Envíe este artículo por correo electrónico 
Ocultar
Mostrar todos
Doctor en Filosofía por la Universidad Iberoamericana de la Ciudad de México.
Actualmente adscrito en la Universidad Autónoma de Nuevo León donde es líder
del cuerpo académico Democracia y Sustentabilidad. Miembro del SNI, nivel 2.
Sus líneas de investigación son: democracia líquida, democracia electrónica
y la eclosión de la tecnología digital contemporánea. Entre sus
publicaciones recientes destaca: Aguirre Sala, J. F. (2021).
Tomando como punto de partida el ejemplificar y reconocer los impactos, riesgos y
daños causados por algunos sistemas de inteligencia artificial, y bajo el
argumento de que la ética de la inteligencia artificial y su marco jurídico
actual son insuficientes, el primer objetivo de este trabajo es analizar los
modelos y prácticas evaluativas de los impactos algorítmicos para estimar cuáles
son los más deseables. Como segundo objetivo se busca mostrar qué elementos
deben poseer las evaluaciones de impacto algorítmico. La base teórica para el
análisis de modelos, tomada de
A pesar de que la inteligencia artificial facilita el manejo de muchos datos
(
Para lograr este objetivo se requiere, por una parte, el reconocimiento de la transversalidad de los impactos, riesgos y daños, y por la otra, analizar los modelos y considerar las mejores prácticas de evaluación. Con esto en consideración, las preguntas eje de la indagatoria son: ¿cuáles son los modelos y prácticas evaluativas más deseables de los impactos, riesgos y daños que provoca el uso de la inteligencia artificial?, y ¿qué elementos deben poseer las evaluaciones de impacto algorítmico?
Para dar notoriedad a la relevancia de las evaluaciones de la inteligencia artificial es útil comprender dos puntos de partida: la naturaleza y proceder de la inteligencia artificial y los diversos impactos, riesgos y daños de esta. Ambos aspectos se desarrollarán en estos párrafos introductorios para más adelante dar pauta al análisis de los modelos, la revisión de las buenas prácticas más reconocidas y, finalmente, en las conclusiones reflexionar sobre las respuestas a las interrogantes de investigación, además de aportar algunas propuestas complementarias.
La inteligencia artificial es definida por el grupo de expertos de la Organización de
las Naciones Unidas para la Educación, la Ciencias y la Cultura (UNESCO) como:
“sistemas capaces de procesar datos e información de una manera que se asemeja a un
comportamiento inteligente, y abarca generalmente aspectos de razonamiento,
aprendizaje, percepción, predicción, planificación o control” (
De este concepto es importante destacar los aspectos de aprendizaje (por el
autoaprendizaje de los sistemas tecnológicos,
En relación al procedimiento de los algoritmos, cabe destacar que el aprendizaje y las nuevas conclusiones que obtienen los sistemas de información tecnológica pueden ser supervisados o no supervisados. En los casos no supervisados, los algoritmos obtienen los nuevos datos a raíz de los primeros resultados de inferencias preliminares, sobre todo de aquellos que no fueron etiquetados.
Un ejemplo común se ilustra en el llamado correo electrónico no deseado o basura (en
inglés
Recapitulando, los sistemas de inteligencia artificial reciben los datos, los
procesan bajo un esquema, programa o sistema y proporcionan una salida o respuesta
de información, no obstante, cuando las primeras salidas vuelven a ser procesadas
por nuevos esquemas autogestionados desde la experiencia anterior, se producen una
cantidad indeterminada de capas ocultas con representaciones, correlaciones y
abstracciones cada vez más complejas. Es en este punto que se inicia el aprendizaje
profundo (en inglés
El proceso y las nuevas capas que se van creando son difíciles de rastrear, hasta el
punto de que “en entornos de aprendizaje profundo, incluso los desarrolladores
podrían no ser capaces de ‘comprender’ el razonamiento detrás de cierta producción”
(
En lo atingente a los impactos, riesgos y daños de la inteligencia artificial se han
identificado seis áreas de vulnerabilidad: los riesgos de la seguridad ciudadana;
los riesgos de violaciones a los derechos fundamentales; la carencia de
procedimientos y recursos por parte de las autoridades para garantizar el
cumplimiento de las normativas; la incertidumbre legal que disuade a las empresas
para desarrollar sistemas de inteligencia artificial; la desconfianza en la
inteligencia artificial, nacida de la probable reducción de la competitividad global
para empresas y gobiernos; y las incoherencias jurídicas entre naciones que causan
obstáculos para un mercado único transfronterizo y amenazan la soberanía digital de
cualquier nación (
En resumen, la vulnerabilidad se encuentra en que lo prohibido en un país se promueve en otro, en que aquello que puede ser obligatorio para las autoridades de una nación, en otra puede tenerse como delito. Ejemplo de esto puede observarse en la prohibición de la plataforma de Uber en Colombia por razones de la libre competencia comercial, situación que no se aceptaría en el mercado liberal de Estados Unidos de América. Un segundo caso es lo ocurrido con Corona-Warn-App, que toma datos desde los dispositivos móviles con el objetivo de controlar las cadenas de contagio por covid-19, su uso fue obligatorio en China y Corea, mientras en Alemania está prohibido.
