1

Tema: Inteligencia Artificial

Integrantes:

Universidad De Guayaquil, Facultad de Filosofía Ciencias y Letras de la Educación,

Pedagogía en las Ciencias Experimentales Informática

Arq. Luis Valencia Gonzales

15 de Diciembre del 2023

 2

CONTENIDO DEL INFORME

TEMA: INTELIGENCIA ARTIFICIAL

1. OBJETIVO GENERAL

En primer lugar, el objetivo principal de la IA es replicar el comportamiento humano

mediante el uso de algoritmos y sistemas computacionales. Esto incluye la capacidad de

aprender, razonar, resolver problemas, entender el lenguaje humano y tomar decisiones.

Además, la IA busca mejorar la eficiencia en tareas complejas y repetitivas, permitiendo que

las máquinas realicen trabajos que serían tediosos o difíciles para los seres humanos. Esto puede

incluir desde procesos industriales hasta análisis de datos complejos en el ámbito científico.

Otro objetivo es el desarrollo de sistemas autónomos capaces de tomar decisiones por sí

mismos, como vehículos autónomos, robots o asistentes virtuales, que pueden funcionar sin

intervención humana.

La IA también busca mejorar la precisión en la toma de decisiones y predicciones en

diferentes campos, como la medicina, la meteorología, las finanzas y el marketing, entre otros.

Esto puede ayudar a optimizar recursos y reducir errores.

Además, existe un objetivo ético y moral en la IA, que implica desarrollar sistemas justos,

transparentes y éticos, minimizando sesgos y garantizando la privacidad y la seguridad de los

datos.

En resumen, los objetivos generales de la IA se centran en replicar habilidades humanas,

mejorar la eficiencia, desarrollar sistemas autónomos, mejorar la precisión en la toma de

decisiones y garantizar la ética y la transparencia en su aplicación. Estos objetivos han guiado el

avance y la evolución constante de la inteligencia artificial en la búsqueda de un futuro más

innovador y prometedor.
 3

2. EL PLANTEAMIENTO DEL PROBLEMA: AQUI SE PLANTEA LA

PREGUNTA RECTORA DE LA INVESTIGACION

El planteamiento del problema en el contexto de la inteligencia artificial se enfoca en diversas

áreas de investigación. Una pregunta rectora podría ser:

"¿Cómo podemos diseñar sistemas de inteligencia artificial éticos y transparentes que

maximicen su eficiencia y minimicen sesgos, asegurando al mismo tiempo la privacidad y

seguridad de los datos?"

Esta pregunta fundamental abarca la intersección de múltiples desafíos en la IA. Por un lado,

se enfrenta al dilema ético de cómo garantizar que los sistemas de IA actúen de manera justa y

moral en diversas situaciones, minimizando cualquier sesgo inherente en los datos con los que se

entrenan.

La cuestión de la transparencia también es crucial. ¿Cómo podemos diseñar sistemas de IA

que no solo tomen decisiones precisas, sino que también sean capaces de explicar el

razonamiento detrás de esas decisiones? Esto es esencial para confiar en la IA y comprender su

funcionamiento, especialmente en áreas críticas como la medicina o la toma de decisiones

legales.

Además, esta pregunta rectora busca abordar el desafío de maximizar la eficiencia de la IA sin

comprometer la privacidad y la seguridad de los datos. ¿Es posible desarrollar algoritmos y

modelos que puedan aprender de datos sin revelar información sensible o comprometer la

confidencialidad?

Responder a esta pregunta implica un esfuerzo interdisciplinario que combina la ética, la

tecnología, la transparencia y la seguridad de los datos. Requiere el desarrollo de marcos

 4

regulatorios sólidos, estándares éticos claros y avances tecnológicos que permitan sistemas de IA

más éticos, transparentes y seguros para el beneficio de la sociedad en su conjunto.

3. MARCO TEORICO: CONCEPTUALIZACION DEL TEMA PROBLEMA.

El marco teórico en el ámbito de la inteligencia artificial busca proporcionar una base

conceptual sólida, relacionando el tema problema con investigaciones previas y teorías

establecidas.

