{"id":26454,"date":"2022-03-01T09:36:12","date_gmt":"2022-03-01T15:36:12","guid":{"rendered":"https:\/\/otech.uaeh.edu.mx\/noti\/?p=26454"},"modified":"2022-03-01T09:36:12","modified_gmt":"2022-03-01T15:36:12","slug":"inyectar-equidad-en-los-modelos-de-aprendizaje-automatico","status":"publish","type":"post","link":"https:\/\/otech.uaeh.edu.mx\/noti\/ia\/inyectar-equidad-en-los-modelos-de-aprendizaje-automatico\/","title":{"rendered":"Inyectar equidad en los modelos de aprendizaje autom\u00e1tico"},"content":{"rendered":"
\n
\n
\n
\n

Si un modelo de aprendizaje autom\u00e1tico se entrena con un conjunto de datos desequilibrado, como uno que contiene muchas m\u00e1s im\u00e1genes de personas con piel m\u00e1s clara que personas con piel m\u00e1s oscura, existe un riesgo grave de que las predicciones del modelo sean injustas cuando se implemente en el mundo real. .<\/span><\/p>\n

Pero esto es s\u00f3lo una parte del problema.\u00a0Los investigadores del MIT descubrieron que los modelos de aprendizaje autom\u00e1tico que son populares para las tareas de reconocimiento de im\u00e1genes en realidad codifican sesgos cuando se entrenan con datos desequilibrados.\u00a0Este sesgo dentro del modelo es imposible de corregir m\u00e1s adelante, incluso con t\u00e9cnicas de mejora de la equidad de \u00faltima generaci\u00f3n, e incluso cuando se vuelve a entrenar el modelo con un conjunto de datos equilibrado.\u00a0\u00a0\u00a0\u00a0 \u00a0<\/span><\/p>\n

Entonces, los investigadores idearon una t\u00e9cnica para introducir la equidad directamente en la representaci\u00f3n interna del modelo.\u00a0Esto permite que el modelo produzca resultados justos incluso si se entrena con datos no justos, lo cual es especialmente importante porque hay muy pocos conjuntos de datos bien equilibrados para el aprendizaje autom\u00e1tico.<\/span><\/p>\n

La soluci\u00f3n que desarrollaron no solo conduce a modelos que hacen predicciones m\u00e1s equilibradas, sino que tambi\u00e9n mejora su rendimiento en tareas posteriores como el reconocimiento facial y la clasificaci\u00f3n de especies animales.<\/span><\/p>\n

\u201cEn el aprendizaje autom\u00e1tico, es com\u00fan culpar a los datos por el sesgo en los modelos.\u00a0Pero no siempre tenemos datos equilibrados.\u00a0Por lo tanto, debemos idear m\u00e9todos que realmente solucionen el problema con datos desequilibrados\u201d, dice la autora principal Natalie Dullerud, estudiante de posgrado en el Grupo de Aprendizaje Autom\u00e1tico Saludable del Laboratorio de Ciencias de la Computaci\u00f3n e Inteligencia Artificial (CSAIL) del MIT.<\/span><\/p>\n

Los coautores de Dullerud incluyen a Kimia Hamidieh, estudiante de posgrado en Healthy ML Group;\u00a0Karsten Roth, ex investigador visitante que ahora es estudiante de posgrado en la Universidad de Tubingen;\u00a0Nicolas Papernot, profesor asistente en el Departamento de Ingenier\u00eda El\u00e9ctrica y Ciencias de la Computaci\u00f3n de la Universidad de Toronto;\u00a0y la autora principal Marzyeh Ghassemi, profesora asistente y directora del Healthy ML Group.\u00a0La\u00a0investigaci\u00f3n<\/a>\u00a0ser\u00e1 presentada en la Conferencia Internacional sobre Representaciones de Aprendizaje.<\/span><\/p>\n

Definici\u00f3n de equidad<\/strong><\/span><\/p>\n

La t\u00e9cnica de aprendizaje autom\u00e1tico que estudiaron los investigadores se conoce como aprendizaje m\u00e9trico profundo, que es una forma amplia de aprendizaje de representaci\u00f3n.\u00a0En el aprendizaje m\u00e9trico profundo, una\u00a0red neuronal<\/a>\u00a0aprende la similitud entre los objetos al mapear fotos similares juntas y fotos diferentes separadas.\u00a0Durante el entrenamiento, esta red neuronal mapea im\u00e1genes en un “espacio de incrustaci\u00f3n” donde una m\u00e9trica de similitud entre las fotos corresponde a la distancia entre ellas.<\/span><\/p>\n

