center

UD06: Principios legales y éticos de la IA

Modelos de Inteligencia Artificial

version: 2026-08-24
Modelos de Inteligencia Artificial 26-27 (UD06_1)

¿Qué veremos?

  1. Riesgos y deontología
  2. Privacidad y protección de datos
  3. Cumplimiento de la legalidad
  4. Security by design
  5. Privacy by design
  6. Sesgos de género y algorítmicos

Y dos debates por roles.

Modelos de Inteligencia Artificial 26-27 (UD06_1)

La unidad en una frase

Todo el curso ha sido cómo se construye un sistema de IA.

Esto es qué puedes hacer con él y qué no debes.

Duración 6 h · semanas 24-28
Criterio RA6 y sus 6 CE
Modelos de Inteligencia Artificial 26-27 (UD06_1)

RA6 y sus criterios de evaluación

RA6 — Aplica principios legales y éticos al desarrollo de la Inteligencia Artificial integrándolos como parte del proceso.

CE Criterio Dónde
a Argumentar los riesgos legales y éticos de aplicar IA §1
b Reconocer la necesidad de respetar la privacidad de los datos §2
c Decidir el cumplimiento estricto de la legalidad §3
d Integrar la protección frente a errores y ataques (security by design) §4
e Comprobar que se cumplen las normas en todas las áreas (privacy by design) §5
f Identificar y corregir los sesgos de género §6
Modelos de Inteligencia Artificial 26-27 (UD06_1)

Al terminar la unidad serás capaz de…

  • Argumentar los riesgos legales y éticos de la IA apoyándote en casos reales con datos.
  • Reconocer qué obliga el RGPD y la LOPDGDD sobre los datos con los que se entrena un modelo.
  • Clasificar un sistema según el nivel de riesgo del AI Act y decir qué obligaciones le tocan.
  • Integrar la protección frente a errores y ataques en el ciclo de vida del sistema.
  • Aplicar una técnica concreta de privacidad desde el diseño a un caso dado.
  • Medir el sesgo de un modelo con métricas de equidad y proponer una corrección.
Modelos de Inteligencia Artificial 26-27 (UD06_1)

Cómo se evalúa

Peso Instrumento
40 % 2 debates, 2 talleres, 1 notebook
60 % Prueba del RA6

Prueba: test y desarrollo sobre el contenido de la unidad.

Hace falta 5 o más en el RA.

Modelos de Inteligencia Artificial 26-27 (UD06_1)

La rúbrica de los debates

Criterio Puntos
Dominio del rol 20
Argumentación ética 20
Participación activa 15
Empatía y perspectiva 15
Reflexión escrita 30

70 de 100 se observan en directo. Faltar no se recupera.

Modelos de Inteligencia Artificial 26-27 (UD06_1)

Lo que puede salir mal

Caso Dato
COMPAS (2016) Falsos positivos 44,9 % vs 23,5 %
Amazon (2018) Penalizaba «women's chess club»
Gender Shades (2018) 33 % de error en mujeres de piel oscura
Deepfake HK (2024) 25,6 M USD
Modelos de Inteligencia Artificial 26-27 (UD06_1)

Google Photos, 2015

El algoritmo etiquetó a personas negras como gorilas.

Tres años después, Wired comprobó que seguía igual: la solución fue borrar la etiqueta.

Un sesgo de visión no siempre se arregla. Detéctalo antes de desplegar.

Modelos de Inteligencia Artificial 26-27 (UD06_1)

Uber en Tempe, 18/03/2018

Qué falló Dato
Velocidad 69 km/h
Detección Bicicleta no reconocida
Reacción Vio 6 s antes, 4,7 s sin actuar
Supervisión Conductor distraído

El fallo nunca es de un solo componente.

Modelos de Inteligencia Artificial 26-27 (UD06_1)

Depurar IA no es depurar software

Clásico Aprendizaje automático
Comportamiento En el código En los datos
Se prueba La especificación Que generaliza y es justo
Un caso Parche Puede exigir reentrenar

Puede pasar el 100 % de los tests y discriminar.