En este contexto, se recurre a la conceptualización de la ética en la IA, explorando estudios

previos sobre la implementación de sistemas éticos en entornos tecnológicos. Se analizan

investigaciones que abordan el sesgo algorítmico, la equidad y la imparcialidad en los modelos

de IA, destacando cómo ciertas decisiones algorítmicas pueden reflejar y perpetuar sesgos

presentes en los datos de entrenamiento.

Además, se explora el terreno de la transparencia en la IA, examinando trabajos que intentan

desentrañar la "caja negra" de los modelos de aprendizaje profundo y cómo estas investigaciones

han intentado crear sistemas de IA capaces de explicar sus propias decisiones de manera

comprensible para los usuarios.

Se revisan también teorías sobre la privacidad y la seguridad de los datos en entornos de IA,

comprendiendo cómo la protección de la información sensible ha sido un desafío clave en el

desarrollo de sistemas inteligentes, y cómo avances en técnicas de privacidad diferencial y

federated learning buscan abordar estas preocupaciones.

El marco teórico busca amalgamar estas áreas para contextualizar el tema problema,

identificando avances, limitaciones y posibles áreas de desarrollo futuro. Asimismo, establece un

fundamento para proponer soluciones más integrales y éticas en el diseño y aplicación de la

inteligencia artificial en la sociedad.

 5

4. MARCO METODOLOGICO: BIBLIOGRAFICO: ¿QUE INFORMACION

OBTENER ACERCA DEL TEMA?

Para comenzar, podrías utilizar bases de datos académicas como IEEE Xplore, PubMed,

Google Scholar o Scopus. Estas plataformas albergan una amplia gama de artículos científicos,

conferencias y libros relacionados con la inteligencia artificial, ética en la IA, transparencia y

privacidad de datos.

Puedes emplear términos de búsqueda como "ética en inteligencia artificial", "sesgo

algorítmico", "transparencia en IA", "privacidad de datos en machine learning", entre otros, para

encontrar trabajos relevantes. Asegúrate de utilizar combinaciones de palabras clave para refinar

tu búsqueda.

Una vez tengas una lista de artículos pertinentes, te recomiendo revisar las referencias

bibliográficas de esos trabajos. Este método, conocido como búsqueda de referencias, te

permitirá encontrar más investigaciones relevantes que podrían haber sido citadas por los

autores.

Además, considera la posibilidad de buscar informes de organizaciones relevantes en el

campo de la ética en la IA, como informes de la UNESCO, la Unión Europea o institutos de ética

en tecnología, ya que suelen ofrecer una visión integral sobre el tema.

Recuerda evaluar la calidad y relevancia de las fuentes, priorizando artículos revisados por

pares y publicados en revistas científicas reconocidas para asegurar la fiabilidad de la

información.
 6

Con esta metodología bibliográfica, podrás recopilar una amplia gama de información que te

ayudará a comprender en profundidad los temas relacionados con la ética, la transparencia y la

privacidad en la inteligencia artificial.

5. EMPIRICO: LEVANTAR LA INFORMACION DE CAMPO DISENO DE

INSTRUMENTO DE INVESTIGACION

Para un estudio empírico sobre ética, transparencia y privacidad en la inteligencia artificial, el

diseño de un instrumento de investigación es crucial. Aquí hay un ejemplo conceptual de cómo

podría estructurarse:

Diseño del Instrumento de Investigación: Encuesta para Evaluar la Percepción de la

Ética en la Inteligencia Artificial

I. Información Demográfica:

1. Edad

2. Género

3. Nivel educativo

4. Experiencia laboral en IA u otros campos relacionados

II. Conocimiento y Percepción de la Ética en la IA:

1. ¿Qué tan familiarizado está con el concepto de ética en la IA?

2. ¿Considera que la ética es un aspecto crucial en el desarrollo de sistemas de IA?

3. Opinión sobre la existencia de sesgos en los algoritmos de IA.

III. Transparencia en la Inteligencia Artificial:

1. ¿Confía en las decisiones tomadas por sistemas de IA?

2. ¿Cree que los sistemas de IA deberían ser capaces de explicar sus decisiones?

