Inteligencia Artificial Generativa FATLA 2026

Ética de Datos y Transparencia Algorítmica: El Desafío de la Caja Negra Introducción: En las entregas anteriores del Módulo 2, analizamos cómo estructurar el Machine Learning para optimizar procesos como el triaje de correspondencia y cómo simplificar las variables mediante la reducción dimensional. Sin embargo, la ingeniería de algoritmos está incompleta si no se analiza desde una perspectiva ética. En esta tercera fase, abordamos los dos pilares que definen a la Inteligencia Artificial socialmente responsable: la equidad en la recopilación de datos y la transparencia o explicabilidad técnica. 📊 Fase 1: Recopilación y Sesgo (La Procedencia de la Información) El principio fundamental del aprendizaje automático dictamina que un algoritmo es tan bueno como los datos con los que se entrena. Cuando existe una mala selección en la muestra inicial, el sistema hereda, automatiza y amplifica la falta de equidad en sus resultados. El origen de este problema radica en la procedencia de...

Introducción: Tras comprender la presencia de la Inteligencia Artificial en nuestra cotidianidad, es imperativo profundizar en los mecanismos técnicos que permiten a las máquinas procesar información y generar conocimiento. En esta entrega, exploramos la arquitectura lógica del Machine Learning , analizando las dicotomías entre el aprendizaje supervisado y no supervisado, así como la relevancia estratégica de la optimización de datos a través de la reducción de la dimensionalidad. Como docentes e investigadores, entender estas metodologías no solo nos permite utilizar mejor las herramientas tecnológicas, sino también comprender la naturaleza del "razonamiento" algorítmico que sustenta la Sociedad de la Información actual. A continuación, presento un desglose técnico diseñado bajo una visión Mobile-First , garantizando accesibilidad y claridad desde cualquier dispositivo. Fig 1. Reducción de la Dimensionalidad: Explicación visual de cómo la IA simplifica el aprendizaj...