Modelos de Inteligencia Artificial 26-27 (UD06_1)

Deontología: cuatro marcos

Marco Aportación
ACM 2018 Nada no monitorizable
IEEE EAD 2019 Ingeniería basada en valores
UNESCO 2021 10 principios · 193 estados
UE 2019 Lícita, ética y robusta
Modelos de Inteligencia Artificial 26-27 (UD06_1)

Los principios comunes

  • Beneficencia y no maleficencia
  • Autonomía
  • Justicia
  • Transparencia
  • Rendición de cuentas

Y «robusta» también en sentido social: se puede dañar a terceros con buenas intenciones.

Modelos de Inteligencia Artificial 26-27 (UD06_1)

El problema de los principios

Los listados repiten: seguridad, responsabilidad, equidad, privacidad, transparencia, empleo…

  • Muchos valen para cualquier software
  • Varios son imposibles de medir

Mittelstadt (2019): hacen falta pautas aplicables por subcampo. Úsalo en el debate contra la autorregulación.

Modelos de Inteligencia Artificial 26-27 (UD06_1)

El futuro del trabajo

Dato Fuente
47 % del empleo en riesgo Frey y Osborne, 2017
Solo 5 % de ocupaciones automatizable del todo McKinsey
…pero 60 % automatiza ~30 % de tareas McKinsey
15 billones al PIB en 2030 PwC, 2017
Modelos de Inteligencia Artificial 26-27 (UD06_1)

Ojo con esas cifras

Frey y Osborne es anterior a los LLM.

Sus tres barreras a la automatización eran percepción, creatividad e inteligencia social.

Justo las que los LLM han empezado a erosionar. Fecha siempre el dato.

Modelos de Inteligencia Artificial 26-27 (UD06_1)

Lo que duele es el ritmo

Agricultura EE. UU.: del 40 % de la población activa en 1900 al 2 % en 2000.

Enorme… pero en cien años. Entre generaciones.

Hoy te automatizan el empleo, te recualificas, y te automatizan la nueva profesión.

Modelos de Inteligencia Artificial 26-27 (UD06_1)

Privacidad: no empieza en el RGPD

Constitución de 1978, art. 18.4: «la ley limitará el uso de la informática para garantizar el honor y la intimidad».

Norma Qué es
RGPD 2016/679 Toda la Unión
LOPDGDD 3/2018 España + derechos digitales
Modelos de Inteligencia Artificial 26-27 (UD06_1)

El RGPD aplicado a la IA

Principio En IA
Minimización Solo lo necesario, también el dataset
Limitación de la finalidad Entrenar es otra finalidad
Responsabilidad proactiva Hay que poder demostrarlo

No por tener más datos tienes derecho a usarlos.

Modelos de Inteligencia Artificial 26-27 (UD06_1)

LOPDGDD: plazos que hay que saber

Derecho Límite
Videovigilancia Borrar en 1 mes · judicial en < 72 h
Info. crediticia Máximo 5 años
Exclusión publicitaria Lista Robinson, obligatoria consultarla
Modelos de Inteligencia Artificial 26-27 (UD06_1)

LOPDGDD: derechos laborales y digitales

  • Desconexión digital, también en teletrabajo
  • Prohibido grabar en vestuarios, aseos y comedores
  • Geolocalizadores: hay que informar antes
  • Derecho al olvido en buscadores y redes

Son derechos con nombre y plazo, no principios genéricos.

Modelos de Inteligencia Artificial 26-27 (UD06_1)

El artículo que más te afectará

Art. 22 RGPD: derecho a no ser objeto de decisiones automatizadas sin intervención humana significativa.

  • ARSULIPO: acceso, rectificación, supresión, limitación, portabilidad, oposición
  • Sanciones: 20 M € o el 4 % de la facturación
Modelos de Inteligencia Artificial 26-27 (UD06_1)

Vigilancia: cambió el coste

1976 · Weizenbaum avisó de las escuchas generalizadas.

2018 · hasta 350 M de cámaras en China y 70 M en EE. UU.

Cuando vigilar a una persona más cuesta casi cero, la escala cambia de naturaleza.

Modelos de Inteligencia Artificial 26-27 (UD06_1)

Y esto te toca a ti

Los marcos deontológicos obligan al profesional, no solo a la empresa.

Hay que saber qué usos de la vigilancia son compatibles con los derechos humanos y negarse a los que no.