Por ejemplo, si se usa un modelo de aprendizaje m\u00e9trico profundo para clasificar las especies de aves, mapear\u00e1 fotos de pinzones dorados juntos en una parte del espacio de inserci\u00f3n y cardenales juntos en otra parte del espacio de inserci\u00f3n.\u00a0Una vez entrenado, el modelo puede medir efectivamente la similitud de nuevas im\u00e1genes que no ha visto antes.\u00a0Aprender\u00eda a agrupar im\u00e1genes de especies de aves invisibles juntas, pero m\u00e1s alejadas de cardenales o pinzones dorados dentro del espacio de incrustaci\u00f3n.<\/span><\/p>\n

Las m\u00e9tricas de similitud que aprende el modelo son muy s\u00f3lidas, raz\u00f3n por la cual el aprendizaje de m\u00e9tricas profundas se emplea con tanta frecuencia para el reconocimiento facial, dice Dullerud.\u00a0Pero ella y sus colegas se preguntaron c\u00f3mo determinar si una m\u00e9trica de similitud est\u00e1 sesgada.<\/span><\/p>\n

\u201cSabemos que los datos reflejan los sesgos de los procesos en la sociedad.\u00a0Esto significa que tenemos que cambiar nuestro enfoque para dise\u00f1ar m\u00e9todos que se adapten mejor a la realidad\u201d, dice Ghassemi.<\/span><\/p>\n

Los investigadores definieron dos formas en que una m\u00e9trica de similitud puede ser injusta.\u00a0Usando el ejemplo del reconocimiento facial, la m\u00e9trica ser\u00e1 injusta si es m\u00e1s probable que incruste a personas con rostros de piel m\u00e1s oscura m\u00e1s cerca entre s\u00ed, incluso si no son la misma persona, que si esas im\u00e1genes fueran personas con rostros m\u00e1s claros. rostros desollados.\u00a0En segundo lugar, ser\u00eda injusto si las caracter\u00edsticas que aprende para medir la similitud son mejores para el grupo mayoritario que para el grupo minoritario.<\/span><\/p>\n

Los investigadores realizaron una serie de experimentos en modelos con m\u00e9tricas de similitud injustas y no pudieron superar el sesgo que el modelo hab\u00eda aprendido en su espacio de incrustaci\u00f3n.<\/span><\/p>\n

\u201cEsto da bastante miedo porque es una pr\u00e1ctica muy com\u00fan que las empresas publiquen estos modelos incorporados y luego las personas los ajusten para alguna tarea de clasificaci\u00f3n posterior.\u00a0Pero no importa lo que haga aguas abajo, simplemente no puede solucionar los problemas de equidad que se indujeron en el espacio de incrustaci\u00f3n\u201d, dice Dullerud.<\/span><\/p>\n

Incluso si un usuario vuelve a entrenar el modelo en un conjunto de datos equilibrado para la tarea posterior, que es el mejor de los casos para solucionar el problema de equidad, todav\u00eda hay brechas de rendimiento de al menos el 20 por ciento, dice.<\/span><\/p>\n

La \u00fanica forma de resolver este problema es asegurarse de que el espacio de incrustaci\u00f3n sea justo para empezar.<\/span><\/p>\n

Aprender m\u00e9tricas separadas<\/strong><\/span><\/p>\n

La soluci\u00f3n de los investigadores, llamada Descorrelaci\u00f3n parcial de atributos (PARADE), consiste en entrenar al modelo para aprender una m\u00e9trica de similitud separada para un atributo sensible, como el tono de piel, y luego descorrelacionar la m\u00e9trica de similitud del tono de piel de la m\u00e9trica de similitud espec\u00edfica.\u00a0Si el modelo est\u00e1 aprendiendo las m\u00e9tricas de similitud de diferentes rostros humanos, aprender\u00e1 a mapear caras similares juntas y caras diferentes separadas usando caracter\u00edsticas distintas al tono de piel.<\/span><\/p>\n