3. Opinión sobre cómo se podría mejorar la transparencia en la IA.

 7

IV. Privacidad y Seguridad de los Datos:

1. ¿Le preocupa la privacidad al utilizar servicios o dispositivos con IA?

2. Opinión sobre la recolección y uso de datos personales en sistemas de IA.

3. ¿Qué medidas considera necesarias para garantizar la seguridad de los datos en sistemas

de IA?

V. Opiniones y Comentarios Abiertos:

1. Comentarios adicionales sobre ética, transparencia y privacidad en la IA.

2. Sugerencias para mejorar la ética en el desarrollo de la IA.

VI. Escalas de Medición:

- Utilizar escalas Likert para medir la intensidad de acuerdo o desacuerdo.

- Preguntas de opción múltiple con rangos de respuesta para evaluar distintos niveles de

percepción.

VII. Técnica de Aplicación:

- Encuesta en línea para una amplia cobertura.

- Entrevistas estructuradas para profundizar en casos específicos.

VIII. Análisis de Datos:

- Análisis estadístico para evaluar la correlación entre variables demográficas y

percepciones éticas.

- Análisis cualitativo de las respuestas abiertas para identificar patrones emergentes.

Este diseño de instrumento de investigación busca obtener una visión integral de las

percepciones y opiniones de las personas sobre la ética, transparencia y privacidad en la

 8

inteligencia artificial. La combinación de datos cuantitativos y cualitativos permitirá comprender

mejor las perspectivas individuales y los patrones generales en estas áreas clave de la IA.

6. RECOLECCION DE DATOS: REGISTRO Y ANALISIS DE LOS DATOS

Para recolectar datos sobre inteligencia artificial, podrías considerar diferentes métodos:

1. Datos de Investigaciones Previas: Revisa estudios académicos, informes de investigación

y documentos científicos sobre IA, ética, transparencia y privacidad. Examina resultados,

conclusiones y estadísticas relevantes.

2. Encuestas y Cuestionarios: Diseña encuestas que indaguen sobre percepciones y

opiniones de personas en relación con la ética, transparencia y privacidad en la IA. Estos pueden

ser distribuidos online o presencialmente.

3. Entrevistas y Grupos Focales: Realiza entrevistas estructuradas o semi-estructuradas con

expertos en IA, profesionales de la ética en tecnología y usuarios finales para obtener

perspectivas detalladas y opiniones cualitativas.

4. Análisis de Datos Existentes: Utiliza conjuntos de datos disponibles públicamente que

aborden cuestiones éticas, sesgos, transparencia o privacidad en la IA. Estos conjuntos de datos

pueden ser analizados para identificar patrones y tendencias.

Una vez recopilados los datos, el análisis puede realizarse de varias maneras:

1. Análisis Cuantitativo: Utiliza herramientas estadísticas para procesar datos numéricos

obtenidos de encuestas o datos existentes. Puedes aplicar pruebas de correlación, regresiones u

otros métodos para identificar relaciones entre variables.

2. Análisis Cualitativo: Para datos cualitativos obtenidos de entrevistas o respuestas abiertas

en encuestas, emplea métodos como el análisis de contenido o el análisis temático para

identificar patrones, temas y opiniones recurrentes.

 9

3. Visualización de Datos: Utiliza gráficos, tablas y visualizaciones para representar los

resultados de manera clara y comprensible, facilitando la interpretación de los hallazgos.

En resumen, la recolección y análisis de datos sobre inteligencia artificial pueden llevarse a

cabo a través de múltiples métodos y herramientas, permitiendo obtener una comprensión

profunda de las percepciones, desafíos y tendencias éticas en este campo en constante evolución.

CONCLUSIONES Y RECOMENDACIONES

La inteligencia artificial (IA) representa una revolución en la forma en que interactuamos con

la tecnología y el mundo que nos rodea. Tras explorar este campo en profundidad, algunas

conclusiones y recomendaciones clave emergen para su desarrollo y aplicación:

Conclusiones:

La IA ha demostrado un potencial significativo en una amplia gama de campos, desde la

atención médica y la logística hasta la predicción del clima y la conducción autónoma. Ha

mejorado la eficiencia, la precisión y la accesibilidad en muchos aspectos de nuestra vida diaria.