El art. 5 del AI Act prohíbe varios. No es opinión política: es ilegal.

Modelos de Inteligencia Artificial 26-27 (UD06_1)

AI Act: cuatro niveles de riesgo

Nivel Ejemplos
Inasumible Puntuación social · emociones en el trabajo
Alto riesgo RRHH, crédito, salud, justicia
Limitado Chatbots, deepfakes
Mínimo Videojuegos, filtros de spam
Modelos de Inteligencia Artificial 26-27 (UD06_1)

Qué obliga cada nivel

  • Inasumible → prohibido (art. 5)
  • Alto riesgo → gestión de riesgos, datos de calidad, documentación, supervisión humana, robustez
  • Limitadotransparencia (art. 50): decir que es una IA y marcar lo generado
  • Mínimo → nada específico
Modelos de Inteligencia Artificial 26-27 (UD06_1)

El calendario del AI Act

Fecha Qué entra
01/08/2024 Entrada en vigor
02/02/2025 Prohibiciones del art. 5
02/08/2025 Modelos de uso general
02/08/2026 Aplicación general
2027 · 2028 Alto riesgo: anexo III · anexo I
Modelos de Inteligencia Artificial 26-27 (UD06_1)

¿Y si el sistema causa un daño?

  • La PLD revisada (2024/2853) trata el software de IA como «producto», con responsabilidad objetiva del fabricante
  • La AILD, específica de IA, se retiró en 2025

La obra generada por IA solo se protege con control creativo humano.

Modelos de Inteligencia Artificial 26-27 (UD06_1)

Confianza: verificar y validar

  • Verificar = cumple la especificación
  • Validar = la especificación es la correcta

En IA hay que verificar además los datos, la equidad y que nadie influya en el modelo.

PwC 2017: el 76 % de las empresas frenaba la IA por dudas de fiabilidad.

Modelos de Inteligencia Artificial 26-27 (UD06_1)

Confianza: certificar

Precedente Qué es
UL (1894) Sello de electrodomésticos
ISO 26262 Seguridad del automóvil
IEEE P7001 Transparencia de sistemas autónomos

La IA aún no tiene un estándar maduro. El debate: quién certifica.

Modelos de Inteligencia Artificial 26-27 (UD06_1)

Interpretable ≠ explicable

Qué significa
Interpretable Inspeccionas el modelo y ves qué hace
Explicable Construyes un relato de lo que hace

La explicación la produce un segundo sistema que hay que mantener sincronizado. Y puede sonar bien sin ser cierta.

Modelos de Inteligencia Artificial 26-27 (UD06_1)

Una explicación no basta

Si el banco te dice «es por tu historial», no sabes si es verdad ni si te discrimina.

Para saberlo hace falta una auditoría de decisiones pasadas, con estadísticas por grupo demográfico.

Una explicación sobre un caso no dice nada de los demás.

Modelos de Inteligencia Artificial 26-27 (UD06_1)

La ley de la bandera roja

Walsh (2015): un sistema autónomo debe diseñarse para no confundirse con nada más, e identificarse al inicio.

Por la Locomotive Act británica de 1865: alguien con bandera roja delante del vehículo.

California lo hizo ley en 2019. En la UE es el art. 50.

Modelos de Inteligencia Artificial 26-27 (UD06_1)

Armas autónomas: la escalera

Sistema ¿Localiza? ¿Ataca solo?
Mina terrestre No Sí, muy limitado
Misil guiado Persigue Lo apunta un humano
Dron a distancia No No
Munición merodeadora , 6 h
Modelos de Inteligencia Artificial 26-27 (UD06_1)

Dónde está la línea

La ONU define arma letal autónoma: localiza, selecciona y ataca sin supervisión humana.

La línea está en localizar por iniciativa propia y decidir sin humano en el circuito.

Se las llama «la tercera revolución en la guerra», tras la pólvora y las nucleares.

Modelos de Inteligencia Artificial 26-27 (UD06_1)

La CCW exige tres cosas:

Requisito ¿Es factible hoy?
Discriminar combatientes Sí, en algunos casos
Juzgar la necesidad militar No
Evaluar la proporcionalidad No

Solo serían lícitas misiones muy restringidas.

