos humanos en la empresa apuntan hacia el uso de los datos de las personas en el contexto de las organizaciones para la mejora de los procesos de aprendizaje (Learning Analytics), la gestión del cambio (Change Management) o la planificación de equipos (Workforce Planning), entre otros. La convergencia de estas tendencias se ha denominado People Analytics y se ha convertido en una de las herramientas clave para la Transformación Digital de las organizaciones. En esta sesión compartiremos nuestro conocimiento y experiencias para favorecer un mejor entendimiento del potencial de People Analytics para las organizaciones.
Jordi Fernández, Director de Negocio en Enzyme Advising Group
Selección de slides del curso "Métricas de Seguridad".
El objetivo del curso es el de enseñar a los participantes los conceptos generales de una métrica de seguridad, mecanismos y criterios de evaluación de las métricas y las distintas maneras de presentarlas utilizando datos y storytelling.
Este documento presenta información sobre la evaluación del desempeño. Explica que la evaluación del desempeño sirve para implementar estrategias y evaluar objetivos. También describe métodos de evaluación como el método de 360 grados, el cual involucra evaluaciones de jefes, compañeros, subordinados y autoevaluación. Finalmente, discute cómo los resultados de la evaluación de 360 grados pueden usarse para desarrollar planes de crecimiento.
Este documento presenta información sobre la evaluación del desempeño. Explica que la evaluación del desempeño sirve para implementar estrategias y evaluar objetivos. También describe métodos de evaluación como las escalas de puntuación y listas de verificación. Finalmente, introduce el método de evaluación de 360 grados, el cual involucra evaluaciones de jefes, compañeros, subordinados y autoevaluación.
Este documento describe los indicadores de evaluación educativa. Explica que un indicador es una comparación cuantitativa o cualitativa que proporciona información sobre el cumplimiento de un objetivo o nivel de satisfacción. Menciona que los indicadores cuantitativos miden cantidades mientras que los cualitativos miden opiniones y percepciones. También señala que los indicadores deben construirse para proporcionar datos relevantes de manera oportuna y a bajo costo sobre todas las dimensiones de un programa educativo.
El rol de la gamificación en la estrategia de innovaciónBinaryKnowledge_
1. La gamificación es una herramienta digital que puede utilizarse para lograr el compromiso y participación efectiva de las personas en procesos de innovación.
2. La gamificación facilita y potencia la innovación al fomentar la creatividad, participación y trabajo colaborativo entre los involucrados.
3. El documento propone una hoja de ruta para implementar con éxito proyectos de gamificación enfocados a la innovación que pone al factor humano y la comprensión de las necesidades de los interesados en el centro.
[Infografía] Encuesta sobre seguridad de información 2014 - PerúEY Perú
El documento habla sobre la rápida expansión de las amenazas cibernéticas en Perú y la necesidad de que las empresas se preparen para hacer frente a posibles ataques cibernéticos. Señala que muchas empresas carecen de planes para mitigar los daños de un ataque y no sabrían si están siendo objeto de uno. Además, revela que el 37% de las empresas no tiene información sobre los riesgos de sus sistemas, el 45% dice que la seguridad solo satisface parcialmente sus necesidades y el 46% carece de un
El documento describe los niveles de madurez en inteligencia analítica para una organización digital inteligente, incluyendo analítica descriptiva, predictiva, prescriptiva y cognitiva. Explica que la analítica descriptiva describe el pasado, la predictiva determina probabilidades sobre el futuro, la prescriptiva prescribe acciones, y la cognitiva toma decisiones basadas en evidencia. También presenta objetivos y niveles de experiencia para lograr una implementación exitosa de la inteligencia analítica en una organización.
Big data vs expertos - Adrián Plattner @adrianplattnerRefresh Maracaibo
Big Data vs Expertos.
En un mundo donde cada vez se produce más información, cómo las instituciones deben recolectar y/o utilizar la información disponible en redes sociales para tomar mejores decisiones que en muchos casos superan a los expertos que llevan años trabajando en una determinada área.
Adrián Plattner @adrianplattner
Mas informacion: http://www.refreshmaracaibo.org
¿Para qué sirve construir indicadores de desempeño?
-Induce mejoras en información.
-Posibilita la discusión de resultados y permite una asignación de recursos con mayor fundamento.
-Posibilita la evaluación.
-Apoya el proceso de formulación de políticas y Programas.
-Facilita el establecimiento de compromisos de resultado.
El documento describe los diferentes aspectos que deben considerarse para una gestión empresarial exitosa, incluyendo la planeación estratégica, la organización interna, la gestión de recursos humanos, la dirección, el control y las funciones de producción, finanzas e investigación y desarrollo. Plantea una serie de preguntas clave para evaluar cada una de estas áreas y determinar oportunidades de mejora.
Auditoria Informática constituye un método de evaluación y diagnósticos de los procesos de un organización permite verificar los elementos que conviven con los sistemas de informacion
El documento explora la medición del entorno de medios sociales desde una perspectiva teórica y casos prácticos de Latinoamérica. Explica que las métricas miden dinámicas sociales como conectar, comunicar y compartir. También cubre cómo las métricas pueden usarse para gestionar objetivos tácticos, justificar presupuestos y detectar insights para la toma de decisiones estratégicas.
