Saltar al contenido principal

Cría cuervos y sacarán buenas notas en la escuela

Ruso Sehabiaga

La mascota y su contexto.

Contra todos los pronósticos los cuervos, esos empleados que aceleran el trámite para pasar al mundo de los muertos, se han posicionado arriba en lo que refiere a la inteligencia animal. El tamaño del cerebro de este pájaro es diminuto, y sin embargo tiene capacidades cognitivas superiores a la mayoría de los mamíferos. En lugar de corteza cerebral, estos nenes han desarrollado circuitos neuronale…

Contra todos los pronósticos los cuervos, esos empleados que aceleran el trámite para pasar al mundo de los muertos, se han posicionado arriba en lo que refiere a la inteligencia animal. El tamaño del cerebro de este pájaro es diminuto, y sin embargo tiene capacidades cognitivas superiores a la mayoría de los mamíferos. En lugar de corteza cerebral, estos nenes han desarrollado circuitos neuronales que se alojan en núcleos individuales que se encargan de la toma de decisiones, la memoria y la planificación. Los neurocientíficos de la Universidad de Tubinga (Alemania) descubrieron que la actividad neuronal en dicha zona es la misma que tiene un primate cuando se lo presiona para solucionar problemas.

Comprobar la inteligencia animal no es simple. Sin embargo, uno de los aspectos que pueden medirse es el control inhibitorio que presenta frente a un desafío, y así anular los impulsos innatos que tiene para optar por un comportamiento que se desprende de un “razonamiento” previo.

Para evaluar ese aspecto se utiliza la prueba del cilindro: se coloca alimento dentro de un tubo transparente con aberturas a ambos lados. El reto para el animal es obtener su premio usando esas aberturas en lugar de dirigirse a él directamente. Para recabar información sobre la capacidad inhibitoria, investigadores de la Universidad de Lund (Suecia), junto a otros de la Universidad de Oxford (Reino Unido) y del Instituto Max Planck (Alemania) realizaron un ejercicio simple. Primero entrenaron aves para obtener el alimento si se dirigían a los laterales de un tubo de color negro, para evitar que vieran su recompensa. Luego hicieron lo mismo en un tubo transparente. Pero no actuaron como se pensaba: los cuervos optaron por ir a los extremos, alcanzando porcentajes exitosos iguales o mayores a los obtenidos por chimpancés y gorilas.

A partir de este tipo de conductas, el mundo científico ha comenzado a estudiar a las otrora mascotas del rey Ragnar Lothbrok, obteniendo resultados impensados. Los cuervos pueden resolver problemas de manera lógica, distinguir y recordar a otros individuos (de su especie o de otra), construir herramientas, ser conscientes de sí mismos y también construir un complejo comportamiento social.

Herramientas

Los cuervos no sólo cortan ramas para alcanzar rincones de difícil acceso, sino que además hacen cosas que son casi exclusivas del ser humano: son capaces de guardar las herramientas para utilizarlas cuando sea necesario y pueden modificar la forma de la herramienta si no consiguen su objetivo. Por último, también pueden utilizar herramientas para obtener otras herramientas más adecuadas para conseguir alimentos en diferentes contextos. Esta peculiaridad es conocida como uso secuencial de herramientas, y para demostrarla investigadores de la Universidad de Auckland (Nueva Zelanda) capturaron cuervos salvajes que debían alcanzar un alimento que se encontraba fuera de su alcance. El profesor Russell Gray explicó: “Era necesario que entendieran que necesitaban la herramienta corta colocada sobre el trozo de cuerda para poder obtener la herramienta larga y luego usarla para conseguir el alimento”. Las aves resolvieron la ecuación en todos los casos.

Tira de la cuerda

Esta prueba es utilizada para demostrar el nivel de conexión neuronal y los comportamientos lógicos que poseen. Para eso, se coloca un trozo de carne colgando de una cuerda, cosa inusual en estado salvaje y, por ende, desconocida para los cuervos. A los pocos minutos, no tuvieron problema para entender que tirando del hilo mientras iban sujetándolo con sus patas el alimento ascendía. Lo curioso es que el animal parecería saber lo que hacía desde el inicio.