Modelos de Inteligencia Artificial 26-27 (UD06_1)

El problema práctico

26 de septiembre de 1983 · el oficial soviético Stanislav Petrov vio una alerta de ataque con misiles. El protocolo mandaba contraatacar. Sospechó que era un error.

Tenía razón.

No sabemos qué habría pasado sin un humano en el circuito.

Modelos de Inteligencia Artificial 26-27 (UD06_1)

Armas de destrucción masiva escalables

  • La escala del ataque depende del hardware, no de los operadores
  • Un millón de cuadricópteros caben en un contenedor
  • Por ser autónomos, no necesitan un millón de supervisores
  • Dejan la propiedad intacta y pueden usarse selectivamente
Modelos de Inteligencia Artificial 26-27 (UD06_1)

Y se decide durante este curso

Cuándo Qué
2/12/2024 ONU: 166 a favor, 3 en contra
Hoy +120 países quieren tratado
Nov. 2026 Informe del GGE a la CCW

Bloquean, por consenso: India, Israel, Rusia y EE. UU.

Modelos de Inteligencia Artificial 26-27 (UD06_1)

Security by design

La seguridad no se añade al final: diseño, desarrollo, despliegue y operación.

Marcos de referencia:

  • NCSC/CISA (2023)
  • NIST AI 100-2e2023
  • OWASP ML Top 10 y GenAI LLM Top 10
Modelos de Inteligencia Artificial 26-27 (UD06_1)

Los cinco ataques

Ataque Qué hace
Adversarial Entrada imperceptible que engaña
Envenenamiento Adultera el entrenamiento
Extracción Replica el modelo por consultas
Fuga de datos Devuelve datos personales
Prompt injection Salta los controles
Modelos de Inteligencia Artificial 26-27 (UD06_1)

Correcto no es seguro

Correcto = implementa la especificación.

Seguro = la especificación consideró los modos de fallo y el sistema degrada con elegancia.

¿Y si se corta la alimentación del ordenador principal? ¿Y si revienta un neumático a 120?

Modelos de Inteligencia Artificial 26-27 (UD06_1)

FMEA y FTA

Técnica Cómo va Qué produce
FMEA Componente a componente Fallo, efecto y mitigación
FTA Árbol Y/O con probabilidades Probabilidad global de fallo

Son de la ingeniería de puentes y aviones. En Tempe habrían escrito las cinco mitigaciones.

Modelos de Inteligencia Artificial 26-27 (UD06_1)

Specification gaming

Agentes que maximizan la métrica sin resolver el problema (Krakovna, 2018):

  • Pausan la partida cuando van a perder
  • Al penalizarlo, agotan la memoria en el turno del rival
  • Criaturas «rápidas» que salieron altísimas y se caen
Modelos de Inteligencia Artificial 26-27 (UD06_1)

El problema del rey Midas

Un maximizador te da exactamente lo que pediste, no lo que querías.

Escribir «todas las reglas» no funciona: llevamos siglos con las leyes fiscales.

Mejor que el sistema quiera el objetivo correcto que obligarlo a cumplir una lista.

Modelos de Inteligencia Artificial 26-27 (UD06_1)

Security ≠ safety

Amenaza
Security Un atacante: manipula, envenena, roba
Safety Tu diseño: fallo previsible u objetivo mal puesto

El criterio lo dice literal: previsibles errores y ataques. Las dos cosas son RA6-d.

Modelos de Inteligencia Artificial 26-27 (UD06_1)

Privacy by design

Art. 25 RGPD: privacidad desde el diseño y por defecto.

Estrategias de la AEPD:

  • Minimizar · recoger solo lo necesario
  • Abstraer · resumir y agregar
  • Separar · datos e identificadores aparte
  • Ocultar · seudonimizar y cifrar
Modelos de Inteligencia Artificial 26-27 (UD06_1)

Desidentificar no basta

  • Sweeney (2000): con fecha de nacimiento, sexo y código postal se reidentifica al 87 % de la población de EE. UU.
  • Premio Netflix: reidentificado cruzando fechas de valoraciones con IMDb

Sweeney reidentificó el historial médico del gobernador de su estado.