El documento describe la evolución de las tecnologías de la información y la comunicación (TIC) y su impacto en la dirección estratégica de las organizaciones. Explica que las TIC han pasado de sistemas transaccionales a sistemas de apoyo a la toma de decisiones y el trabajo en equipo. También presenta modelos para analizar el nivel de madurez de las organizaciones en el uso de las TIC y estrategias para integrar las TIC en la planificación estratégica de una manera que apoye el desarrollo del negocio
Desayuno Data science - Aplicaciones en métricas & Analyticsamdia
El documento describe objetivos relacionados con la estandarización de términos y buenas prácticas en datos y analítica, el desarrollo de programas de entrenamiento, y la promoción del uso de herramientas analíticas para optimizar objetivos de negocio. También presenta un proyecto de Club Día para mejorar las ofertas personalizadas mediante el aprendizaje automático y la segmentación de clientes en base a su perfil de consumo.
TalentLand - Entendiendo tus documentos con Azure Form Recognizer.pptxLuis775803
Este documento presenta Azure Form Recognizer, un servicio que permite extraer datos estructurados de formularios y documentos. Form Recognizer utiliza aprendizaje automático para comprender el contenido y la estructura de los formularios sin necesidad de etiquetado manual. El documento describe cómo Form Recognizer puede reconocer diferentes tipos de formularios y proporciona una demostración de sus capacidades. Finalmente, destaca los beneficios de automatizar los flujos de trabajo y reducir costos mediante el uso de Form Recognizer.
IA Conversacional con Power Virtual Agents.pptxLuis775803
El documento describe las herramientas Power Platform y Power Virtual Agents de Microsoft para la creación de bots conversacionales sin necesidad de experiencia en codificación. Power Virtual Agents permite a los equipos crear fácilmente bots que automatizan consultas comunes y mejoran la satisfacción del cliente al permitir la autoayuda las 24 horas. QnA Maker es un servicio de Azure que permite importar pares de preguntas y respuestas para crear una base de conocimientos para bots.
Colombia Cloud Bootcamp - IA y Accesibilidad Pronunciation Assessment.pptxLuis775803
Este documento presenta una sesión en el Cloud Bootcamp 2022 en Colombia sobre el uso de la evaluación de pronunciación de Inteligencia Artificial para mejorar la fluidez de lectura. La sesión incluye demostraciones de cómo evaluar la pronunciación de texto y palabras a través de la plataforma Speech Studio de Microsoft y una aplicación móvil. También se discuten casos de éxito comerciales y limitaciones técnicas de la evaluación de pronunciación.
STEMWeek - Entendiendo tus documentos con Azure Form Recognizer.pptxLuis775803
Este documento presenta Form Recognizer, un servicio de Azure Applied AI que permite extraer datos estructurados a partir de formularios mediante aprendizaje automático sin necesidad de etiquetado manual. Se explica que con solo unos pocos formularios de muestra se puede entrenar un modelo para reconocer diferentes tipos de formularios como facturas, solicitudes de tarjetas de crédito y formularios médicos. Finalmente, se destacan los beneficios de automatizar los flujos de trabajo y reducir costos al leer y procesar documentos.
Student Summit - Conoce más sobre mi carrera en IA y Datos.pptxLuis775803
Este documento presenta la carrera de Luis Beltrán en inteligencia artificial y datos. Originalmente era ingeniero en sistemas computacionales y docente. Se interesó en aplicar la IA en dispositivos móviles y aprendió algoritmos inspirados por la naturaleza, técnicas de optimización, visión computacional y procesamiento de imágenes. Ofrece consejos como estudiar, trabajar y practicar nuevas cosas, seguir tus sueños y mejorar tu inglés.
Gira Speaker Latam - IA y Accesibilidad con Pronunciation Assessment.pptxLuis775803
Este documento presenta una charla sobre la evaluación de pronunciación mediante Inteligencia Artificial. Se muestran dos demostraciones de cómo usar Pronunciation Assessment de Microsoft para evaluar la pronunciación de texto y palabras. También se discuten casos de éxito comerciales y limitaciones técnicas del servicio.
Build After Party Bolivia - Hugging Face on Azure.pptxLuis775803
El documento habla sobre Hugging Face en Azure. Hugging Face es la biblioteca de procesamiento de lenguaje natural más popular de código abierto, utilizada en más de 1000 trabajos de investigación y empresas. Ahora, Hugging Face se integra con Azure para permitir que los clientes implementen y ejecuten modelos de lenguaje preentrenados de Hugging Face en la nube de Azure de forma sencilla y segura.
Microsoft Reactor - Creando un modelo de Regresión con Azure Machine Learnin...Luis775803
Este documento presenta una sesión de capacitación sobre cómo crear un modelo de regresión utilizando Azure Machine Learning Designer. La sesión cubre la configuración del entorno de trabajo, la exploración y limpieza de datos, el entrenamiento del modelo, la creación de un pipeline de inferencia y la implementación de un servicio predictivo. El objetivo es enseñar a los asistentes a crear una aplicación predictiva mediante el uso de Azure ML.
Este documento presenta .NET MAUI, una plataforma de aplicaciones multiplataforma de Microsoft que permite construir aplicaciones para iOS, Android, Windows y macOS compartiendo gran parte del código. Ofrece una interfaz de usuario nativa, acceso a las API de los sistemas operativos y rendimiento nativo mediante la compilación para cada plataforma. El ecosistema .NET proporciona herramientas como Visual Studio, bibliotecas compartidas y compatibilidad con Blazor para el desarrollo web.
SISWeek Creando un sistema de reconocimiento facial con Face API.pptxLuis775803
Este documento presenta a Luis Beltrán, un experto en Inteligencia Artificial y tecnologías de desarrollo de Microsoft. Describe los servicios cognitivos de Azure como Visión, Voz, Lenguaje y Decisión. Se enfoca en la API Face de Visión, que puede detectar e identificar personas y expresiones faciales en imágenes. Incluye recomendaciones para el uso ético del reconocimiento facial y enlaces a documentación y demostraciones.