Cualquier n\u00famero de atributos confidenciales se puede descorrelacionar de la m\u00e9trica de similitud objetivo de esta manera.\u00a0Y debido a que la m\u00e9trica de similitud para el atributo sensible se aprende en un espacio de incrustaci\u00f3n separado, se descarta despu\u00e9s del entrenamiento, por lo que solo la m\u00e9trica de similitud objetivo permanece en el modelo.<\/span><\/p>\n

Su m\u00e9todo es aplicable a muchas situaciones porque el usuario puede controlar la cantidad de descorrelaci\u00f3n entre m\u00e9tricas de similitud.\u00a0Por ejemplo, si el modelo va a diagnosticar c\u00e1ncer de mama a partir de im\u00e1genes de mamograf\u00eda, es probable que un m\u00e9dico quiera que cierta informaci\u00f3n sobre el sexo biol\u00f3gico permanezca en el espacio de inclusi\u00f3n final porque es mucho m\u00e1s probable que las mujeres tengan c\u00e1ncer de mama que los hombres, explica Dullerud.<\/span><\/p>\n

Probaron su m\u00e9todo en dos tareas, reconocimiento facial y clasificaci\u00f3n de especies de aves, y descubrieron que reduc\u00eda las brechas de rendimiento causadas por el sesgo, tanto en el espacio de incrustaci\u00f3n como en la tarea posterior, independientemente del conjunto de datos que usaran.<\/span><\/p>\n

En el futuro, Dullerud est\u00e1 interesado en estudiar c\u00f3mo forzar un modelo de aprendizaje de m\u00e9tricas profundas para aprender buenas funciones en primer lugar.<\/span><\/p>\n

\u201c\u00bfC\u00f3mo se audita adecuadamente la equidad?\u00a0Esa es una pregunta abierta en este momento.\u00a0\u00bfC\u00f3mo puedes saber que un modelo va a ser justo, o que solo va a ser justo en ciertas situaciones, y cu\u00e1les son esas situaciones?\u00a0Esas son preguntas en las que estoy realmente interesada en seguir adelante\u201d, dice ella.<\/span><\/p>\n

Fuente:\u00a0<\/span><\/p>\n

Injecting fairness into machine-learning models<\/i>. (2022, 1 marzo). MIT News | Massachusetts Institute of Technology. Recuperado 1 de marzo de 2022, de https:\/\/news.mit.edu\/2022\/unbias-machine-learning-0301<\/span><\/p>\n<\/div>\n<\/div>\n<\/div>\n<\/div>\n","protected":false},"excerpt":{"rendered":"