En busca de categorizar el contenido de las áreas vulnerables, se propone identificar los efectos algorítmicos en impactos, riesgos y daños, que pueden ubicarse en cualquiera de las seis áreas vulnerables y en más de un dominio. Los impactos pueden ejemplificarse con sistemas de inteligencia artificial situados o no situados en robots.
Un caso situado es el robot ASIMO (por sus siglas en inglés Advanced Step in
Innovative Mobility) creado por Honda en el año 2000 y perfeccionado hasta la
versión 2011. La empresa lo describe como “una máquina autónoma con la capacidad de
tomar decisiones y hacer cambios en su comportamiento de acuerdo con el entorno en
el que esté” (
Un caso paradigmático de los resultados de la inteligencia artificial no situada es
el programa
De forma paralela, los impactos pueden llegar a ser riesgos. Por ejemplo, los
dispositivos digitales portátiles, como relojes con sensores biométricos (oxímetro,
cuenta pasos, cuantificadores de ingesta o quema de calorías, frecuencias cardíacas,
etcétera), los dispositivos de programación deportiva (como los de Fitbit y Nike) y
los rastreadores GPS, han controlado las vidas de la mayoría de sus consumidores sin
importar que pueden arrojan resultados con falsos positivos y negativos (
Negar prestaciones sociales o médicas cuando se tienen necesidades y derechos a las mismas u otorgarlas cuando no hay derecho a recibirlas son errores que laceran la calidad de la administración pública y el Estado de Derecho, pauperizan los recursos sociales y aumentan las desigualdades y la exclusión. Los riesgos pueden llegar no solo a la vulneración de derechos, sino también a causar daños, algunos que pueden ser mitigados y otros que son definitivos.
Por mencionar algunos, entre los daños mitigables se encuentra la interacción de un
usuario con un
Los riesgos y daños presentes en las decisiones arrojadas por la inteligencia
artificial tienen una base discriminatoria. Según
La construcción inadecuada de conjuntos de datos y etiquetado
(
Esto puede observarse en la variable “raza” que se ha operativizado en varias
ciudades de los Estados Unidos de América, al grado que algunas prácticas policiales
fueron denunciadas por detenciones ilegales de personas de color o con rasgos
latinos cuando los sistemas de inteligencia artificial se utilizaron para la
identificación facial, de la voz o de la manera de caminar (
Otros casos discriminatorios están asociados a la correlación de la solvencia
económica en el caso de hipotecas, a la longevidad, en cuanto a seguros médicos y de
vida, o a variables como “código postal-sexo-edad”, en relación con los costos de
seguros de automóviles.