Este documento describe Azure Storage y sus cuatro casos de uso principales: 1) almacenar archivos, 2) frecuencia de acceso, 3) seguridad, y 4) hospedaje de sitios web estáticos. Explica que Azure Storage contiene cuentas, contenedores y blobs para almacenar y acceder a archivos y objetos. También proporciona un ejemplo de URL de blob con una cadena de consulta que incluye una firma de acceso compartido.
Conoce las novedades de .NET MAUI en .NET 7.pptxLuis775803
Este documento resume las principales novedades de .NET MAUI en .NET 7, incluyendo mejoras para aplicaciones de escritorio como context menus, tooltips y gestos, la adición de un MapControl para iOS y Android, y mejoras en el rendimiento. También cubre cómo actualizar aplicaciones de .NET MAUI 6 a .NET MAUI 7 y el ciclo de vida de soporte.
Power BI Summit 2023 - Embedding PowerBI reports in .NET MAUI mobile apps.pptxLuis775803
The document discusses embedding Power BI reports in .NET MAUI mobile apps. It begins with an introduction of .NET MAUI, a framework for building native cross-platform apps with shared code and resources. It then explains Power BI embedding, which allows integrating Power BI reports and analytics within apps. The remainder of the document outlines the steps needed to embed Power BI reports in a .NET MAUI mobile app, including fulfilling requirements, selecting an authentication method, registering an Azure AD application, creating a Power BI workspace, and embedding the report. It concludes with a demonstration of an example app.
Towards Responsible AI - Global AI Student Conference 2022.pptxLuis775803
The document discusses responsible and ethical AI practices. It provides statistics showing that most consumers do not fully trust how organizations implement AI and believe they should be held accountable for any misuse. It then discusses key aspects of responsible AI including differential privacy, algorithmic fairness, model explainability, oversight of AI systems, mitigating bias, and ensuring transparency.
Mes de Datos Ciencia de Datos a otro nivel con Azure Machine Learning.pptxLuis775803
Este documento presenta tres demostraciones sobre Azure Machine Learning: la creación de un espacio de trabajo de Azure ML, el uso del Diseñador de Azure ML y los cuadernos de Azure ML, con una sección de preguntas y respuestas al final.
Este documento presenta una introducción a Azure y la certificación AZ-900. Explica conceptos clave como el cómputo en la nube, ventajas de Azure como escalabilidad y disponibilidad, y servicios principales como Blob Storage, Virtual Machines y App Service. También describe la estructura de cuentas de Azure y los temas cubiertos en la certificación AZ-900 como conceptos básicos de nube, servicios de Azure y suscripciones.
Virtual Azure Community Day - Workloads de búsqueda full-text Azure Search.pptxLuis775803
The document discusses the steps involved in processing a query which include query parsing, lexical analysis, document retrieval, and scoring. It also mentions some key terms related to searching including data source, skillset, indexer, and index.
Catalogo General Electrodomesticos Teka Distribuidor Oficial Amado Salvador V...AMADO SALVADOR
El catálogo general de electrodomésticos Teka presenta una amplia gama de productos de alta calidad y diseño innovador. Como distribuidor oficial Teka, Amado Salvador ofrece soluciones en electrodomésticos Teka que destacan por su tecnología avanzada y durabilidad. Este catálogo incluye una selección exhaustiva de productos Teka que cumplen con los más altos estándares del mercado, consolidando a Amado Salvador como el distribuidor oficial Teka.
Explora las diversas categorías de electrodomésticos Teka en este catálogo, cada una diseñada para satisfacer las necesidades de cualquier hogar. Amado Salvador, como distribuidor oficial Teka, garantiza que cada producto de Teka se distingue por su excelente calidad y diseño moderno.
Amado Salvador, distribuidor oficial Teka en Valencia. La calidad y el diseño de los electrodomésticos Teka se reflejan en cada página del catálogo, ofreciendo opciones que van desde hornos, placas de cocina, campanas extractoras hasta frigoríficos y lavavajillas. Este catálogo es una herramienta esencial para inspirarse y encontrar electrodomésticos de alta calidad que se adaptan a cualquier proyecto de diseño.
En Amado Salvador somos distribuidor oficial Teka en Valencia y ponemos atu disposición acceso directo a los mejores productos de Teka. Explora este catálogo y encuentra la inspiración y los electrodomésticos necesarios para equipar tu hogar con la garantía y calidad que solo un distribuidor oficial Teka puede ofrecer.
Catalogo Refrigeracion Miele Distribuidor Oficial Amado Salvador ValenciaAMADO SALVADOR
Descubre el catálogo general de la gama de productos de refrigeración del fabricante de electrodomésticos Miele, presentado por Amado Salvador distribuidor oficial Miele en Valencia. Como distribuidor oficial de electrodomésticos Miele, Amado Salvador ofrece una amplia selección de refrigeradores, congeladores y soluciones de refrigeración de alta calidad, resistencia y diseño superior de esta marca.
La gama de productos de Miele se caracteriza por su innovación tecnológica y eficiencia energética, garantizando que cada electrodoméstico no solo cumpla con las expectativas, sino que las supere. Los refrigeradores Miele están diseñados para ofrecer un rendimiento óptimo y una conservación perfecta de los alimentos, con características avanzadas como la tecnología de enfriamiento Dynamic Cooling, sistemas de almacenamiento flexible y acabados premium.
En este catálogo, encontrarás detalles sobre los distintos modelos de refrigeradores y congeladores Miele, incluyendo sus especificaciones técnicas, características destacadas y beneficios para el usuario. Amado Salvador, como distribuidor oficial de electrodomésticos Miele, garantiza que todos los productos cumplen con los más altos estándares de calidad y durabilidad.