Si un modelo de aprendizaje autom\u00e1tico se entrena con un conjunto de datos desequilibrado, como uno que contiene muchas m\u00e1s im\u00e1genes de personas con piel m\u00e1s clara que personas con piel m\u00e1s oscura, existe un riesgo grave de que las predicciones del modelo sean injustas cuando se implemente en el mundo real. .<\/p>\n","protected":false},"author":1,"featured_media":26455,"comment_status":"open","ping_status":"open","sticky":false,"template":"","format":"standard","meta":{"footnotes":""},"categories":[361],"tags":[],"class_list":["post-26454","post","type-post","status-publish","format-standard","has-post-thumbnail","hentry","category-ia"],"yoast_head":"\nInyectar equidad en los modelos de aprendizaje autom\u00e1tico - Observatorio Tecnol\u00f3gico de Hidalgo<\/title>\n<meta name=\"robots\" content=\"index, follow, max-snippet:-1, max-image-preview:large, max-video-preview:-1\" \/>\n<link rel=\"canonical\" href=\"https:\/\/otech.uaeh.edu.mx\/noti\/ia\/inyectar-equidad-en-los-modelos-de-aprendizaje-automatico\/\" \/>\n<meta property=\"og:locale\" content=\"en_US\" \/>\n<meta property=\"og:type\" content=\"article\" \/>\n<meta property=\"og:title\" content=\"Inyectar equidad en los modelos de aprendizaje autom\u00e1tico - Observatorio Tecnol\u00f3gico de Hidalgo\" \/>\n<meta property=\"og:description\" content=\"Si un modelo de aprendizaje autom\u00e1tico se entrena con un conjunto de datos desequilibrado, como uno que contiene muchas m\u00e1s im\u00e1genes de personas con piel m\u00e1s clara que personas con piel m\u00e1s oscura, existe un riesgo grave de que las predicciones del modelo sean injustas cuando se implemente en el mundo real. .\" \/>\n<meta property=\"og:url\" content=\"https:\/\/otech.uaeh.edu.mx\/noti\/ia\/inyectar-equidad-en-los-modelos-de-aprendizaje-automatico\/\" \/>\n<meta property=\"og:site_name\" content=\"Observatorio Tecnol\u00f3gico de Hidalgo\" \/>\n<meta property=\"article:publisher\" content=\"https:\/\/www.facebook.com\/observatoriouaeh\" \/>\n<meta property=\"article:published_time\" content=\"2022-03-01T15:36:12+00:00\" \/>\n<meta property=\"og:image\" content=\"https:\/\/otech.uaeh.edu.mx\/noti\/wp-content\/uploads\/2022\/03\/MIT-LearningFairness-01-press_0.jpg\" \/>\n\t<meta property=\"og:image:width\" content=\"900\" \/>\n\t<meta property=\"og:image:height\" content=\"600\" \/>\n\t<meta property=\"og:image:type\" content=\"image\/jpeg\" \/>\n<meta name=\"author\" content=\"admin\" \/>\n<meta name=\"twitter:card\" content=\"summary_large_image\" \/>\n<meta name=\"twitter:creator\" content=\"@OBSERVATORIOEH\" \/>\n<meta name=\"twitter:site\" content=\"@OBSERVATORIOEH\" \/>\n<meta name=\"twitter:label1\" content=\"Written by\" \/>\n\t<meta name=\"twitter:data1\" content=\"admin\" \/>\n\t<meta name=\"twitter:label2\" content=\"Est. reading time\" \/>\n\t<meta name=\"twitter:data2\" content=\"6 minutes\" \/>\n<script type=\"application\/ld+json\" class=\"yoast-schema-graph\">{\"@context\":\"https:\/\/schema.org\",\"@graph\":[{\"@type\":\"Article\",\"@id\":\"https:\/\/otech.uaeh.edu.mx\/noti\/ia\/inyectar-equidad-en-los-modelos-de-aprendizaje-automatico\/#article\",\"isPartOf\":{\"@id\":\"https:\/\/otech.uaeh.edu.mx\/noti\/ia\/inyectar-equidad-en-los-modelos-de-aprendizaje-automatico\/\"},\"author\":{\"name\":\"admin\",\"@id\":\"https:\/\/otech.uaeh.edu.mx\/noti\/#\/schema\/person\/95263d004158ffabcd98137e1d0abc1c\"},\"headline\":\"Inyectar