Los impactos, riesgos y daños pueden evaluarse con diversos modelos dependiendo de
los enfoques. En un primer conjunto, el enfoque se concentra en la ética, la
legalidad y la cultura. Algunas organizaciones y gobiernos procuran establecer
códigos de ética sobre la inteligencia artificial; el gobierno chino ha promovido
uno de los códigos más recientes en esta materia (
Empero, estos códigos no son vinculantes ni persuasivos para todas las audiencias, y
la ética de la inteligencia artificial (rama de la ética enfocada en la existencia
de robots inteligentes o cualquier tipo de inteligencia artificial) es solo para
quién desee adoptarla (
Como puede observarse, el modelo de la legalidad está fragmentado y posee
inconsistencias por la variedad de legislaciones internacionales. Esto no se limita
a lo obligatorio en un país y lo prohibido en otro, sino también al disímil alcance
de los derechos de autor de los desarrolladores de inteligencia artificial en
distintas jurisdicciones. La Unión Europea (
El modelo de la cultura presenta más fragmentación que el de la legalidad por la
diversa geolocalización del mundo digital en Oceanía, Asia, Europa, África y
América. No obstante, dentro de la cultura digital, una figura líder sigue siendo
Tim Berners Lee (el creador de la
Este esfuerzo de Berners Lee es una muestra de la gravedad del estado de la cuestión,
preocupación que continuo la
Desde los daños colectivos pueden ejemplificarse las recomendaciones “personalizadas”
de productos ofrecidos por empresas como Uber, Airbnb, Amazon, Netflix, YouTube y un
largo etcétera. El uso de algoritmos en las recomendaciones segmenta a los usuarios
y provoca la fragmentación social, erosionando la cohesión comunitaria y la
solidaridad (
Por su parte, los modelos de diagnóstico pueden proceder desde las detecciones en las fases de desarrollo del sistema hasta en los ajustes por el aprendizaje autónomo. Lamentablemente estos modelos operan una vez que el daño se ha causado (aunque se den en la fase inicial de desarrollo).
Como muestra de esto, los automóviles autodirigidos (
En este caso, en su programación el sistema tiene responsabilidad, autoaprendizaje y adaptación, características que pueden llevar a conflictos frente a ideas como la de no involucrar en riesgos a terceros ajenos, donde es una posibilidad que la autoconducción termine sacrificando a varios tripulantes por evitar arrollar a un ratón.
El modelo de evaluación por asignación de amenazas es parcialmente homologable al del riesgo y responsabilidades que se analizara adelante. En este punto, cabe cuestionar sobre quiénes asignan las amenazas y a quiénes les son asignadas. Sin duda hay una dialéctica entre los intereses de los agentes usuarios (por ejemplo, las compañías o instituciones gubernamentales que utilizan plataformas para realizar sus servicios) y los intereses de los consumidores finales o ciudadanos, que son más propensos a percibirse como víctimas. La asignación de la responsabilidad es debatible cuando solo se puede actuar con las plataformas algorítmicas y estas se respaldan con las innegociables declaraciones que terminan en la consabida coerción del “acepto los términos de uso”.
El Consejo de Europa, a través del estudio realizado por
En este modelo pueden existir varias capas de responsabilidad: una primera la ocupan los clientes o financiadores que encargan la construcción de un sistema a diseñadores y desarrolladores; la segunda capa corresponde a estos últimos junto con los operadores y los programadores; una tercera capa podría asignarse a los sistemas mismos, por su capacidad autónoma de autoaprendizaje; y se suman las capas finales de los usuarios y los consumidores.
En contraste con el anterior, el segundo modelo se fundamenta en el riesgo. Este resulta preventivo, desea evitar la negligencia al indagar los posibles riesgos en usuarios y consumidores durante toda la vida del sistema. Sin embargo, la totalidad de los posibles peligros no son previsibles debido a la capacidad de autoaprendizaje y autonomía de programación de los sistemas avanzados.
Por lo tanto, se hacen necesarias las evaluaciones de impacto algorítmico con capacidad diferenciada a lo largo de la vida de un sistema, incluyendo las fases de errores, experimentación, entradas y salidas con información inusual, así como la capa de autoaprendizaje.
Este modelo basado en el riesgo pone en cuestión la responsabilidad de los diferentes actores. Financiadores, diseñadores y desarrolladores deberían quedar exentos de responsabilidad cuando los usuarios utilizan los sistemas para propósitos distintos a los ofrecidos o realizan acciones que van más allá de las intenciones originales. No pueden equipararse las responsabilidades adjudicadas al diseño con las del autoaprendizaje o del uso negligente o mal intencionado del consumidor final.
El tercer modelo corresponde a la responsabilidad legal, esta acontece por déficits y defectos de los sistemas. Por mencionar un ejemplo, cuando en las decisiones automatizadas del autoaprendizaje tardío un sistema pone en manos de humanos la decisión o ejecución final con dilación (el control de un vehículo autodirigido, el traslado a una prisión de baja seguridad de un preso de alta peligrosidad, etcétera).