Explora el catálogo completo y encuentra el refrigerador Miele perfecto para tu hogar con Amado Salvador, el distribuidor oficial de electrodomésticos Miele.
KAWARU CONSULTING presenta el projecte amb l'objectiu de permetre als ciutadans realitzar tràmits administratius de manera telemàtica, des de qualsevol lloc i dispositiu, amb seguretat jurídica. Aquesta plataforma redueix els desplaçaments físics i el temps invertit en tràmits, ja que es pot fer tot en línia. A més, proporciona evidències de la correcta realització dels tràmits, garantint-ne la validesa davant d'un jutge si cal. Inicialment concebuda per al Ministeri de Justícia, la plataforma s'ha expandit per adaptar-se a diverses organitzacions i països, oferint una solució flexible i fàcil de desplegar.
Catalogo Cajas Fuertes BTV Amado Salvador Distribuidor OficialAMADO SALVADOR
Explora el catálogo completo de cajas fuertes BTV, disponible a través de Amado Salvador, distribuidor oficial de BTV. Este catálogo presenta una amplia variedad de cajas fuertes, cada una diseñada con la más alta calidad para ofrecer la máxima seguridad y satisfacer las diversas necesidades de protección de nuestros clientes.
En Amado Salvador, como distribuidor oficial de BTV, ofrecemos productos que destacan por su innovación, durabilidad y robustez. Las cajas fuertes BTV son reconocidas por su eficiencia en la protección contra robos, incendios y otros riesgos, lo que las convierte en una opción ideal tanto para uso doméstico como comercial.
Amado Salvador, distribuidor oficial BTV, asegura que cada producto cumpla con los más estrictos estándares de calidad y seguridad. Al adquirir una caja fuerte a través de Amado Salvador, distribuidor oficial BTV, los clientes pueden tener la tranquilidad de que están obteniendo una solución confiable y duradera para la protección de sus pertenencias.
Este catálogo incluye detalles técnicos, características y opciones de personalización de cada modelo de caja fuerte BTV. Desde cajas fuertes empotrables hasta modelos de alta seguridad, Amado Salvador, como distribuidor oficial de BTV, tiene la solución perfecta para cualquier necesidad de seguridad. No pierdas la oportunidad de conocer todos los beneficios y características de las cajas fuertes BTV y protege lo que más valoras con la calidad y seguridad que solo BTV y Amado Salvador, distribuidor oficial BTV, pueden ofrecerte.
Catalogo Buzones BTV Amado Salvador Distribuidor Oficial ValenciaAMADO SALVADOR
Descubra el catálogo completo de buzones BTV, una marca líder en la fabricación de buzones y cajas fuertes para los sectores de ferretería, bricolaje y seguridad. Como distribuidor oficial de BTV, Amado Salvador se enorgullece de presentar esta amplia selección de productos diseñados para satisfacer las necesidades de seguridad y funcionalidad en cualquier entorno.
Descubra una variedad de buzones residenciales, comerciales y corporativos, cada uno construido con los más altos estándares de calidad y durabilidad. Desde modelos clásicos hasta diseños modernos, los buzones BTV ofrecen una combinación perfecta de estilo y resistencia, garantizando la protección de su correspondencia en todo momento.
Amado Salvador, se compromete a ofrecer productos de primera clase respaldados por un servicio excepcional al cliente. Como distribuidor oficial de BTV, entendemos la importancia de la seguridad y la tranquilidad para nuestros clientes. Por eso, trabajamos en colaboración con BTV para brindarle acceso a los mejores productos del mercado.
Explore el catálogo de buzones ahora y encuentre la solución perfecta para sus necesidades de correo y seguridad. Confíe en Amado Salvador y BTV para proporcionarle buzones de calidad excepcional que cumplan y superen sus expectativas.
2. 35 %
65 %
Confianza
Confían en IA No confían en IA
¿Qué nivel de confianza tienen los
consumidores con la forma en que
las organizaciones implementan la
IA?
77 %
23 %
Responsabilidad
Sí No
¿Qué nivel de confianza tienen los
consumidores con la forma en que
las organizaciones implementan la
IA?
Fuentes:
Accenture 2022 Tech Vision Research https://www.accenture.com/dk-en/insights/technology/technology-trends-2022
Accenture 2019 Global Risk Study https://www.accenture.com/us-en/insights/financial-services/global-risk-study
4. IA Responsable
Es un enfoque para evaluar, desarrollar e implementar sistemas de IA
de una manera segura, confiable y ética, y tomar decisiones y acciones
responsables.
En términos generales, la IA Responsable es la práctica de defender los principios de la IA al diseñar, construir
y utilizar sistemas de inteligencia artificial.
6. 1. Equidad (Fairness)
Ausencia de impacto negativo en los grupos basado en:
Origen étnico
Género
Edad
Capacidades físicas
Otras características sensibles
7. Evaluando la Equidad de un modelo
Disparidad de la tasa de selección Disparidad de rendimiento de la predicción
<=25 >25
<=25 >25
8. Mitigando la inequidad/injusticia
Crea modelos con restricciones
de paridad:
Paridad demográfica.
Paridad de tasa positiva
verdadera
Paridad de tasa de falsos
positivos
Probabilidades ecualizadas
Paridad de la tasa de error
Pérdida de grupo acotada
10. Feature Importance
• Global Feature Importance
Importancia general de las características
para todos los datos de prueba
Indica la influencia relativa de cada
característica en la etiqueta de predicción
• Local Feature Importance
Importancia de las características para una
predicción individual
En la clasificación, esto muestra el soporte
relativo para cada clase posible por
característica
12. Seguimiento /
Retroalimentación
Formación del
problema
Construcción
de conjuntos
de datos
Selección
de
algoritmos
Proceso de
entrenamiento
Proceso de
prueba
Despliegue
¿Es un algoritmo una solución
ética al problema?