equidad en los modelos de aprendizaje autom\u00e1tico\",\"datePublished\":\"2022-03-01T15:36:12+00:00\",\"mainEntityOfPage\":{\"@id\":\"https:\/\/otech.uaeh.edu.mx\/noti\/ia\/inyectar-equidad-en-los-modelos-de-aprendizaje-automatico\/\"},\"wordCount\":1296,\"commentCount\":0,\"publisher\":{\"@id\":\"https:\/\/otech.uaeh.edu.mx\/noti\/#organization\"},\"image\":{\"@id\":\"https:\/\/otech.uaeh.edu.mx\/noti\/ia\/inyectar-equidad-en-los-modelos-de-aprendizaje-automatico\/#primaryimage\"},\"thumbnailUrl\":\"https:\/\/otech.uaeh.edu.mx\/noti\/wp-content\/uploads\/2022\/03\/MIT-LearningFairness-01-press_0.jpg\",\"articleSection\":[\"Inteligencia Artificial\"],\"inLanguage\":\"en-US\",\"potentialAction\":[{\"@type\":\"CommentAction\",\"name\":\"Comment\",\"target\":[\"https:\/\/otech.uaeh.edu.mx\/noti\/ia\/inyectar-equidad-en-los-modelos-de-aprendizaje-automatico\/#respond\"]}]},{\"@type\":\"WebPage\",\"@id\":\"https:\/\/otech.uaeh.edu.mx\/noti\/ia\/inyectar-equidad-en-los-modelos-de-aprendizaje-automatico\/\",\"url\":\"https:\/\/otech.uaeh.edu.mx\/noti\/ia\/inyectar-equidad-en-los-modelos-de-aprendizaje-automatico\/\",\"name\":\"Inyectar equidad en los modelos de aprendizaje autom\u00e1tico - Observatorio Tecnol\u00f3gico de Hidalgo\",\"isPartOf\":{\"@id\":\"https:\/\/otech.uaeh.edu.mx\/noti\/#website\"},\"primaryImageOfPage\":{\"@id\":\"https:\/\/otech.uaeh.edu.mx\/noti\/ia\/inyectar-equidad-en-los-modelos-de-aprendizaje-automatico\/#primaryimage\"},\"image\":{\"@id\":\"https:\/\/otech.uaeh.edu.mx\/noti\/ia\/inyectar-equidad-en-los-modelos-de-aprendizaje-automatico\/#primaryimage\"},\"thumbnailUrl\":\"https:\/\/otech.uaeh.edu.mx\/noti\/wp-content\/uploads\/2022\/03\/MIT-LearningFairness-01-press_0.jpg\",\"datePublished\":\"2022-03-01T15:36:12+00:00\",\"breadcrumb\":{\"@id\":\"https:\/\/otech.uaeh.edu.mx\/noti\/ia\/inyectar-equidad-en-los-modelos-de-aprendizaje-automatico\/#breadcrumb\"},\"inLanguage\":\"en-US\",\"potentialAction\":[{\"@type\":\"ReadAction\",\"target\":[\"https:\/\/otech.uaeh.edu.mx\/noti\/ia\/inyectar-equidad-en-los-modelos-de-aprendizaje-automatico\/\"]}]},{\"@type\":\"ImageObject\",\"inLanguage\":\"en-US\",\"@id\":\"https:\/\/otech.uaeh.edu.mx\/noti\/ia\/inyectar-equidad-en-los-modelos-de-aprendizaje-automatico\/#primaryimage\",\"url\":\"https:\/\/otech.uaeh.edu.mx\/noti\/wp-content\/uploads\/2022\/03\/MIT-LearningFairness-01-press_0.jpg\",\"contentUrl\":\"https:\/\/otech.uaeh.edu.mx\/noti\/wp-content\/uploads\/2022\/03\/MIT-LearningFairness-01-press_0.jpg\",\"width\":900,\"height\":600},{\"@type\":\"BreadcrumbList\",\"@id\":\"https:\/\/otech.uaeh.edu.mx\/noti\/ia\/inyectar-equidad-en-los-modelos-de-aprendizaje-automatico\/#breadcrumb\",\"itemListElement\":[{\"@type\":\"ListItem\",\"position\":1,\"name\":\"Inicio\",\"item\":\"https:\/\/otech.uaeh.edu.mx\/noti\/\"},{\"@type\":\"ListItem\",\"position\":2,\"name\":\"Inyectar equidad en los modelos de aprendizaje autom\u00e1tico\"}]},{\"@type\":\"WebSite\",\"@id\":\"https:\/\/otech.uaeh.edu.mx\/noti\/#website\",\"url\":\"https:\/\/otech.uaeh.edu.mx\/noti\/\",\"name\":\"Observatorio Tecnol\u00f3gico de