La responsabilidad legal, como cualquier tipificación de delito, puede anticiparse a
los daños y la transgresión a los derechos y, debido a la novedad de las
aplicaciones de inteligencia artificial, requiere ser detectada con evaluaciones de
impacto. Los casos arriba señalados sobre la discriminación laboral de Amazon, la
marginación racial de Google, la arbitrariedad de los contratos personalizados con
cadenas de bloques (
El cuarto modelo corresponde al seguro obligatorio y se enfoca en la compensación en vez de concentrarse en la previsión o la prevención. Instaurar los seguros obligatorios con cargo a los usuarios o consumidores finales de sistemas de inteligencia artificial no siempre podría resultar satisfactorio, ni por los costos de las pólizas ni por los montos de las compensaciones e indemnizaciones.
Los intereses económicos y de poder que presentan resistencias a los modelos de la
responsabilidad legal y seguro obligatorio son notorios: oficialmente la Unión
Europea y el gobierno de norteamericano tienen muy presente la mitigación de costos
y regulaciones para evitar restricciones de competitividad en aras de proteger sus
propios liderazgos.
Por otra parte, la responsabilidad algorítmica se disuelve cuando desaparecen los
corporativos que construyeron los programas de inteligencia artificial o cambian su
identidad mercantil. Para evitar este vacío, y la impunidad que genera, en algunos
países se promueve tener a un responsable al alcance fijado por medio de la
asignación de personalidad jurídica a los programas de inteligencia artificial
situados (esto en el caso de los robots) (
Ante el modelo preventivo del riesgo, las propuestas enfocadas a fincar responsabilidades, hallar agentes culpables o negligentes y contar con seguros obligatorios son menos deseables. Por muy generosa que fuese la indemnización de un accidente aéreo debido a la culpa del algoritmo en la torre de control o en la aeronave, la pérdida evitable de vidas humanas será en muchos sentidos irreparable.
Puede afirmarse que el modelo evaluativo sobre el riesgo resulta óptimo por su capacidad preventiva y su amplitud a lo largo de la vida de los sistemas, así como por la evaluación de los procesos de autoaprendizaje y por evitar costos reparatorios gracias a las acciones de autocorrección e inclusive de prohibición. En síntesis, los entornos comerciales, jurídicos y técnicos en los que emergen la inteligencia artificial y los algoritmos han provocado la inoperancia de principios éticos como la transparencia, la explicabilidad, la exactitud, la auditabilidad, la rendición de cuentas y la co-construcción.
En consecuencia, se fortalecen las razones para establecer evaluaciones de impacto
algorítmico que auxilien los fundamentos de los juicios éticos, las sentencias
jurídicas y las resoluciones por responsabilidad. Como señala la directora
responsable de PricewaterhouseCoopers International Limited (PwCIL) en los Estados
Unidos de América, para la inteligencia artificial “académicos, organizaciones no
gubernamentales (ONG) y algunos formuladores de políticas recomiendan la adopción de
Evaluaciones de Impacto algorítmicas” (
Las evaluaciones de impacto algorítmico distan de ser homologables y uniformes. El
Observatorio de Inteligencia Artificial de la Organización para la Cooperación y el
Desarrollo Económicos (OCDE), en su misión de “realizar una evaluación de impacto y
prospectiva tecnológica sobre la IA” (
Según los diversos observatorios y revisiones, destacan como buenas prácticas en la
administración y gestión pública las de los gobiernos de Australia, Canadá, Estados
Unidos de América, Japón, Nueva Zelanda, Reino Unido y Singapur (
Con la posible desventaja de marginar algún caso meritorio, en la
Fuente: elaboración propia a partir de
Australia
Automated Decision-Making: Better Practice
Guide
Cualitativo
Medio: bienestar humano, social y ambiental,
equidad, transparencia, explicabilidad
Uso de datos en servicios gubernamentales
Canadá
Directive on Automated Decision Making
Cualitativo y Cuantitativo
Muy alto: transparencia, rendición de cuentas y
responsabilidad
Decisiones administrativas de servicios
gubernamentales en todas las áreas
Estados Unidos de América (California)
California State Bill No. 10
Cualitativo
Medio: custodia del Estado sobre criminales
Derechos humanos
Japón
AI Utilization Guidelines
Cualitativo
Medio: humanismo, educación, privacidad, seguridad,
equidad, transparencia, rendición de cuentas, innovación
Legalidad en decisiones gubernamentales
Nueva Zelanda
Government algorithm transparency and
accountability
Cualitativo
Alto: transparencia y rendición cuentas
Privacidad y uso eficiente de datos
Reino Unido
Draft AI Auditing Framework and Guidelines For AI
Procurement
Cualitativo
Alto: gobernanza y rendición de cuentas; precisión
y seguridad
Ética y seguridad
Singapur
Advisory Council on the Ethical Use of AI and
Data
Cualitativo
Medio: gobernanza
Ética, comunicación, empresas
Con la pretensión de omitir sesgos, al analizar las prácticas de la
Además, el instrumento canadiense obtiene puntuaciones de impacto bruto y de mitigación, es decir, es un instrumento que toma las opiniones cualitativas de expertos y del foro de involucrados en cada caso, a la vez que les asigna puntuaciones ponderadas para establecer con mayor objetividad el nivel alcanzado de intervención algorítmica según los criterios de evaluación.