¿Son los datos de entrenamiento
representativos de diferentes grupos?
¿Hay sesgos en las etiquetas o
características?
¿Hay que modificar los datos para
migrar los sesgos?
¿Es necesario incluir restricciones de
equidad en la función objetivo?
¿Hay efectos desiguales entre los
usuarios?
¿Se utiliza el modelo en una
población para la que no se
ha entrenado o evaluado?
¿Se ha evaluado el modelo utilizando
métricas de equidad relevantes?
¿Fomenta el modelo bucles de
retroalimentación que pueden producir
resultados cada vez más injustos?
3. Fiabilidad
23. Recomendaciones generales hacia una IA
Responsable
Clarifica lo que el sistema inteligente va a hacer.
Clarifica el desempeño del sistema
Muestra información contextual relevante
Mitiga (reduce) el sesgo social
24. Permite ignorar características no deseables.
Permite la corrección eficiente.
Explica claramente por qué el sistema tomó cierta decisión.
25. Recuerda las interacciones recientes.
Aprende del comportamiento del usuario.
Actualiza y adapta con cautela.
Fomenta la retroalimentación.
26. Beneficios de una IA Responsable
Minimizar sesgo (bias) no intencionado
Garantizar la transparencia de la IA
Crear oportunidades
Proteger la privacidad y seguridad de los datos
Beneficiar a clientes y mercados
29. Hacia una Inteligencia
Artificial Responsable
Carla Mamani Chávez
cmchavez@devcarly.com
Luis Beltrán
luis@luisbeltran.mx
¡Gracias por tu atención!
Notas del editor
Cuando hablamos de IA, generalmente nos referimos a un modelo de machine learning que se utiliza dentro de un sistema para automatizar algo. Por ejemplo, un automóvil autónomo puede tomar imágenes usando sensores. Un modelo de machine learning puede usar estas imágenes para hacer predicciones (por ejemplo, el objeto de la imagen es un árbol). Estas predicciones son utilizadas por el automóvil para tomar decisiones (por ejemplo, girar a la izquierda para evitar el árbol). Nos referimos a todo este sistema como IA.
Yo
Cuando se desarrolla IA existen riesgos de que sea injusta o vista como una caja negra que toma decisiones por los humanos.
Por ejemplo, otro modelo que analiza la información de una persona (como su salario, nacionalidad, edad, etc) y decide si se le otorga un préstamo o no. La participación humana es limitada en esas decisiones tomadas por el sistema. Esto puede conducir a muchos problemas potenciales y las empresas deben definir un enfoque claro para el uso de la IA. La IA responsable es un marco de gobernanza destinado a hacer exactamente eso.
Yo
La IA brinda oportunidades sin precedentes a las empresas, pero también implica una responsabilidad increíble.
Su impacto directo en la vida de las personas ha planteado preguntas considerables en torno a la ética de la IA, la gobernanza de datos, la confianza y la legalidad. De hecho, la investigación 2022 Tech Vision de Accenture encontró que solo el 35% de los consumidores globales confían en cómo las organizaciones implementan la IA. Y el 77% piensa que las organizaciones deben rendir cuentas por su mal uso de la IA.
A medida que las organizaciones comienzan a ampliar su uso de la IA para capturar beneficios comerciales, deben tener en cuenta las regulaciones y los pasos que deben tomar para asegurarse de que sus organizaciones cumplan con las normas. Ahí es donde entra en juego la IA responsible donde también los científicos de datos y los ingenieros de machine learning tienen la responsabilidad ética (y, posiblemente legal) de crear modelos que no afecten negativamente a individuos o grupos de personas.
Carlita
La IA responsable es la práctica de diseñar, desarrollar e implementar IA con buena intención para empoderar a los empleados y las empresas, e impactar de manera justa, segura y ética a los clientes y a la sociedad, lo que permite a las organizaciones generar confianza y escalar la IA con más seguridad.
Son el producto de muchas decisiones tomadas por quienes los desarrollan e implementan. Desde el propósito del sistema hasta la forma en que las personas interactúan con los sistemas de IA, la IA responsable puede ayudar a guiar proactivamente decisiones hacia resultados más beneficiosos y equitativos. Eso significa mantener a las personas y sus objetivos en el centro de las decisiones de diseño del sistema y respetar valores duraderos como la equidad, la confiabilidad y la transparencia.
La evaluación e investigación de los modelos de ML antes de su implementación sigue siendo el núcleo del desarrollo de inteligencia artificial confiable y responsable.
Carlita
Varias empresas, organizaciones, científicos de datos consideran varios principios clave para lograr una IA responsable: rendición de cuentas, inclusión, fiabilidad, equidad, transparencia, privacidad y seguridad. Estos principios son esenciales para crear una IA responsable y confiable a medida que avanza hacia productos y servicios más convencionales. Se guían por dos perspectivas: ética y explicabilidad.
Desde una perspectiva ética, la IA debe ser justa e inclusiva en sus afirmaciones, ser responsable de sus decisiones y no discriminar ni obstaculizar diferentes razas, discapacidades o antecedentes.
Es importante hoy en día. Por ejemplo Microsoft estableció un comité ético para IA, Aether, en 2017. La responsabilidad principal del comité es asesorar sobre temas, tecnologías, procesos y mejores prácticas responsables.