Hidalgo\",\"description\":\"\",\"publisher\":{\"@id\":\"https:\/\/otech.uaeh.edu.mx\/noti\/#organization\"},\"potentialAction\":[{\"@type\":\"SearchAction\",\"target\":{\"@type\":\"EntryPoint\",\"urlTemplate\":\"https:\/\/otech.uaeh.edu.mx\/noti\/?s={search_term_string}\"},\"query-input\":{\"@type\":\"PropertyValueSpecification\",\"valueRequired\":true,\"valueName\":\"search_term_string\"}}],\"inLanguage\":\"en-US\"},{\"@type\":\"Organization\",\"@id\":\"https:\/\/otech.uaeh.edu.mx\/noti\/#organization\",\"name\":\"Observatorio Tecnol\u00f3gico de Hidalgo\",\"url\":\"https:\/\/otech.uaeh.edu.mx\/noti\/\",\"logo\":{\"@type\":\"ImageObject\",\"inLanguage\":\"en-US\",\"@id\":\"https:\/\/otech.uaeh.edu.mx\/noti\/#\/schema\/logo\/image\/\",\"url\":\"https:\/\/otech.uaeh.edu.mx\/noti\/wp-content\/uploads\/2025\/11\/Logo-circulo.png\",\"contentUrl\":\"https:\/\/otech.uaeh.edu.mx\/noti\/wp-content\/uploads\/2025\/11\/Logo-circulo.png\",\"width\":250,\"height\":250,\"caption\":\"Observatorio Tecnol\u00f3gico de Hidalgo\"},\"image\":{\"@id\":\"https:\/\/otech.uaeh.edu.mx\/noti\/#\/schema\/logo\/image\/\"},\"sameAs\":[\"https:\/\/www.facebook.com\/observatoriouaeh\",\"https:\/\/x.com\/OBSERVATORIOEH\"]},{\"@type\":\"Person\",\"@id\":\"https:\/\/otech.uaeh.edu.mx\/noti\/#\/schema\/person\/95263d004158ffabcd98137e1d0abc1c\",\"name\":\"admin\",\"image\":{\"@type\":\"ImageObject\",\"inLanguage\":\"en-US\",\"@id\":\"https:\/\/otech.uaeh.edu.mx\/noti\/#\/schema\/person\/image\/\",\"url\":\"https:\/\/secure.gravatar.com\/avatar\/08dd17208ee6a9e87c5a01c0a5f4c96c8ed24bf05e625630929b5b6a7c1ffa5f?s=96&d=mm&r=g\",\"contentUrl\":\"https:\/\/secure.gravatar.com\/avatar\/08dd17208ee6a9e87c5a01c0a5f4c96c8ed24bf05e625630929b5b6a7c1ffa5f?s=96&d=mm&r=g\",\"caption\":\"admin\"},\"url\":\"https:\/\/otech.uaeh.edu.mx\/noti\/author\/admin\/\"}]}<\/script>\n<!-- \/ Yoast SEO plugin. -->","yoast_head_json":{"title":"Inyectar equidad en los modelos de aprendizaje autom\u00e1tico - Observatorio Tecnol\u00f3gico de Hidalgo","robots":{"index":"index","follow":"follow","max-snippet":"max-snippet:-1","max-image-preview":"max-image-preview:large","max-video-preview":"max-video-preview:-1"},"canonical":"https:\/\/otech.uaeh.edu.mx\/noti\/ia\/inyectar-equidad-en-los-modelos-de-aprendizaje-automatico\/","og_locale":"en_US","og_type":"article","og_title":"Inyectar equidad en los modelos de aprendizaje autom\u00e1tico - Observatorio Tecnol\u00f3gico de Hidalgo","og_description":"Si un modelo de aprendizaje autom\u00e1tico se entrena con un conjunto de datos desequilibrado, como uno que contiene muchas m\u00e1s im\u00e1genes de personas con piel m\u00e1s clara que personas con piel m\u00e1s oscura, existe un riesgo grave de que las predicciones del modelo sean injustas cuando se implemente en el mundo real. .","og_url":"https:\/\/otech.uaeh.edu.mx\/noti\/ia\/inyectar-equidad-en-los-modelos-de-aprendizaje-automatico\/","og_site_name":"Observatorio Tecnol\u00f3gico de Hidalgo","article_publisher":"https:\/\/www.facebook.com\/observatoriouaeh","article_published_time":"2022-03-01T15:36:12+00:00","og_image":[{"width":900,"height":600,"url":"https:\/\/otech.uaeh.edu.mx\/noti\/wp-content\/uploads\/2022\/03\/MIT-LearningFairness-01-press_0.jpg","type":"image\/jpeg"}],"author":"admin","twitter_card":"summary_large_image","twitter_creator":"@OBSERVATORIOEH","twitter_site":"@OBSERVATORIOEH","twitter_misc":{"Written