Al igual que las nuevas tecnologías y aplicaciones que han creado los humanos, los humanos mismos están lejos de ser perfectos. Los seres humanos (a menudo sin saberlo) transmiten sus imperfecciones y sesgos a los algoritmos que impulsan las aplicaciones de inteligencia artificial (IA) . Esto se conoce como sesgo de IA o sesgo de aprendizaje automático . Ocurre cuando un algoritmo llega a conclusiones y/o genera resultados que han sido influenciados (perjudicados) por suposiciones sesgadas durante el proceso de aprendizaje automático. Muchos de estos sesgos no se descubren hasta que los resultados que producen son presenciados y/o documentados por sus diseñadores, o por el público en general.
Sesgos cognitivos: todos los humanos los tienen y están influyendo en el aprendizaje automático
La mayoría de las personas creen que toman decisiones racionales, pensando en situaciones para tomar la mejor decisión o llegar a una conclusión sólida. Y en el transcurso de la evolución humana, los sesgos cognitivos han ayudado a los humanos a tomar decisiones rápidas que han ayudado a mantener a la especie segura y viva. Este pensamiento de una fracción de segundo ayuda de varias maneras, pero los sesgos también distorsionan la forma en que piensan los humanos y también pueden conducir a decisiones mal tomadas; los sesgos no son tan grandes para evaluar situaciones o considerar evidencia. Y son esos mismos sesgos los que se vuelven parte de algunos algoritmos de IA, lo que lleva a un aprendizaje automático defectuoso.
Cómo prevenir el sesgo de aprendizaje automático
Para que el aprendizaje automático sea un proceso verdaderamente objetivo, los datos utilizados para escribir los algoritmos no deben contener sesgos; debe estar influenciado por datos aleatorios y/o completos debido a sus capacidades de reconocimiento de patrones. Garantizar que los sesgos no influyan en el aprendizaje automático es esencial por varias razones, especialmente porque el aprendizaje automático se vuelve más omnipresente no solo en el espacio comercial , sino también en la vida cotidiana. Estos sesgos podrían significar la diferencia entre el rechazo o la aceptación de la solicitud de un estudiante universitario, los datos correctos o dañinos generados para los profesionales médicos que impulsan las decisiones de atención y la identificación errónea de una persona inocente que se asemeja a un criminal buscado.
Identificar los sesgos de uno no solo es un desafío, sino que encontrar esos sesgos antes de que influyan en los algoritmos es otro. Una forma de protegerse contra el sesgo del aprendizaje automático es estar atento a él al elegir los datos de entrenamiento. Los algoritmos están expuestos a innumerables piezas de datos (o grandes conjuntos de datos) y aprenden a identificar (entre otras características) similitudes y diferencias en esos datos, y finalmente hacen predicciones basadas en los datos consumidos.
Estos conjuntos de datos masivos contienen variables que pueden o no ser importantes para llegar a una conclusión imparcial. Cuando una empresa necesita evaluar docenas (o cientos) de currículos de solicitantes, por ejemplo, eliminar variables irrelevantes como la edad o el género ayuda a garantizar que el algoritmo considere todos los currículos en función de factores relevantes, como experiencia, habilidades y cualquier posición. calificaciones específicas. Sin embargo, los factores que se incluyen no deben conducir a que ni el algoritmo ni el gerente de contratación conozcan la edad o el sexo de los solicitantes.
Pero los algoritmos que influyen en las perspectivas laborales no son meramente hipotéticos. Investigadores de la Universidad Carnegie Mellon encontraronque significativamente más hombres que mujeres fueron atacados y mostraron anuncios en línea que garantizaban asistencia para encontrar trabajos que pagaban más de $200,000. En su experimento, 1000 usuarios simulados (divididos entre hombres y mujeres) visitaron los 100 principales sitios web de empleo. ¿El resultado? Los perfiles de los hombres estaban más fuertemente asociados con el coaching de carrera para puestos que reciben ese nivel de ingresos que los de las mujeres; los usuarios masculinos estuvieron expuestos a aproximadamente 1800 anuncios, mientras que las usuarias vieron alrededor de 300. Encontrar fallas como estas es crucial para prevenir y eliminar por completo el sesgo del aprendizaje automático, pero como los humanos suelen estar ciegos a sus sesgos, el camino hacia un aprendizaje automático más objetivo puede ser uno que serpentea en lugar de progresar linealmente.
El aprendizaje automático trae mucha incertidumbre.
Trabaje con un socio experimentado que pueda ayudarlo a superar esa incertidumbre.
La inteligencia artificial y el aprendizaje automático reciben mucha atención de los medios. Pero a pesar de lo brillante que es ese foco, los humanos todavía no entienden la IA . Y poca de esa atención de los medios destaca cuán lejos deben avanzar estas palabras de moda antes de que sean capaces de realizar la mayoría de las tareas humanas y «tomar» trabajos. Sin duda, la IA y el aprendizaje automático se entrelazarán cada vez más con la vida cotidiana de los humanos, pero aún no está claro en qué medida y cuándo.
No importa a dónde conduzca su expansión global, es probable que dependa más de las nuevas aplicaciones de IA. Pero la incertidumbre que rodea a la IA no tiene por qué influir negativamente en sus planes de expansión. Velocity Global ha ayudado a cientos de organizaciones a alcanzar sus objetivos de crecimiento internacional en tiempos de incertidumbre política y económica, y podemos ayudar a su empresa a hacer lo mismo. Nuestra solución global de empleador de registro puede permitirle operar en prácticamente cualquier país en tan solo 48 horas, sin configurar una entidad.
¿Listo para hacer que suceda? hablemos _