Modelos de Inteligencia Artificial 26-27 (UD06_1)

La escalera de técnicas

Técnica Deja pasar
Generalizar campos Combinaciones raras
k-anonimato Atacante con datos externos
Consultas agregadas Consultas múltiples
Privacidad diferencial (gasta presupuesto)
Modelos de Inteligencia Artificial 26-27 (UD06_1)

Aprendizaje federado

No hay base de datos central: cada usuario entrena en local y comparte solo parámetros.

Con agregación segura, cada uno enmascara sus valores y las máscaras suman cero: el servidor solo obtiene la media.

Viajan parámetros. No viajan datos.

Modelos de Inteligencia Artificial 26-27 (UD06_1)

De dónde vienen los sesgos

  • Datos históricos: el ML está diseñado para replicarlos
  • Sesgo de selección y datos faltantes
  • Objetivos que minimizan el error agregado
  • Variables proxy: código postal, ocupación, nombre
  • El propio equipo: ves antes lo que te afecta
Modelos de Inteligencia Artificial 26-27 (UD06_1)

Y basta el tamaño de la muestra

Aunque no haya ningún prejuicio social: hay menos ejemplos de las clases minoritarias, y más datos significa más precisión.

Un modelo restringido puede minimizar el error medio ajustando solo a la mayoría.

El sesgo no necesita mala intención. Necesita descuido.

Modelos de Inteligencia Artificial 26-27 (UD06_1)

«Justo» significa seis cosas

Definición Su problema
Justicia individual Nada sobre agregados
Equidad de grupo No garantiza la individual
Por desconocimiento No funciona
Igual resultado Rechaza a gente cualificada
Igualdad de oportunidades Ignora el sesgo social
Igual impacto Costes difíciles de calcular
Modelos de Inteligencia Artificial 26-27 (UD06_1)

Quitar la variable no funciona

Si borras «género» del conjunto, el modelo lo predice desde el código postal, la ocupación o el texto libre.

Y encima pierdes la capacidad de auditar si discriminas.

Es la «equidad por desconocimiento». Suena bien y no sirve.

Modelos de Inteligencia Artificial 26-27 (UD06_1)

COMPAS: las dos verdades

Criterio Resultado
Calibración La cumple: con 7/10 reincide el 60 % de blancos y el 61 % de negros
Igualdad de oportunidades No: falsos positivos 44,9 % vs 23,5 %
Modelos de Inteligencia Artificial 26-27 (UD06_1)

Y no se pueden tener las dos

Kleinberg et al. (2016): con tasas base distintas, cumplir la calibración y la igualdad de oportunidades es matemáticamente imposible.

ProPublica y Northpointe tenían razón los dos. La discusión no era estadística: era normativa.

Modelos de Inteligencia Artificial 26-27 (UD06_1)

Tres problemas sin arreglo técnico

  1. No hay verdad de referencia: los datos dicen quién fue condenado
  2. Sirve de coartada: «el modelo respalda mi decisión»
  3. La opacidad choca con el derecho de defensa → caso Estado contra Loomis
Modelos de Inteligencia Artificial 26-27 (UD06_1)

A veces lo que cambia es el objetivo

En una selección de personal, «los mejores expedientes» premia a quien tuvo mejores oportunidades: el modelo refuerza las fronteras de clase.

Si el objetivo pasa a ser «mejor capacidad de aprender en el puesto», el grupo se amplía.

Tras un año de formación, rinden igual.

Modelos de Inteligencia Artificial 26-27 (UD06_1)

La variable proxy perfecta

Obermeyer et al., Science 2019. El algoritmo no usaba la raza: usaba el coste sanitario como aproximación de la necesidad de salud.

Se gasta menos en pacientes negros → menos riesgo estando igual de enfermos.

Modelos de Inteligencia Artificial 26-27 (UD06_1)

Y el efecto, medido

Pacientes negros derivados
Con el sesgo 17,7 %
Corregido 46,5 %

Nadie programó nada racista. Se eligió un proxy cómodo para algo que no se sabía medir. Es el sesgo que más te vas a encontrar.

Modelos de Inteligencia Artificial 26-27 (UD06_1)

La paradoja de Simpson · Berkeley 1973

Grupo Solicitantes Admisión
Hombres 8.442 44,2 %
Mujeres 4.321 34,6 %

Parecía discriminación clara.