En México, la Secretaría de la Función Pública desarrolló un instrumento derivado del
canadiense que considera los siguientes dominios: derechos humanos, equidad y
bienestar social, transparencia, responsabilidad y obligaciones (
Tras el análisis de las mejores prácticas de evaluación de impacto algorítmico se deducen los elementos que toda evaluación debería poseer. En primer lugar, en congruencia con las observaciones realizadas a los modelos de evaluación, deben contener las fuentes de previsibilidad, riesgo y negligencia. En segundo lugar, han de considerar los ámbitos o dominios y sectores donde tienen efectos.
A estos es necesario añadir el nivel de autonomía (debido al autoaprendizaje de los sistemas), la metodología de recopilación de datos (por razones de la posible invasión a los datos privados) y la administración de los inventarios del sistema (porque estos pueden ser temporales o permanentes y, en consecuencia, dejar o no vestigios de responsabilidad).
Los autores han mostrado la variedad de áreas o dominios (principalmente el fiscal,
el medioambiental, los derechos humanos, la protección de datos y la privacidad)
junto con los diferentes grados de avance algorítmico y las variadas disposiciones
geopolíticas (
En un intento de incluir todas las dimensiones, se propone otorgarles un valor como factor multiplicador de ponderación, con la intención de acercarse a una versión incluyente pero diferenciada de las evaluaciones de impacto algorítmico, para establecer una correlación de acciones o reacciones a tomar en correspondencia a los niveles de impacto, riesgo y daño.
En la
Fuente: elaboración propia.
Fuente de legitimidad
x
x
x
-
Actores y foros
x
x
-
-
Evento detonante
-
x
x
x
Temporalidad
-
x
x
-
Acceso público
x
x
-
x
Método
x
x
x
Conjunto de evaluadores
x
x
x
Determinación de daño y compensación
x
x
x
x
Total
5
8
5
5
El modelo del riesgo se mostró con capacidad previsoria, preventiva y abarcadora de eventos catalizadores perniciosos, por consiguiente, es innegable que está vinculado al de la responsabilidad, pues en la medida que resulta previsorio auxilia a la evolución de las disposiciones jurídicas y de las obligaciones de seguros. También se observa que ningún otro modelo alcanza todos los elementos que debe poseer una evaluación de impacto algorítmico. Con esta conclusión queda explícitamente respondida la primera pregunta eje de la indagatoria de este texto.
Al recabar las experiencias de las mejores prácticas y modelarlas al enfoque del riesgo, los elementos mínimos de las evaluaciones de impacto algorítmico deben considerar que:
Los efectos algorítmicos tienen impactos transversales aunque los
algoritmos se apliquen como sectoriales, por lo tanto, deben contemplar
la inclusión de cualquier dominio (fiscal, medioambiental, salud,
laboral, movilidad, derechos humanos). La inclusión de los dominios debe ser jerarquizada en función de la
extensión de su presencia transversal, por esto, los dominios deben
considerarse con ponderaciones parametrizadas. Los actores y sujetos involucrados en los foros de opiniones, las
cualificaciones y el conjunto de evaluadores expertos participarían en
las calificaciones cualitativas de los efectos algorítmicos (sobre todo
para distinguir entre un impacto y un riesgo), con total acceso a la
documentación completa y con la capacitación previa para identificar y
satisfacer los principios éticos, jurídicos y culturales de
transparencia, explicabilidad, exactitud, auditabilidad, rendición de
cuentas y co-construcción. La metodología, al igual que la información, debe ser explicable y, sobre
todo, abierta a incluir y adaptar las escalas de ponderación de los
diversos dominios y efectos. En consonancia con el modelo preventivo del riesgo, las evaluaciones
deben continuarse a lo largo de toda la vida del sistema. La evaluación de toda la vida del sistema ha de incluir el
autoaprendizaje y aprendizaje profundo, aun cuando estos se ejerzan con
autonomía y al margen de la intervención humana.