by":"admin","Est. reading time":"6 minutes"},"schema":{"@context":"https:\/\/schema.org","@graph":[{"@type":"Article","@id":"https:\/\/otech.uaeh.edu.mx\/noti\/ia\/inyectar-equidad-en-los-modelos-de-aprendizaje-automatico\/#article","isPartOf":{"@id":"https:\/\/otech.uaeh.edu.mx\/noti\/ia\/inyectar-equidad-en-los-modelos-de-aprendizaje-automatico\/"},"author":{"name":"admin","@id":"https:\/\/otech.uaeh.edu.mx\/noti\/#\/schema\/person\/95263d004158ffabcd98137e1d0abc1c"},"headline":"Inyectar equidad en los modelos de aprendizaje autom\u00e1tico","datePublished":"2022-03-01T15:36:12+00:00","mainEntityOfPage":{"@id":"https:\/\/otech.uaeh.edu.mx\/noti\/ia\/inyectar-equidad-en-los-modelos-de-aprendizaje-automatico\/"},"wordCount":1296,"commentCount":0,"publisher":{"@id":"https:\/\/otech.uaeh.edu.mx\/noti\/#organization"},"image":{"@id":"https:\/\/otech.uaeh.edu.mx\/noti\/ia\/inyectar-equidad-en-los-modelos-de-aprendizaje-automatico\/#primaryimage"},"thumbnailUrl":"https:\/\/otech.uaeh.edu.mx\/noti\/wp-content\/uploads\/2022\/03\/MIT-LearningFairness-01-press_0.jpg","articleSection":["Inteligencia Artificial"],"inLanguage":"en-US","potentialAction":[{"@type":"CommentAction","name":"Comment","target":["https:\/\/otech.uaeh.edu.mx\/noti\/ia\/inyectar-equidad-en-los-modelos-de-aprendizaje-automatico\/#respond"]}]},{"@type":"WebPage","@id":"https:\/\/otech.uaeh.edu.mx\/noti\/ia\/inyectar-equidad-en-los-modelos-de-aprendizaje-automatico\/","url":"https:\/\/otech.uaeh.edu.mx\/noti\/ia\/inyectar-equidad-en-los-modelos-de-aprendizaje-automatico\/","name":"Inyectar equidad en los modelos de aprendizaje autom\u00e1tico - Observatorio Tecnol\u00f3gico de Hidalgo","isPartOf":{"@id":"https:\/\/otech.uaeh.edu.mx\/noti\/#website"},"primaryImageOfPage":{"@id":"https:\/\/otech.uaeh.edu.mx\/noti\/ia\/inyectar-equidad-en-los-modelos-de-aprendizaje-automatico\/#primaryimage"},"image":{"@id":"https:\/\/otech.uaeh.edu.mx\/noti\/ia\/inyectar-equidad-en-los-modelos-de-aprendizaje-automatico\/#primaryimage"},"thumbnailUrl":"https:\/\/otech.uaeh.edu.mx\/noti\/wp-content\/uploads\/2022\/03\/MIT-LearningFairness-01-press_0.jpg","datePublished":"2022-03-01T15:36:12+00:00","breadcrumb":{"@id":"https:\/\/otech.uaeh.edu.mx\/noti\/ia\/inyectar-equidad-en-los-modelos-de-aprendizaje-automatico\/#breadcrumb"},"inLanguage":"en-US","potentialAction":[{"@type":"ReadAction","target":["https:\/\/otech.uaeh.edu.mx\/noti\/ia\/inyectar-equidad-en-los-modelos-de-aprendizaje-automatico\/"]}]},{"@type":"ImageObject","inLanguage":"en-US","@id":"https:\/\/otech.uaeh.edu.mx\/noti\/ia\/inyectar-equidad-en-los-modelos-de-aprendizaje-automatico\/#primaryimage","url":"https:\/\/otech.uaeh.edu.mx\/noti\/wp-content\/uploads\/2022\/03\/MIT-LearningFairness-01-press_0.jpg","contentUrl":"https:\/\/otech.uaeh.edu.mx\/noti\/wp-content\/uploads\/2022\/03\/MIT-LearningFairness-01-press_0.jpg","width":900,"height":600},{"@type":"BreadcrumbList","@id":"https:\/\/otech.uaeh.edu.mx\/noti\/ia\/inyectar-equidad-en-los-modelos-de-aprendizaje-automatico\/#breadcrumb","itemListElement":[{"@type":"ListItem","position":1,"name":"Inicio","item":"https:\/\/otech.uaeh.edu.mx\/noti\/"},{"@type":"ListItem","position":2,"name":"Inyectar