No obstante, la implementación de la IA también presenta desafíos. Uno de los problemas

más destacados es el sesgo en los algoritmos, que pueden reflejar prejuicios presentes en los

conjuntos de datos utilizados para su entrenamiento. Esto puede llevar a decisiones injustas o

discriminatorias.

La ética y la responsabilidad en el desarrollo de la IA son fundamentales. Se requiere un

enfoque ético para garantizar que los sistemas de IA sean justos, transparentes y respetuosos con

la privacidad y la seguridad de los datos.

Recomendaciones:

1. Ética y Transparencia:
 10

- Se debe priorizar la ética en el diseño y desarrollo de sistemas de IA. Es esencial

implementar prácticas que minimicen los sesgos y aseguren la transparencia en las decisiones

tomadas por estos sistemas.

2. Regulación y Estándares:

- La creación de regulaciones sólidas y estándares éticos para la IA es crucial. Estas

normativas deben abordar cuestiones de responsabilidad, transparencia y privacidad para

garantizar un uso ético de la tecnología.

3. Educación y Concienciación:

- Fomentar la educación sobre la IA y su impacto en la sociedad es clave. La formación en

ética en la IA debería ser parte integral de la educación en ciencia, tecnología, ingeniería y

matemáticas (STEM).

4. Colaboración Interdisciplinaria:

- Se requiere una colaboración estrecha entre expertos en tecnología, ética, leyes y sociedad

para abordar de manera integral los desafíos éticos y sociales planteados por la IA.

5. Investigación Continua:

- Promover la investigación continua para desarrollar técnicas que minimicen el sesgo,

mejoren la transparencia y garanticen la privacidad en la IA.

En resumen, la IA tiene un potencial transformador, pero conlleva responsabilidades éticas

significativas. Asegurar un desarrollo ético y responsable de la IA requerirá esfuerzos

colaborativos, regulaciones sólidas y un compromiso continuo con la transparencia y la equidad

en su aplicación.
 11

7. REFERENCIAS BIBLIOGRAFICAS: NORMAS APA

1. Ética en la Inteligencia Artificial:

- Floridi, L. (2019). "Ética de la Inteligencia Artificial y la Robótica." Stanford

Encyclopedia of Philosophy.

- Jobin, A., Ienca, M., & Vayena, E. (2019). "El panorama global de las directrices éticas de

la IA." Nature Machine Intelligence, 1(9), 389-399.

2. Transparencia en la IA:

- Doshi-Velez, F., & Kim, B. (2017). "Hacia una ciencia rigurosa del aprendizaje

automático interpretable." Documento de preimpresión arXiv:1702.08608.

- Lipton, Z. C. (2016). "El mito de la interpretabilidad del modelo." ACM Queue, 16(3), 30-

39.

3. Privacidad y Seguridad de Datos en la IA:

- Abadi, M., et al. (2016). "Aprendizaje profundo con privacidad diferencial." Actas de la

Conferencia SIGSAC sobre Seguridad Informática y Comunicaciones de la ACM 2016.

- Narayanan, A., & Shmatikov, V. (2008). "Desanonimización robusta de grandes conjuntos

de datos dispersos." Simposio IEEE sobre Seguridad y Privacidad.

4. Desarrollo Ético en la IA:

- Russell, S., & Norvig, P. (2016). "Inteligencia Artificial: Un enfoque moderno." Pearson.

- Taddeo, M., & Floridi, L. (2018). "Cómo la IA puede ser una fuerza para el bien." Science,

361(6404), 751-752.
 12

Estas referencias abordan aspectos clave relacionados con la ética, transparencia, privacidad y

desarrollo ético en la inteligencia artificial, proporcionando una base sólida para comprender

estos temas desde diferentes perspectivas y enfoques de investigación.

Cuadro de concordancia entre los aspectos que aborda el informe Estadístico (síntesis

del trabajo).