Social

Son capaces de empatizar o rechazar comportamientos sociales, y también pueden deducir los de otras especies, habilidad que se creía exclusiva del ser humano. El rechazo o la empatía de acuerdo con cómo se comporte otro individuo se pudo demostrar en un estudio publicado en la revista Animal Behavior. Nueve cuervos criados en cautiverio fueron entrenados para recibir un trozo de pan por parte de uno de los investigadores, y después de dárselo a un segundo investigador recibían una porción de queso. Luego de varias repeticiones, la persona que intercambiaba pan por queso dejó de hacerlo, y tras recibir el pan de los cuervos no les daba el queso, sino que se lo comía frente a ellos. Días después las aves fueron presentadas a tres investigadores: el que le daba el pan, el que se comía el queso frente a ellos y uno que no había participado en el ejercicio. Seis de las siete aves se acercaron al primero e incluso jugaron con él, y una de ellas lo hizo con la persona neutral. Ningún cuervo se aproximó al investigador que se comía el queso. Es decir, no perdonaron a aquel que los engañó.

Deducir el comportamiento de otras especies es un asunto serio. En Japón los cuervos descubrieron la forma de romper una nuez gracias al tránsito de la ciudad. Al principio las dejaban caer sobre el asfalto, pero no todas se rompían. Inmediatamente las aves descendían en procura de su alimento, pero había un problema: el tráfico. Solucionaron la cuestión: tras dejar caer la nuez en la calle, esperaban a que los autos se detuvieran, observando que eso sucedía cuando las personas dispuestas a cruzar la calle eran habilitadas por el semáforo. No sólo sorprende la adaptación a ese entorno nada natural, sino que se ha demostrado que hay cierta cultura entre los cuervos.

Fuente: https://ladiaria.com.uy/articulo/2020/3/cria-cuervos-y-sacaran-buenas-notas-en-la-escuela/

Comparte este contenido:

¿Cómo desarrollar la empatía en nuestros estudiantes?

Por: Emmanuel Alejandro Sandoval Pérez

La empatía es una habilidad social imprescindible. Para tener éxito es más importante saber relacionarse asertivamente con los demás que competir con ellos.

Nuestra sociedad actual enfrenta retos muy diversos, desde problemáticas ecológicas y ambientales que podrían acabar prácticamente con todas las especies que habitan este planeta, incluyendo la nuestra hasta aquellas problemáticas relacionadas con la salud mental y psicológica de las personas, provocando malestar e incluso la muerte como en el caso de la depresión y el suicidio. Nunca antes los ciudadanos habíamos tenido que estar tan informados sobre lo que sucede a nuestro alrededor en todos los ámbitos. Sin embargo, pudiendo acceder a toda la información que tenemos con un simple click, preferimos, paradójicamente, ignorarlo todo.

“La empatía es la capacidad de comprender los sentimientos y emociones de los demás, basada en el reconocimiento del otro como similar”.

– López, Filippetti y Richaud (2014) –

La empatía es una habilidad social imprescindible en el mundo actual, así lo plantea la teoría de las inteligencias múltiples. Es más importante relacionarse asertivamente con los demás para lograr el éxito que competir con ellos. Las instituciones educativas, por ejemplo, son un espacio donde podemos proponer con mayor rigor y claridad ideas acciones que nos ayuden a superar los retos antes descritos y los que se vayan presentando.

En México, el debate escolar se considera como una actividad muy enriquecedora que fomenta en los alumnos importantes competencias como son: adquirir un razonamiento crítico, mejorar habilidades lingüísticas, solución de problemas, capacidad de síntesis y búsqueda constante de fuentes académicas fiables, pero, sobre todo, desarrollar empatía al escuchar, entender y compartir con los demás diferentes argumentos y puntos de vista, en otras palabras, “ponerse en los zapatos del otro”.

Los debates académicos nos permiten desarrollar análisis epistemológicos y éticos sobre un tema o concepto. La epistemología estudia los criterios de verdad de una disciplina, es decir, ¿por qué se dice verdadera y también a la luz de qué argumentos? (Piaget, 1986), mientras que la ética es un tipo de saber que intenta construirse racionalmente, utilizando el rigor conceptual y métodos de análisis y explicación sobre cuestiones morales (Cortina, 2008). De acuerdo con autores como Gooch (2017:14), vivimos en la era de la posverdad y ésta se puede definir como: “una circunstancia en la que los hechos objetivos son menos influyentes en la opinión pública, que las emociones y las creencias personales”. Es por ello que necesitamos urgentemente apelar a la ética y la epistemología.