equidad en los modelos de aprendizaje autom\u00e1tico"}]},{"@type":"WebSite","@id":"https:\/\/otech.uaeh.edu.mx\/noti\/#website","url":"https:\/\/otech.uaeh.edu.mx\/noti\/","name":"Observatorio Tecnol\u00f3gico de Hidalgo","description":"","publisher":{"@id":"https:\/\/otech.uaeh.edu.mx\/noti\/#organization"},"potentialAction":[{"@type":"SearchAction","target":{"@type":"EntryPoint","urlTemplate":"https:\/\/otech.uaeh.edu.mx\/noti\/?s={search_term_string}"},"query-input":{"@type":"PropertyValueSpecification","valueRequired":true,"valueName":"search_term_string"}}],"inLanguage":"en-US"},{"@type":"Organization","@id":"https:\/\/otech.uaeh.edu.mx\/noti\/#organization","name":"Observatorio Tecnol\u00f3gico de Hidalgo","url":"https:\/\/otech.uaeh.edu.mx\/noti\/","logo":{"@type":"ImageObject","inLanguage":"en-US","@id":"https:\/\/otech.uaeh.edu.mx\/noti\/#\/schema\/logo\/image\/","url":"https:\/\/otech.uaeh.edu.mx\/noti\/wp-content\/uploads\/2025\/11\/Logo-circulo.png","contentUrl":"https:\/\/otech.uaeh.edu.mx\/noti\/wp-content\/uploads\/2025\/11\/Logo-circulo.png","width":250,"height":250,"caption":"Observatorio Tecnol\u00f3gico de Hidalgo"},"image":{"@id":"https:\/\/otech.uaeh.edu.mx\/noti\/#\/schema\/logo\/image\/"},"sameAs":["https:\/\/www.facebook.com\/observatoriouaeh","https:\/\/x.com\/OBSERVATORIOEH"]},{"@type":"Person","@id":"https:\/\/otech.uaeh.edu.mx\/noti\/#\/schema\/person\/95263d004158ffabcd98137e1d0abc1c","name":"admin","image":{"@type":"ImageObject","inLanguage":"en-US","@id":"https:\/\/otech.uaeh.edu.mx\/noti\/#\/schema\/person\/image\/","url":"https:\/\/secure.gravatar.com\/avatar\/08dd17208ee6a9e87c5a01c0a5f4c96c8ed24bf05e625630929b5b6a7c1ffa5f?s=96&d=mm&r=g","contentUrl":"https:\/\/secure.gravatar.com\/avatar\/08dd17208ee6a9e87c5a01c0a5f4c96c8ed24bf05e625630929b5b6a7c1ffa5f?s=96&d=mm&r=g","caption":"admin"},"url":"https:\/\/otech.uaeh.edu.mx\/noti\/author\/admin\/"}]}},"_links":{"self":[{"href":"https:\/\/otech.uaeh.edu.mx\/noti\/wp-json\/wp\/v2\/posts\/26454","targetHints":{"allow":["GET"]}}],"collection":[{"href":"https:\/\/otech.uaeh.edu.mx\/noti\/wp-json\/wp\/v2\/posts"}],"about":[{"href":"https:\/\/otech.uaeh.edu.mx\/noti\/wp-json\/wp\/v2\/types\/post"}],"author":[{"embeddable":true,"href":"https:\/\/otech.uaeh.edu.mx\/noti\/wp-json\/wp\/v2\/users\/1"}],"replies":[{"embeddable":true,"href":"https:\/\/otech.uaeh.edu.mx\/noti\/wp-json\/wp\/v2\/comments?post=26454"}],"version-history":[{"count":1,"href":"https:\/\/otech.uaeh.edu.mx\/noti\/wp-json\/wp\/v2\/posts\/26454\/revisions"}],"predecessor-version":[{"id":26456,"href":"https:\/\/otech.uaeh.edu.mx\/noti\/wp-json\/wp\/v2\/posts\/26454\/revisions\/26456"}],"wp:featuredmedia":[{"embeddable":true,"href":"https:\/\/otech.uaeh.edu.mx\/noti\/wp-json\/wp\/v2\/media\/26455"}],"wp:attachment":[{"href":"https:\/\/otech.uaeh.edu.mx\/noti\/wp-json\/wp\/v2\/media?parent=26454"}],"wp:term":[{"taxonomy":"category","embeddable":true,"href":"https:\/\/otech.uaeh.edu.mx\/noti\/wp-json\/wp\/v2\/categories?post=26454"},{"taxonomy":"post_tag","embeddable":true,"href":"https:\/\/otech.uaeh.edu.mx\/noti\/wp-json\/wp\/v2\/tags?post=26454"}],"curies":[{"name":"wp","href":"https:\/\/api.w.org\/{rel}","templated":true}]}}