Modelos de Inteligencia Artificial 26-27 (UD06_1)

Pero por departamento, desaparece

En los 101 departamentos la diferencia deja de ser significativa, y en la mayoría la tasa femenina es igual o superior.

Las mujeres solicitaban más los departamentos más competitivos.

El sesgo estaba antes del comité. Si solo mides la métrica global, no ves nada.

Modelos de Inteligencia Artificial 26-27 (UD06_1)

Lo que sale al ejecutarlo

UCI Adult. Tasas base: 0,1093 mujeres vs 0,3038 hombres.

Métrica Sin mitigar eq_odds dem_parity
Exactitud 0,8753 0,8611 0,8528
Igualdad oport. 0,0731 0,0014 0,3457
Paridad demog. 0,1687 0,0950 0,0091
Modelos de Inteligencia Artificial 26-27 (UD06_1)

Arreglar una rompe la otra

No existe el botón «hazlo justo».

Existe elegir qué justicia quieres, documentarlo y decir a quién perjudica.

Y el precio se paga en exactitud: 1,4 puntos con equalized_odds, 2,3 con demographic_parity.

Modelos de Inteligencia Artificial 26-27 (UD06_1)

La métrica global no ve nada

Grupo Exactitud Tasa de selección
Mujeres 0,9358 0,0850
Hombres 0,8453 0,2538

«Acierta más» con las mujeres porque solo el 10,93 % son positivas: decir «no» ya acierta.

Modelos de Inteligencia Artificial 26-27 (UD06_1)

Un solo atributo no es una auditoría

Con race en vez de sex, el mismo modelo:

  • Igualdad de oportunidades 0,2337 — más del triple
  • Tras mitigar, solo baja a 0,0973, no a 0,0014

Cinco grupos en vez de dos. Auditar un solo atributo protegido no es auditar.

Modelos de Inteligencia Artificial 26-27 (UD06_1)

La paradoja de los sesgos

Para detectar el sesgo de género hace falta tratar el dato… que la minimización manda no tratar.

Salidas: proxies, entornos controlados, o tratarlo solo para auditar con base legal y plazo.

Modelos de Inteligencia Artificial 26-27 (UD06_1)

Ley 15/2022

Las administraciones deben favorecer algoritmos que minimicen sesgos, y se puede invertir la carga de la prueba.

Si no puedes demostrar que tu sistema no discrimina, a efectos legales es como si discriminara.

Modelos de Inteligencia Artificial 26-27 (UD06_1)

Los dos debates

Debate 1 Debate 2
Tema Límites éticos El algoritmo contra el crimen
Sesión 2 4
Roles 10 + observadores 9 + observadores

Se sortean en clase. Cada uno recibe solo su ficha.

Modelos de Inteligencia Artificial 26-27 (UD06_1)

Cómo se juega un debate

  • El documental se ve antes, en casa
  • Se argumenta desde el rol, aunque no lo compartas
  • 2 minutos por intervención inicial
  • Se atacan posturas, nunca personas

El objetivo no es ganar: es entender cómo los intereses condicionan la postura.

Modelos de Inteligencia Artificial 26-27 (UD06_1)

Puntos clave

  • Los riesgos de la IA no son hipotéticos: Google Photos, Uber en Tempe, COMPAS. Depurar IA no es depurar software.
  • Los marcos deontológicos coinciden en los principios; el problema es bajarlos a decisiones concretas.
  • El RGPD y la LOPDGDD ya obligan; el AI Act añade cuatro niveles de riesgo con calendario escalonado.
  • Security by design protege de errores y de ataques; privacy by design no se resuelve desidentificando.
  • «Justo» significa seis cosas distintas, y son matemáticamente incompatibles (Kleinberg).
  • Una métrica global no ve el sesgo: hay que auditar por grupos, y con más de un atributo.
Modelos de Inteligencia Artificial 26-27 (UD06_1)

Las cuatro sesiones

Sesión Contenido CE
1 Riesgos, deontología y principios; el futuro del trabajo. Preparación del debate 1 y sorteo de roles a
2 Debate 1 · Límites éticos de la IA a, c
3 Normativa como lectura guiada: RGPD, LOPDGDD, AI Act, security y privacy by design. Taller de sesgos b, c, d, e
4 Debate 2 · El algoritmo contra el crimen, con COMPAS y Simpson. Cierre f

Los documentales se ven fuera de clase; la reflexión escrita es trabajo personal.