Cuando los seres humanos nos volvimos hacia nosotros mismos como seres pensantes, en lugar de dirigirnos al mundo en términos de dioses o fuerzas sobrenaturales, nació la Filosofía (Cohen, 2008). Sin embargo, con nuestra capacidad de reflexión e imaginación, nos volvimos proclives a crear una Weltanschauung (concepción del mundo), a partir de nuestras experiencias e ideas, situación que llevó a algunos a creer que su visión del mundo era la única posible. La Filosofía promueve lo contrario. Es por ello que no se conforma con una “verdad”, en lugar de eso, acepta la posibilidad de que existan verdades, así como existen multiversos. No obstante, que hablemos en plural sobre la verdad, no quiere decir que no existan niveles más elevados de certeza en ciertos argumentos que en otros. En algunos casos basta con el sentido común para saber que algo es cierto, pero, otras veces, es más complicado y necesitamos de la experimentación y de la comprobación científica.

A continuación, presento una actividad didáctica para la enseñanza de la epistemología a nivel licenciatura por medio de un torneo de debate y una actividad de inducción:

Mi propuesta parte del siguiente supuesto: siempre que se estudie epistemología se debe enseñar a la par ética. Debemos tomar en cuenta análisis científicos sobre lo que se considera como moralmente bueno o malo para que no haya personas afectadas por criterios sin fundamento, y de igual manera, se deben hacer análisis éticos sobre la ciencia si ésta trabaja, junto con la tecnología, en beneficio del sistema económico y no para la gente que los necesita.

¿Entonces, en qué consiste mi propuesta? Como ejercicio previo al torneo de debate de la clase de epistemología, apliqué con varios grupos la siguiente actividad:

Con el pizarrón dividido en dos, de un lado la frase “estoy de acuerdo” y del otro lado la frase “estoy en desacuerdo”. Presenté algunas afirmaciones que incitaron al debate, tales como: “despenalizar el aborto es necesario”, “la despenalización de las drogas sería positivo”, etc. Los alumnos se ubicaron según su opinión sobre el tema y explicaban su decisión. Les expliqué que podrían cambiarse de lugar si los argumentos de otro compañero les parecían interesantes y modificaban de alguna manera su punto de vista. Posteriormente los invité a elegir el lugar contrario al de su opinión, es decir, si estaban de acuerdo se ubicaban en la parte de desacuerdo. El objetivo era que, con la misma vehemencia con la que defendían hace unos momentos su opinión, encontraran puntos positivos en los argumentos contrarios y los citaran como suyos. Aunque al principio sentían que actuaban, el simple hecho de buscar en otros argumentos algo “defendibles”, los ayudaba a verlos de manera distinta. Así lo expresaron ellos mismos en la retroalimentación de la actividad. De esta manera práctica busqué desarrollar la empatía en mis alumnos.

Los docentes pueden aplicar esta actividad en sus clases con el objetivo de promover valores, actitudes y conocimientos con una visión ética y comprometida con el saber científico, su transmisión y el beneficio social que conlleva.

Fuente e imagen: https://observatorio.tec.mx/edu-bits-blog/como-desarrollar-la-empatia-en-estudiantes

Comparte este contenido:

“En Uruguay solo el 22% de los alumnos de 18 años termina secundaria, eso es escandaloso”

América del Sur/ Uruguay/ 19.02.2019/ Fuente: www.diarioelpueblo.com.uy.

En oportunidad de informar sobre la asunción de la dirección del Campus Salto de la Universidad Católica del Uruguay (UCU) por parte de la Lic. Jimena Silva, el Rector de la UCU, P. Dr. Julio Fernández Techera, acompañado por el vicerrector Administrativo Mag. Santiago Mercant, se refirió al estado de educación en la que llegan los estudiantes de secundaria a la educación terciaria, calificándolo de “escandaloso”.