Estos seis elementos responden la segunda pregunta planteada al inicio de este texto. Es necesario tener en cuenta que, en la actualidad, las evaluaciones se presentan en distintos dominios, los sistemas tienen diferentes grados de avance, y existen variadas disposiciones geopolíticas. Esta heterogeneidad de enfoques, metodologías y marcos legales impide la estandarización de las evaluaciones.
Si bien la diversidad obstaculiza la construcción generalizada, es debatible la
opción de homogeneizar las evaluaciones, pues quizá la pluralidad de enfoques y
métodos resulte adecuada para impactos sectoriales novedosos o no imaginados gracias
a la vertiginosidad con que la inteligencia artificial se hace presente en más
dominios de la realidad. Por ende, las evaluaciones de impacto algorítmico requieren
de un método abierto y dúctil para garantizar el cumplimiento de principios éticos y
jurídicos mínimos y mantenerse
El sentido o finalidad última de los modelos evaluativos de los impactos algorítmicos apunta a vincular acciones proporcionales con sus resultados, en otras palabras, las evaluaciones no solo deben constatar el estado de impactos algorítmicos, sino orientar las intervenciones humanas consecuentes. De ahí que deba postularse la correlación entre cuatro categorizaciones de posibles resultados en las evaluaciones y las correspondientes acciones de protección.
Las categorías resultado de las evaluaciones son: daños definitivos y no definitivos, riesgos y simples impactos. La correspondencia propuesta sugiere ante los daños definitivos la prohibición, ante los no definitivos la reparación, ante los riesgos la mitigación y frente a los impactos la prevención.
Es cierto que la construcción de un modelo único presenta dificultades (
Con todo esto en consideración, cabe proponer una línea para futuras investigaciones con la intención de lograr las expresiones cuantitativas estandarizadas de conformidad a las acciones de protección simétricas con los niveles de daño o riesgo. La categorización cualitativa (punto de partida para asignar un daño, riesgo o simple impacto), que deberán llevar a cabo los sujetos involucrados en una evaluación, implica un ejercicio deliberativo y, en términos de políticas públicas (por los algoritmos utilizados en la administración gubernamental), un ejercicio de gobernanza.
Por su parte, las asignaciones cuantitativas requerirán de las previas ponderaciones entre los dominios donde incide la inteligencia artificial para vincularlas con las distintas categorizaciones evaluadas, es decir, debe saberse o consensuarse qué variables tendrán más peso que otras. Por ejemplo, para priorizar entre la educación y los servicios médicos se requiere de la ponderación diferenciada cuando la distancia entre marginar a una persona de una beca escolar es notoriamente menos grave que marginar del acceso a un servicio de salud vital.
Sin duda estas consideraciones requieren de consensos alcanzados deliberativamente en el marco de la gobernanza. Debe advertirse que no ocurre así con el citado instrumento canadiense pues, si bien arroja el resultado del nivel de impacto, su escore solo contempla la mitigación.
En resumen, las categorizaciones cualitativas y las ponderaciones cuantitativas deben cumplir con la deliberación del foro de involucrados y las directrices de gobernanza para alcanzar los principios éticos y legales de transparencia y explicabilidad suficientes para determinar, según sea el caso, la prohibición de un sistema de inteligencia artificial, la reparación de sus daños reversibles, la mitigación de sus riesgos o la prevención de sus impactos.
Antes de finalizar cabe una advertencia: en la actual era de las tecnologías
digitales se ofrecen softwares y sistemas de inteligencia artificial para alcanzar
consensos y llegar a acuerdos con el propósito de cumplir con dinámicas
deliberativas y de gobernanza (por ejemplo
Por esta razón sería una paradoja que los interesados en establecer las evaluaciones
algorítmicas y los juicios éticos sobre la inteligencia artificial utilizaran de
manera acrítica, a su vez, tecnologías algorítmicas (
Para más información, puede consultarse Guidance for Regulation of Artificial
Intelligence Applications M-21-06 Memorandum for the heads of executive
departments and agencies y la Orden Ejecutiva 13859, sobre mantener el liderazgo
estadounidense en inteligencia artificial (