Hablemos de los principios
Yo
Los modelos de ML pueden encapsular sesgos no intencionales que resultan en injusticia. En una IA Responsable, debes detectar, mitigar, reducir la injusticia en tus modelos.
Los sistemas de IA deben tratar a todos de manera justa y evitar afectar a grupos de personas en un mismo contexto. Por ejemplo, cuando los sistemas de IA proporcionan orientación sobre tratamiento médico, solicitudes de préstamos o empleo, deben hacer las mismas recomendaciones a todos los que tengan síntomas, circunstancias financieras o calificaciones profesionales similares para incrementar la confianza en las predicciones del modelo y garantizar que no discriminan a favor o en contra de subconjuntos de la población en función del origen étnico, el género, la edad u otros factores.
Yo
Supongamos que se utiliza un modelo de clasificación para predecir la probabilidad de un reembolso exitoso del préstamo y, por lo tanto, influye en si el préstamo se aprueba o no. Es probable que el modelo se entrene utilizando características que reflejen las características del solicitante, tales como:
- Edad
- Situación laboral
- Ingresos
- Ahorro
- Deuda actual
Estas características se utilizan para entrenar un modelo de clasificación binaria que predice si un solicitante pagará un préstamo.
Supongamos que el modelo predice que alrededor del 45% de los solicitantes pagarán con éxito sus préstamos. Sin embargo, al revisar los registros de aprobación de préstamos, comienza a sospechar que se aprueban menos préstamos para solicitantes de 25 años o menos que para solicitantes mayores de 25 años. ¿Cómo puede estar seguro de que el modelo es justo para los solicitantes en ambos grupos de edad?
Selection rate disparity
Una forma de comenzar a evaluar la imparcialidad de un modelo es comparar las predicciones para cada grupo dentro de una característica sensible. La edad es una característica sensible que nos importa, por lo que podríamos dividir los datos en subconjuntos para cada grupo de edad y comparar la tasa de selección para cada grupo.
Digamos que encontramos que el modelo predice que el 36% de los solicitantes de 25 años o menos pagarán un préstamo, pero predice reembolsos exitosos para el 54% de los solicitantes mayores de 25 años. Hay una disparidad en las predicciones del 18%.
A primera vista, esta comparación parece confirmar que hay un sesgo en el modelo que discrimina a los solicitantes más jóvenes. Sin embargo, podría analizarse que las personas más jóvenes generalmente ganen menos que las personas más establecidas en sus carreras, tengan niveles más bajos de ahorros, y tengan una tasa más alta de incumplimiento de préstamos.
El punto importante a considerar aquí es que solo porque queremos garantizar la equidad con respecto a la edad, no necesariamente se deduce que la edad no es un factor en la probabilidad de reembolso del préstamo. Es posible que, en general, las personas más jóvenes realmente tengan menos probabilidades de pagar un préstamo que las personas mayores. Para obtener una imagen completa, necesitamos profundizar un poco más en el rendimiento predictivo del modelo para cada subconjunto de la población.
Yo
Para reducir la injusticia se puede usar un algoritmo y restricciones para entrenar múltiples modelos, y luego comparar su rendimiento, tasa de selección y métricas de disparidad a fin de encontrar el modelo óptimo. La elección del modelo implica una compensación entre el rendimiento predictivo y la equidad. En general, la equidad se mide por la reducción de la disparidad en la selección de características (por ejemplo, asegurando que una proporción igual de miembros de cada grupo de género sea aprobada para un préstamo bancario) o por una reducción en la disparidad de la métrica de desempeño (por ejemplo, asegurando que un modelo sea igualmente preciso para identificar a los pagadores e incumplidores en cada grupo de edad).
Algunos algoritmos comunes utilizados para optimizar los modelos de equidad.
- Gradiente exponencializado -
- Grid Search –
- Threshold Optimizer -
La elección de la restricción de paridad depende de la técnica que se utilice y de los criterios de equidad específicos que desee aplicar. Las restricciones incluyen:- Demographic parity:
- True positive rate parity
- False positive rate parity
- Equalized odds
- Error rate parity
- Bounded group loss
Yo
Es importante poder comprender cómo los modelos de machine learning hacen predicciones; y ser capaz de explicar la justificación de las decisiones tomadas por el sistema identificando y mitigando los sesgos. La interpretabilidad del modelo se ha convertido en un elemento clave para ayudar a que las predicciones del modelo sean explicables, que no sea visto como una caja negra que toma decisions aleatorias.
La transparencia entonces permite explicar por qué un modelo hace las predicciones que hace.. Qué características afectan el comportamiento de un modelo? Por qué se aprobó o rechazó la solicitud de préstamo de un cliente específico?
Yo
Los explicadores de modelos utilizan técnicas estadísticas para calcular la *importancia de las características*. Esto le permite cuantificar la influencia relativa que tiene cada característica del conjunto de datos de entrenamiento en la predicción. Evaluan un conjunto de datos de prueba de casos de características y las etiquetas que el modelo predice para ellos.
Global feature importanceLa importancia de la característica global cuantifica la importancia relativa de cada característica en el dataset de prueba en su totalidad. Proporciona una comparación general de la medida en que cada característica del conjunto de datos influye en la predicción. Por ejemplo, un modelo de clasificación binaria para predecir el riesgo de incumplimiento del préstamo podría entrenarse a partir de características como el monto del préstamo, los ingresos, el estado civil y la edad para predecir una etiqueta de 1 para los préstamos que probablemente se pagarán y 0 para los préstamos que tienen un riesgo significativo de incumplimiento (y, por lo tanto, no deben aprobarse). A continuación, un explicador podría utilizar un conjunto de datos de prueba suficientemente representativo para producir los siguientes valores de importancia de características globales:- Ingresos: 0,98
- Importe del préstamo: 0,67
- edad: 0,54
- Estado civil: 0,32
Está claro a partir de estos valores, que los ingresos son la característica más importante para predecir si un prestatario incumplirá o no con un préstamo, seguido por el monto del préstamo, luego la edad y finalmente el estado civil.