Tema Problema Objetivo Marco Marco Resultados

Teórico Metodológico

Inteligencia Dilema ético Replicar Privacidad y Búsqueda Hallazgos

Artificial en la habilidades seguridad de bibliográfica, y

implementación humanas. datos en revisión de conclusiones

de la IA Mejorar la entornos de IA. estudios previos. sobre ética y

eficiencia y Marco Recolección y eficacia en

precisión en regulatorio, análisis de datos IA.

decisiones. estándares (encuestas, Evaluación

Mejorar la éticos. entrevistas). del nivel de

precisión en Avances en Análisis conocimiento

la toma de privacidad estadístico y de IA

decisiones. diferencial y cualitativo de los

Garantizar federated datos.

ética, Learning.

transparencia

y seguridad
 13

de datos

Conclusión La ética y Se Se deben La IA tiene un Se debe

responsabilidad requiere un tomar medidas potencial priorizar la

son enfoque ético para garantizar transformador ética en el

fundamentales para la pero con diseño y

en IA. garantizar confidencialidad. responsabilidades desarrollo de

sistemas éticas sistemas de

justos y significativas. IA.

transparentes.

Recomendació Establecer Promover Implementar Se deben Fomentar

n regulaciones la técnicas promover la educación

sólidas y investigación avanzadas como investigaciones sobre la IA y

estándares continua para privacidad continuas para su impacto en

éticos para desarrollar diferencial y avanzar en la sociedad.

garantizar un técnicas que federated técnicas éticas en

uso ético de la minimicen el learning para la IA.

tecnología. sesgo y abordar las

mejoren la preocupaciones

transparencia sobre la

en la IA. privacidad en

sistemas de IA.
 14

Estructura de un objetivo

Verbo en infinitivo Contenido o tema Criterio ¿Como?

(acción) (area de logro) (indicador) ¿mediante qué?

Describir: Implica Las características Con claridad. Mediante

detallar o exponer las de: Este criterio indica indagación

características de un Establece que el que la descripción de bibliográfica.

tema específico. área de logro es la las características debe Este indica que la

descripción de las ser clara y acción para describir

características de algo. comprensible. Esto las características se

Puede ser, por implica que se espera llevará a cabo

ejemplo, las que la información mediante la búsqueda

características de un proporcionada sea y revisión de fuentes

proceso, un objeto o precisa y fácil de bibliográficas.

un fenómeno. entender.

Determinar: Sugiere El nivel de Con argumento Aplicando una

medir o evaluar el conocimiento del documentado. encuesta.

nivel de conocimiento estudiante sobre: Este criterio sugiere Indica que la acción

de un estudiante sobre Indica que el área de que la evaluación del para determinar el

un tema particular. logro es el nivel de conocimiento nivel de conocimiento

conocimiento que los se realizará mediante se llevará a cabo

 15

estudiantes tienen la presentación de aplicando una

sobre un tema argumentos encuesta, lo que

específico. respaldados por implica recopilar datos

documentos. Esto directamente de los

implica que se espera estudiantes.

una evaluación

fundamentada y

documentada.

Otro modelo de estructura de objetivo

¿Que? ¿Como? ¿Para qué?

Verbo en infinitivo Mediante que acción o Si se va a realizar

actividad

Determinar Mediante investigación El nivel de conocimiento

bibliográfica y de campo. del estudiante acerca de:

En esta sección, se establece

la acción que se espera realizar. Aquí se describe la manera En esta sección, se establece

En este caso, el verbo es en que se llevará a cabo la el propósito o el área de

"Determinar". Esto indica que acción indicada en la primera enfoque de la acción. En este

el objetivo implica la obtención columna. En este caso, se caso, se realizará la acción para

de información o la evaluación llevará a cabo "Mediante evaluar "El nivel de

de algo. investigación bibliográfica y de conocimiento del estudiante

campo". Esto significa que la acerca de". Esto indica que el

 16

determinación se realizará objetivo es obtener información

mediante la revisión de fuentes sobre el nivel de conocimiento

bibliográficas y la recopilación de los estudiantes en relación

de datos en el campo. con un tema específico.

En resumen, este cuadro de objetivo proporciona una guía clara sobre la acción a realizar,

cómo se llevará a cabo y cuál es el propósito o el área de enfoque de esa acción.

8. Anexos