PROCESO DE CAMBIOS
“Estamos hoy en Salto”, comenzó diciendo el P. Fernández Techera, “para darle posesión de esta nueva dirección a Jimena Silva, pero también para empezar una nueva etapa. Hemos tenido ocho años de consolidación, de fortalecimiento del Campus en Salto, pero nunca hay que quedarse con lo que hemos hecho, la idea es ir a más para toda la región del norte del país”.
“Ir a más significa que los Campus del interior del país (Punta del Este y Salto) participen del movimiento de renovación, de innovación, de excelencia que está viviendo toda la universidad. Entonces, conocerlo mejor, estar más presentes, pero también ver que estamos comenzando el 2019 pensando en el 2020 sobre qué es lo que vamos a ofrecer a partir del año que viene”.
“La universidad está viviendo un proceso de cambios fuertes, que tienen que ver con hacer una oferta universitaria para el siglo 21. Esto quiere decir formar profesionales que están en un mundo cambiante, donde la tecnología modifica la opción profesional permanentemente y donde estamos formando jóvenes que van a tener que cambiar dentro de su profesión cada poco tiempo”.
“Hoy –agregó-, los contadores, los directores de empresas, los licenciados en informática, los psicopedagogos, los enfermeros, los psicólogos y todas las demás carreras que estamos formando, en 5, en 10, en 15, en 20 años, van a tener que ser profesionales distintos. No es como cuando nos formábamos nosotros, que básicamente uno recibía la formación que iba a necesitar por muchos años”, pero “la tecnología nos llegó y nos hemos tenido que adaptar todos a un mundo cambiante. Esto significa una formación de excelencia no solo en contenidos sino, y sobre todo, en competencias del siglo 21. Pensamiento crítico, solución de problemas, creatividad, algo que es fundamental, capacidad de trabajo en equipo, aprender de otras profesiones de otras áreas, tener la cabeza abierta a lo último que está pasando. Esto es lo que queremos para Salto, eso es lo que queremos para la región norte del país, y eso es lo que le estamos pidiendo hoy a Jimena Silva”.
MEJORES SERVICIOS ACADÉMICOS
“Para mí es una gran responsabilidad estar en la dirección de este Campus –comenzó diciendo Silva-, que forma profesionales para toda la región. Queremos que el Campus sea de excelencia, que los estudiantes tengan una vida académica plena con un nivel muy bueno que tienda a la innovación y a todos estos cambios, porque hoy estamos en una era de la inteligencia artificial, de la robótica. Entonces, estos profesionales van a tener que tener una transversalidad con las distintas inteligencias artificiales, y todo eso implica una cabeza más abierta. Por eso también estamos pensando en innovación no solamente desde el punto de vista con el “Centro IthaKa”, sino también con el Centro de formación que tenemos dentro de UCU para los docentes. Estamos pensando en traer a los estudiantes todos los meses un profesional de las distintas áreas que puedan enriquecer a los estudiantes más allá de las materias de la carrera. Tenemos que crecer y vamos a hacerlo teniendo servicios académicos mejores”, subrayó.
ESCANDALOSO
Ante la consulta sobre el tipo de preparación con la que llegan los estudiantes desde los liceos a la educación terciaria, el Rector de la UCU no dudo en destacar los problemas que hoy posee la enseñanza. “Uruguay tiene temas educativos bastantes serios. No solo es la baja en el egreso, en Uruguay solo el 22% de los alumnos de 18 años termina la secundaria, lo cual, para el PBI que tenemos, tendríamos que estar en el 85%. O sea, no es que estamos un poquito por debajo, estamos escandalosamente por debajo. A los 24 años ha logrado egresar el 40%. O sea que estamos muy mal en eso. Pero Uruguay no tiene el peor nivel educativo de América, claramente hay países que están mucho peor, pero sí tenemos el índice de inequidad educativa más alto de América, entre los que están mejor formados y los que están peor formados. En una sociedad que ha tenido una vocación igualitaria tan fuerte, esto termina siendo escandaloso”.
“Esto tiene que ver con un país que le ha costado muchísimo asumir los cambios educativos, porque no es que tenemos baja inversión en educación, es altísima y además ha crecido enormemente. Estamos haciendo las cosas mal, es así de claro”, concluyó.

Fuente de la noticia: http://www.diarioelpueblo.com.uy/generales/en-uruguay-solo-el-22-de-los-alumnos-de-18-anos-termina-secundaria-eso-es-escandaloso.html

Comparte este contenido:

9 mitos sobre el aprendizaje automático

Por: Mary Branscombe

El aprendizaje automático está resultando tan útil, que es tentador suponer que puede resolver todos los problemas y que se aplica a todas las situaciones. Como cualquier otra herramienta, el aprendizaje automático es útil en áreas particulares, especialmente para problemas que siempre ha tenido, pero sabía que nunca podría contratar a suficientes personas para solucionarlos; o para problemas con un objetivo claro, pero no hay un método obvio para resolverlo.