Local feature importance
La importancia de la característica local mide la influencia de cada valor de entidad para una predicción individual específica. Por ejemplo, supongamos que Sam solicita un préstamo que el modelo aprueba. Puede usar un explicativo para la aplicación de Sam para determinar qué factores influyeron en la predicción. Es posible que obtengas un resultado como el mostrado en la segunda imagen que indica la cantidad de compatibilidad para cada clase en función del valor de la entidad. Dado que este es un modelo de clasificación binaria, solo hay dos clases posibles (0 y 1).
En el caso de Sam, el soporte general para la clase 0 es -1.4, y el soporte para la clase 1 es correspondientemente 1.4, y el préstamo es aprobado. La característica más importante para una predicción de clase 1 es el monto del préstamo, seguido de los ingresos: estos son el orden opuesto de sus valores de importancia de características globales (que indican que el ingreso es el factor más importante para la muestra de datos en su conjunto). Podría haber múltiples razones por las que la importancia local para una predicción individual varía de la importancia global para el conjunto de datos general; por ejemplo, Sam podría tener un ingreso más bajo que el promedio, pero el monto del préstamo en este caso podría ser inusualmente pequeño.
Yo
**Interpret-Community** package permite interpretar modelos, which is itself a wrapper around a collection of *explainers* based on proven and emerging model interpretation algorithms, such as Shapely Additive Explanations (SHAP) (https://github.com/slundberg/shap) and Local Interpretable Model-agnostic Explanations (LIME) (https://github.com/marcotcr/lime).
Carlita
Los sistemas de IA deben ser seguros para poder confiar en ellos. Es importante que un sistema funcione como fue diseñado originalmente y que responda de manera segura a nuevas situaciones. Su resiliencia inherente debe resistir la manipulación intencionada o no intencionada. Se deben establecer pruebas y validaciones rigurosas para las condiciones de operación a fin de garantizar que el sistema responda de manera segura a los casos extremos.
El rendimiento de un sistema de IA puede degradarse con el tiempo, por lo que se debe establecer un proceso robusto de monitoreo y seguimiento del modelo para medir de manera reactiva y proactiva el rendimiento del modelo y volver a entrenarlo, según sea necesario, para modernizarlo.
Carlita
Los sistemas de IA como el reconocimiento facial o el etiquetado de voz definitivamente se pueden usar para infringir la privacidad de un individuo y amenazar la seguridad. La forma en que se utiliza la huella en línea de un individuo para rastrear, deducir e influir en las preferencias o perspectivas de alguien es una preocupación seria que debe abordarse. La forma en que las “fake news” o los “deep fakes” influyen en las opiniones públicas también representa una amenaza para las seguridades individuales o sociales. Los sistemas de IA son cada vez más mal utilizados en este dominio. Existe la necesidad pertinente de establecer un marco que proteja la privacidad y la seguridad de un individuo.
La privacidad es cualquier dato que pueda identificar a un individuo y/o su ubicación, actividades e intereses. Dichos datos generalmente están sujetos a estrictas leyes de privacidad y cumplimiento, por ejemplo, GDPR en Europa. Los sistemas de IA deben cumplir con las leyes de privacidad que requieren transparencia sobre la recopilación, el uso y el almacenamiento de datos. Debe exigir que los consumidores tengan controles adecuados para elegir cómo se utilizan sus datos.
Dos paquetes de código abierto que pueden permitir una mayor implementación de los principios de privacidad y seguridad:
SmartNoise: La privacidad diferencial es un conjunto de sistemas y prácticas que ayudan a mantener los datos de las personas seguros y privados. SmartNoise es un proyecto (co-desarrollado por Microsoft) que contiene componentes para construir sistemas diferencialmente privados que son globales.
Counterfit: Counterfit es un proyecto de código abierto que comprende una herramienta de línea de comandos y una capa de automatización genérica para permitir a los desarrolladores simular ciberataques contra sistemas de IA y verificar su seguridad.
Carlita
El mundo que nos rodea es diverso. Hay personas de todos los ámbitos de la vida. Las personas con discapacidades, las organizaciones sin fines de lucro, las agencias gubernamentales necesitan sistemas de IA tanto como cualquier otra persona o empresa. El sistema de IA debe ser inclusivo y estar en sintonía con las necesidades de este ecosistema diverso. Cuando los sistemas de IA piensan en la inclusión, se deben responder las siguientes preguntas:
¿El sistema de IA se desarrolló para garantizar que incluya diferentes categorías de individuos u organizaciones?
¿Hay alguna categoría de datos que deba manejarse de manera excepcional para garantizar que se incluyan?
¿La experiencia que proporciona el sistema de IA excluye algún tipo específico de categorías? En caso afirmativo, ¿hay algo que se pueda hacer al respecto?
Las prácticas de diseño inclusivo pueden ayudar a los desarrolladores a comprender y abordar las barreras potenciales que podrían excluir involuntariamente a las personas. Siempre que sea posible, la tecnología de reconocimiento de voz a texto, de texto a voz y visual debe usarse para capacitar a las personas con discapacidades auditivas, visuales y de otro tipo.