Modelos de Inteligencia Artificial 26-27 (UD06_1)

¿Y ahora?

  1. Ve el documental del Debate 1
  2. Haz los talleres y el notebook
  3. Prepara los ejercicios marcados 🗣️
  4. Cambia la restricción en Fairlearn y mira qué se rompe

Con esto se cierran los contenidos. Lo que viene es el proyecto (RA7).

Cada uno de estos seis bloques se corresponde uno a uno con un criterio de evaluación del RA6, de la a a la f, en el mismo orden en que aparecen aquí.

El tramo de 6 horas se extiende del 15 de marzo al 23 de abril, fragmentado por las fiestas de Fallas y Pascua. Es la última unidad de contenidos del módulo y la que menos carga de laboratorio tiene, por eso se evalúa con debates en vez de con prácticas.

El anexo I del RD 279/2021 recoge cinco contenidos oficiales para estos seis criterios de evaluación: los CE d (security by design) y e (privacy by design) no tienen contenido propio en el currículo, y es el centro quien los desarrolla, según el art. 3.3 del Decreto 95/2026.

La exigencia de aprobar cada RA con nota igual o superior a 5 viene del art. 5.1 de la Orden 8/2025, que vincula la calificación del módulo a la consecución de los RA, y de las Instrucciones 26-27, que impiden calificar positivamente un módulo con algún RA no superado.

La misma rúbrica se aplica a quien tenga el papel de Observador Crítico: en ese caso, el criterio de dominio del rol se lee como coherencia de la postura personal defendida, no como fidelidad a un personaje.

COMPAS es un sistema comercial de puntuación de riesgo de reincidencia penal usado por jueces en EE. UU. Gender Shades es el estudio de Buolamwini y Gebru (MIT Media Lab, 2018) sobre reconocimiento facial. El caso de Amazon era un cribado automático de currículos que penalizaba términos como «women's chess club captain», y el proyecto se canceló.

Quien detectó el fallo fue el ingeniero informático Jacky Alciné, al ver que el sistema etiquetaba a varios de sus amigos negros como gorilas.

La peatona cruzaba por una zona señalizada como prohibida para peatones, con poca visibilidad, y empujaba un objeto metálico que pudo dificultar la detección. Uber suspendió las pruebas tras el accidente y las reanudó el 20 de diciembre de 2018 alegando que sus coches ya eran más seguros que los conducidos por humanos.

El riesgo característico también cambia: en el software clásico suele ser una excepción no capturada, mientras que en el aprendizaje automático es un sesgo sistemático que nadie llega a medir.

ACM son las siglas de Association for Computing Machinery. IEEE EAD significa Ethically Aligned Design, y está ligado al estándar IEEE 7000 sobre consideraciones sociales en el diseño. Las directrices de la UE de 2019 se llaman oficialmente «Directrices éticas para una IA fiable».

El primer listado de este tipo lo publicó en 2010 el Consejo de Investigación en Ingeniería y Ciencias Físicas del Reino Unido, con sus «Principios de la Robótica»; desde entonces decenas de organismos han repetido listas parecidas.

IBM calculaba en 2019 que 120 millones de trabajadores necesitarían recualificarse para 2022, y Oxford Economics estimaba 20 millones de empleos industriales perdidos para 2030.

El contraejemplo clásico son los cajeros automáticos: abarataron la sucursal bancaria, así que aumentó el número de sucursales y de empleados, con trabajo menos rutinario.

LOPDGDD son las siglas de Ley Orgánica de Protección de Datos Personales y garantía de los Derechos Digitales.

Estos tres principios proceden del art. 5 del RGPD, que en total enumera siete: incluye también licitud, exactitud, limitación del plazo de conservación e integridad y confidencialidad.

La Lista Robinson la gestiona la asociación Adigital, y la inscripción en ella es gratuita.

Estas sanciones proceden del art. 83 del RGPD, reservado a las infracciones más graves.

