IA Responsable
Uso responsable de la IA para las políticas públicas
Manual de ciencia de datos
Banco Interamericano de Desarrollo (BID) - Sector Social
Banco Interamericano de Desarrollo (BID) – BID Lab
Organización para la Cooperación y el Desarrollo Económicos
OECD - AI Policy Observatory
Iniciativa fAIr LAC
Agradecimientos
Resumen Ejecutivo
¿Por qué este manual?
¿Para quién es este manual?
Glosario
Introducción
Machine Learning (ML) y sistemas de toma/soporte de decisiones
Componentes de un sistema de IA para políticas públicas
Ciclo de vida de la política pública con IA
Retos del ciclo de vida del ML
1
Conceptualización y diseño
1.1
Definición correcta del problema y de la respuesta de política pública
1.2
Principios de IA responsable
2
Recolección y procesamiento de datos
2.1
Calidad y relevancia de los datos disponibles
2.1.1
Estados indeseables o subóptimos en datos recolectados
2.1.2
Mala correspondencia entre variables disponibles y variables ideales
2.2
Cualificación y exhaustividad de los datos para la población objetivo
2.2.1
Muestras probabilísticas y naturales
2.2.2
Atributos faltantes o incompletos
2.3
Comparación causal
3
Desarrollo del modelo y validación
3.1
Ausencia o uso inadecuado de muestras de validación
3.2
Fugas de información
3.2.1
Contaminación entrenamiento-validación
3.2.2
Fugas de datos no disponibles en la predicción
3.3
Modelos de clasificación: probabilidades y clases
3.3.1
Datos desbalanceados
3.3.2
Puntos de corte arbitrarios
3.3.3
Idoneidad de las métricas de evaluación
3.4
Sub y sobreajuste
3.5
Errores no cuantificados y evaluación humana
3.5.1
Fallas no medidas por el modelo
3.6
Equidad y desempeño diferencial de predictores
3.6.1
Definición de justicia y equidad algorítmica
4
Uso y Monitoreo
4.1
Degradación de desempeño
4.2
Experimentos y recopilación de datos
5
Rendición de cuentas
5.1
Interpretabilidad y explicación de predicciones.
5.1.1
Interpretabilidad
5.1.2
Explicabilidad de predicciones individuales
5.1.3
Modelos parsimoniosos
5.2
Trazabilidad
Herramientas
Herramienta 1: Lista de verificación de IA robusta y responsable
Herramienta 2: Perfil de Datos
Fuente de recolección y origen de los datos
Herramienta 3: Perfil del Modelo (Model Card)
Cuadernillos de trabajo
Recolección y procesamiento de datos
Mala correspondencia entre variables disponibles y variables ideales
Muestras probabilísticas y naturales
Muestras naturales: comparaciones causales
Desarrollo de modelo y validación
Contaminación entrenamiento-validación
Sobremuestrear antes de particionar
Variables no disponibles en el momento de predicción
Puntos de corte arbitrarios
Desbalance de clases
Equidad con atributos protegidos
Rendición de cuentas
Interpretabilidad
Explicación de predicciones
Referencias
fAIr LAC, IADB Bookdown
Uso responsable de la IA para las políticas públicas: Manual de ciencia de datos
Uso responsable de la IA para las políticas públicas: Manual de ciencia de datos
Para consultar la versión en PDF haga click
aquí.