Carlita
La rendición de cuentas es un pilar esencial de la IA responsable. Las personas que diseñan e implementan el sistema de IA deben ser responsables de sus acciones y decisiones, especialmente a medida que avanzamos hacia sistemas más autónomos. Las organizaciones deben considerar el establecimiento de un organismo de revisión interna que proporcione supervisión, información y orientación sobre el desarrollo y la implementación de sistemas de IA. Si bien esta guía puede variar según la empresa y la región, debe reflejar el viaje de IA de una organización.
Imagine que el algoritmo de un automóvil autónomo ocasiona un accidente. ¿Quién es responsable de ello? ¿El conductor, el dueño del auto, el creador de la IA?
Carlita
Responsible AI Toolbox, un conjunto de herramientas para una experiencia de IA personalizada y responsable con funcionalidades únicas y complementarias.
Permite la exploración y evaluación de modelos y datos que ayudan a una mejor comprensión de los sistemas de IA.
Además, permite a los desarrolladores y partes interesadas de los sistemas de IA construir y monitorear la IA de manera más responsable, y tomar mejores acciones basadas en datos.
Su objetivo es servir como marco de colaboración para la investigación en el campo de IA responsable mediante el uso de visualizaciones interactivas.
Carlita
El toolkit cuenta con varios paneles disponibles:
Error Analysis dashboard, para identificar errores del modelo y descubrir grupos de datos para los que el modelo tiene un rendimiento inferior.
Panel de interpretabilidad, para comprender las predicciones del modelo. Este panel funciona con InterpretML.
Panel de equidad, para comprender los problemas de equidad del modelo utilizando varias métricas de equidad grupal en características y cohortes sensibles. Este panel de control funciona con Fairlearn.
Panel de IA Responsible: Un panel que reune varias herramientas para una evaluación y depuración responsable de modelos y la toma de decisiones comerciales informadas.
Yo
Para lograr estas capacidades, el panel integra ideas y tecnologías de varios kits de herramientas de código abierto en las áreas de
Análisis de errores
Interpretabilidad del modelo
Análisis contrafáctico, que muestra versiones perturbadas de características del mismo punto de datos que habrían recibido un resultado de predicción diferente, por ejemplo, el préstamo de una persona ha sido rechazado por el modelo. Pero habría recibido el préstamo si sus ingresos fueran mayores en $ 10,000.
Análisis causal, que se centra en responder preguntas al estilo What If para aplicar la toma de decisiones basada en datos: ¿cómo se verían afectados los ingresos si una corporación persigue una nueva estrategia de precios? ¿Mejoraría un nuevo medicamento la condición de un paciente?
Data Balance, que ayuda a los usuarios a obtener una comprensión general de sus datos, identificar características que reciben el resultado positivo más que otras y visualizar distribuciones de características.
Yo
Si el sistema de IA utiliza o genera métricas, es importante mostrarlas todas y cómo se rastrean.
Ayuda a los usuarios a comprender que la IA no será completamente precisa y establezca expectativas sobre cuándo el sistema de IA podría cometer errores.
Proporciona información visual relacionada con el contexto y el entorno actuales del usuario, como hoteles cercanos y detalles de devolución cerca del destino y la fecha de destino.
Asegúrate de que el lenguaje y el comportamiento no introduzcan estereotipos o sesgos no deseados. Por ejemplo, una función de autocompletar debe reconocer varios géneros.
Yo
Proporciona un mecanismo fácil para ignorar o descartar características o servicios no deseables.
Proporciona una forma intuitiva de facilitar la edición, el refinamiento o la recuperación de los modelos.
Optimiza la IA explicable para ofrecer información sobre las decisiones del sistema de IA.
Yo
Conserva un historial de interacciones para futuras referencias.
Personaliza la interacción en función del comportamiento del usuario.
Limita los cambios disruptivos y actualice en función del perfil del usuario.
Recopila los comentarios de los usuarios a partir de sus interacciones con el sistema de IA.
Carlita
Garantiza que los modelos sean lo más imparciales y representativos posible.
Una IA transparente y explicable genera confianza entre los usuarios.
Crea oportunidades sin sofocar la innovación.
Garantiza que los datos personales y confidenciales nunca se utilicen de manera poco ética.
Al crear una base ética para la IA se establecen sistemas que beneficien a accionistas, empleados y la sociedad en general.
(Solo si hay tiempo)
A manera de conclusion, recordamos que los principios que se recomienda seguir para desarrollar una IA responsible son
Equidad: El objetivo de la IA no debe ser ningún sesgo (bias) en las predicciones proporcionadas por los modelos de IA para evitar la denigración cultural o la subrepresentación.
Confiabilidad: Necesitamos asegurarnos de que los sistemas que desarrollamos sean consistentes con las ideas, valores y principios de diseño para que no creen ningún daño en el mundo.
Privacidad: La complejidad es parte de los sistemas de IA, se necesitan más datos y nuestro software debe garantizar que esos datos estén protegidos, que no se filtren ni divulguen.
Inclusión: Empoderar e involucrar a las personas asegurándose de que nadie se quede fuera. Considere la inclusión y la diversidad en sus modelos para que se cubra todo el espectro de comunidades.
Transparencia: La transparencia significa que las personas que crean sistemas de IA deben ser abiertas sobre cómo y están utilizando la IA y también abiertas sobre las limitaciones de sus sistemas. Transparencia también significa interpretabilidad, que se refiere al hecho de que las personas deben ser capaces de comprender el comportamiento de los sistemas de IA. Como resultado, la transparencia ayuda a ganar más confianza de los usuarios.
Responsabilidad: Defina las mejores prácticas y procesos que los profesionales de la IA pueden seguir, como el compromiso con la equidad, para considerarlo en cada paso del ciclo de vida de la IA.