Asignatura:

Inteligencia Artificial

Tema:

Resumen reflexivo - Aprendizaje Automático

Facilitador:

Jorge Ramón Taveraz

Autor:

Felix Alejandro

Camilo Javier

Matrícula:

2021-1016

Visión Crítica del Aprendizaje Automático

El aprendizaje automático (ML) ha emergido como una herramienta poderosa en una amplia
gama de aplicaciones, desde la clasificación de imágenes hasta la predicción del
comportamiento del consumidor. Sin embargo, es crucial abordar de manera crítica algunos
malentendidos comunes que rodean este campo en constante evolución.

Uno de los malentendidos más prominentes es la suposición de que la correlación implica

causalidad. Si bien los sistemas de ML son eficientes para identificar correlaciones entre
variables, establecer relaciones causales requiere un análisis más profundo y una
comprensión contextual. El riesgo de confundir correlación con causalidad es evidente en
ejemplos como la altura y la inteligencia, donde un modelo de ML puede predecir
erróneamente una relación causal basada únicamente en correlaciones.

Otro malentendido crítico es la creencia de que más datos siempre conducen a mejores
resultados en ML. Aunque la cantidad de datos es importante, la calidad y representatividad
de los mismos son fundamentales. Además, agregar más datos puede no corregir sesgos
existentes e incluso puede empeorar el rendimiento del modelo. Este malentendido destaca la
necesidad de un enfoque más centrado en la calidad de los datos en lugar de simplemente
buscar grandes cantidades de ellos.

La idea de que los modelos de ML necesitan datos de entrenamiento completamente libres de

errores también merece una revisión crítica. Si bien la calidad de los datos es esencial, los
modelos de ML son tolerantes a inexactitudes ocasionales en los datos de entrenamiento.
Además, el uso de datos sintéticos en el entrenamiento puede producir resultados
satisfactorios incluso si no coinciden exactamente con los datos reales.

La cuestión de la privacidad y la seguridad de los datos en el desarrollo de sistemas de ML es

otro aspecto crítico a considerar. El aprendizaje federado ha surgido como una alternativa
para el desarrollo de sistemas de ML sin compartir datos de entrenamiento, lo que ayuda a
preservar la privacidad y seguridad de los datos personales. Este enfoque aborda las
preocupaciones sobre el intercambio masivo de datos y el acceso no autorizado a la
información sensible.

Además, es fundamental reconocer que los modelos de ML no mejoran automáticamente con

el tiempo. Si bien pueden ser precisos cuando se implementan inicialmente, su rendimiento
puede deteriorarse con el tiempo debido a la deriva de datos o conceptos. Esto destaca la
importancia de monitorear continuamente los modelos y proporcionar entrenamiento
adicional según sea necesario para mantener su precisión.

La transparencia en el ML también es un tema crítico, especialmente en lo que respecta a la

toma de decisiones automatizada. Es esencial que los modelos de ML produzcan decisiones
comprensibles para todas las partes interesadas relevantes, lo que requiere enfoques de
explicabilidad adecuados. Esto garantiza que los usuarios comprendan cómo se tratan sus
datos personales y cómo se toman las decisiones basadas en sistemas de ML.

Por último, es crucial reconocer que los sistemas de ML están sujetos a sesgos, tanto
humanos como algorítmicos. Si bien pueden estar libres de sesgos humanos inherentes, los
sesgos pueden surgir de los datos de entrenamiento, las decisiones de diseño y otros factores.
Este aspecto subraya la importancia de abordar los sesgos en todas las etapas del desarrollo
de sistemas de ML para garantizar resultados equitativos y éticos.

En resumen, una visión crítica del aprendizaje automático es esencial para abordar los
desafíos y maximizar los beneficios de esta tecnología en constante evolución. Al reconocer y
abordar los malentendidos comunes, podemos avanzar hacia un uso más efectivo, ético y
responsable del aprendizaje automático en diversas aplicaciones.