Page 59 - No_73
P. 59
Año 13 /Enero -Febrero/ No. 73 U.M.S.N.H.
actual, e incluso lo que han visto antes. Combina administrar los sistemas de inteligencia artificial.
esta información con más datos para comprender También, será necesario tener personas para abor-
el contenido de los programas que estás viendo. dar problemas más complejos dentro de las indus-
Estos datos se recolectan de docenas de cosas in- trias que tienen más probabilidades de verse afec-
ternas e independientes que se ven cada minuto y tadas por los cambios en la demanda laboral, como
cada programa en Netflix, y los etiquetan. Todas las el servicio al cliente. Entonces, uno de los mayores
etiquetas y los datos de comportamiento del usua- desafíos con la inteligencia artificial y su efecto en
rio, se recopilan y se alimentan en un algoritmo de el mercado laboral, será ayudar a las personas a
machine learning altamente complejo que decide hacer la transición a los nuevos roles que están
qué es lo más importante. Esto se realiza para ana- en demanda.
lizar el gusto de las comunidades de todo el mundo, Además, tiende a discutirse en el contexto de
personas que miran el mismo tipo de cosas que tú la privacidad, la protección y la seguridad de los da-
miras. Entonces, se hace encajar a los espectadores tos. Estas preocupaciones han permitido a los for-
en miles de grupos con gustos diferentes que im- muladores de políticas avanzar más en los últimos
pactan a las ventanas emergentes de recomenda- años.
ción que aparecen en su pantalla en la parte supe- Otro importante impacto son los casos de
rior dentro de la aplicación de Netflix. sesgo y discriminación en varios sistemas de ma-
chine learning que han planteado muchas cuestio-
Pero, ¿qué desafíos e impacto sociales tiene el nes éticas con respecto al uso de la inteligencia
uso del machine learning? artificial. Entonces, ¿cómo podemos protegernos
Una de las preocupaciones sociales del uso del contra el sesgo y la discriminación cuando los pro-
machine learning, o de la inteligencia artificial, es la pios datos de entrenamiento pueden ser genera-
pérdida de empleos. Sin embargo, a través de la dos por procesos humanos sesgados? Si bien las
historia se ha encontrado que, con cada nueva tec- empresas suelen tener buenas intenciones para sus
nología revolucionaria, la demanda del mercado de esfuerzos de automatización, muchas veces inci-
roles de trabajos específicos cambia. Por ejemplo, den en la discriminación.. Un ejemplo real de esta
debido a los aspectos ambientales, muchos fabri- discriminación se llevó a cabo por Amazon, donde
cantes de la industria automotriz están cambiando en un esfuerzo por automatizar y simplificar un
para enfocarse en la producción de vehículos eléc- proceso, discriminó involuntariamente a los candi-
tricos. Esto no hará que la industria de los combus- datos por género para puestos técnicos, lo que aca-
tibles desaparezca, pero la fuente de energía en los bó obligando a la empresa a desechar el proyecto.
vehículos está cambiando de combustibles a elec- El sesgo y la discriminación tampoco se limitan a
tricidad. De manera similar, la inteligencia artificial la función de recursos humanos, ya que se pueden
trasladará la demanda de puestos de trabajo a otras encontrar en una serie de aplicaciones, desde pro-
áreas. Será necesario tener personas que ayuden a gramas de reconocimiento facial hasta algoritmos
de redes sociales.
Arias V., Salazar J., Garicano C., Contreras J., Chacón G., cio, 5-42. https://www.managementsolutions.com/sites/
Chacín-González M., Añez R., Rojas J. y Bermúdez-Pi- default/files/publicaciones/esp/machine-learning.pdf
rela V. (2019). Una introducción a las aplicaciones de la
inteligencia artificial en medicina: Aspectos históricos. Pedrero V., Reynaldos-Grandón K., Ureta-Achurra J.
Revista Latinoamericana de Hipertensión, 14(5), 590-609. y Cortez-Pinto E. (2021). Generalidades del Machine
https://www.redalyc.org/articulo.oa?id=170262877013 Learning y su aplicación en la gestión sanitaria en Servi-
cios de Urgencia. Revista Médica de Chile, 149, 248-254.
Management Solutions. (2018). Machine learning, una http://dx.doi.org/10.4067/s0034-98872021000200248
pieza clave en la transformación de los modelos de nego-
Coordinación de la Investigación Científica 59