Varios países han empezado además a exportar esta tecnología de vigilancia a países con menos capacidad técnica propia, algunos con antecedentes de maltrato a sus ciudadanos y de señalamiento de comunidades marginadas.

El aprendizaje automático sirve a los dos bandos en ciberseguridad: los atacantes lo usan para automatizar el phishing y la detección de vulnerabilidades, y los defensores para detectar tráfico anómalo y fraude.

El nivel inasumible también prohíbe la manipulación subliminal y la categorización biométrica por características sensibles. El alto riesgo incluye además sistemas de educación e infraestructuras críticas.

Los sistemas de alto riesgo del anexo III entran en vigor el 2 de diciembre de 2027, y los del anexo I el 2 de agosto de 2028.

AILD son las siglas de Artificial Intelligence Liability Directive, la propuesta específica de responsabilidad civil de la IA que se retiró. El AI Act obliga además a los proveedores de modelos de uso general a publicar resúmenes de los contenidos protegidos usados en el entrenamiento.

UL son las siglas de Underwriters Laboratories, fundada en 1894 cuando los consumidores desconfiaban de la electricidad doméstica.

A un sistema capaz de explicarse se le llama IA explicable, o XAI por sus siglas en inglés.

Las minas terrestres están prohibidas por el Tratado de Ottawa. La munición merodeadora citada es del tipo Harop; existen además cuadricópteros armados tipo Kargu, capaces de portar hasta 1,5 kg de explosivo y perseguir objetivos móviles con reconocimiento facial.

CCW son las siglas de la Convención sobre Ciertas Armas Convencionales.

Los tres votos en contra en la ONU fueron de Bielorrusia, Corea del Norte y Rusia; hubo además 15 abstenciones.

NCSC son las siglas de National Cyber Security Centre, del Reino Unido, y CISA las de Cybersecurity and Infrastructure Security Agency, de EE. UU. El ciclo de vida seguro completo se conoce como SAiDLC.

El ejemplo clásico de adversarial example es el panda de Goodfellow (2014), clasificado como gibón con una perturbación imperceptible. El chatbot Tay de Microsoft aprendió lenguaje ofensivo en un solo día por envenenamiento de datos, y la lógica de ChatGPT-3.5-Turbo se llegó a clonar por unos 50 USD mediante extracción por consultas.

Aplicado a Tempe, un FMEA habría recorrido sensores, clasificador, planificador, supervisión humana e interfaz, con una mitigación para cada uno: redundancia de sensores, una clase «objeto desconocido» que fuerce el frenado, alarma sonora y detección de la atención del conductor.

Estos ejemplos motivaron los entornos AI Safety Gridworlds, de Leike et al. (2017), pensados para probar este problema antes de desplegar un sistema.

El cruce que reidentificó a los usuarios del Premio Netflix lo hicieron los investigadores Narayanan y Shmatikov, en 2006.

El «gasto de presupuesto» de la privacidad diferencial significa que cuantas más consultas se hacen a los datos, más ruido hay que añadir a las respuestas para mantener la garantía.

La técnica de agregación segura la formalizaron Bonawitz et al. en 2017.

Bolukbasi (2016) mostró que los embeddings de lenguaje aprenden asociaciones como hombre:programador :: mujer:ama de casa: el aprendizaje automático no solo refleja los estereotipos de los datos, los amplifica.

Las técnicas de sobremuestreo SMOTE y ADASYN mitigan precisamente esta disparidad de tamaño de muestra entre clases minoritarias y mayoritarias.

Northpointe es la empresa que desarrolló y comercializa COMPAS; fue ProPublica quien denunció el sesgo, en 2016.

El caso Estado contra Loomis lo resolvió el Tribunal Supremo de Wisconsin: no anuló la condena, pero emitió advertencias sobre la precisión del algoritmo y los riesgos para los acusados de minorías.

El análisis por departamento que reveló la paradoja lo publicaron Bickel, Hammel y O'Connell en la revista Science, en 1975.

El conjunto UCI Adult tiene 48.842 filas y predice si una persona gana más de 50.000 dólares al año a partir de datos demográficos y laborales.

El documental de partida del Debate 1 es «Límites éticos para la Inteligencia Artificial»; el del Debate 2, «El algoritmo contra el crimen», solo se distribuye a través de Moodle.