Aun así, es probable que todas las organizaciones aprovechen el aprendizaje automático de una manera u otra, ya que el 42% de los ejecutivos le dijeron recientemente a Accenture que esperan que la inteligencia artificial (IA) esté detrás de todas sus nuevas innovaciones para el 2021. Pero obtendrá mejores resultados si observa más allá de la exageración y evita estos mitos comunes, al comprender lo que el aprendizaje automático puede y no puede ofrecer.

Mito: El aprendizaje automático es IA
El aprendizaje automático y la inteligencia artificial se usan frecuentemente como sinónimos, pero si bien el aprendizaje automático es la técnica más exitosamente lograda en los laboratorios de investigación en el mundo real, la IA es un campo amplio que abarca áreas como visión artificial, robótica y procesamiento del lenguaje natural, así como enfoques tales como la satisfacción de restricciones que no involucran el aprendizaje automático. Piense en ello como algo que hace que las máquinas parezcan inteligentes. Ninguno de estos es el tipo de “inteligencia artificial” general que algunas personas temen que pueda competir o incluso atacar a la humanidad.

Tenga cuidado con las palabras de moda y sea preciso. El aprendizaje automático se trata de aprender patrones y predecir resultados de grandes conjuntos de datos; los resultados pueden parecer “inteligentes”, pero en el fondo se trata de aplicar estadísticas a una velocidad y escala sin precedentes.

Mito: Todos los datos son útiles
Necesita datos para el aprendizaje automático, pero no todos los datos son útiles para el aprendizaje automático. Para entrenar su sistema, necesita datos representativos que cubran los patrones y resultados que su sistema de aprendizaje automático deberá manejar. Necesita datos que no tengan patrones irrelevantes incluidos (como fotos que muestran a todos los hombres de pie y todas las mujeres sentadas, o todos los autos en el garaje y todas las bicicletas en un campo fangoso) porque el modelo de aprendizaje de máquina que genere reflejará esos patrones excesivamente específicos y los buscará en los datos con los que lo utilice. Todos los datos que utiliza para el entrenamiento deben estar bien etiquetados, y etiquetados con las características que coinciden con las preguntas que le hará al sistema de aprendizaje automático, lo cual requiere mucho trabajo.

No suponga que los datos que ya tiene son limpios, claros, representativos o fáciles de etiquetar.

Mito: Siempre se necesita mucha información
Los principales avances realizados recientemente en reconocimiento de imágenes, comprensión de lectura de máquina, traducción de idiomas y otras áreas, han sucedido gracias a la mejora en las herramientas, el hardware -como las GPU que pueden procesar grandes cantidades de datos en paralelo y grandes conjuntos de datos etiquetados, incluyendo ImageNet y el Stanford Question Answering Dataset. Pero gracias a un truco llamado aprendizaje por transferencia, no siempre se necesita un gran conjunto de datos para obtener buenos resultados en un área específica; en su lugar, puede enseñarle a un sistema de aprendizaje automático cómo aprender utilizando un gran conjunto de datos, y luego hacer que transfiera esa capacidad para aprender a su propio conjunto de datos de entrenamiento mucho más pequeño. Así es como funcionan las API de visión personalizada de Salesforce y Microsoft Azure: Solo necesita 30-50 imágenes que muestren lo que desea clasificar para obtener buenos resultados.

El aprendizaje de transferencia le permite personalizar un sistema entrenado previamente para su propio problema con una cantidad relativamente pequeña de datos.

Mito: Cualquiera puede construir un sistema de aprendizaje automático
Existen muchas herramientas y marcos de código abierto para el aprendizaje automático, e innumerables cursos que le muestran cómo usarlos. Pero el aprendizaje automático sigue siendo una técnica especializada; necesita saber cómo preparar datos y dividirlos para entrenamiento y pruebas, necesita saber cómo elegir el mejor algoritmo y qué heurística usar con él, y cómo convertirlo en un sistema confiable en producción. También necesita monitorear el sistema para asegurarse de que los resultados sigan siendo relevantes a lo largo del tiempo; ya sea que su mercado cambie o su sistema de aprendizaje automático sea lo suficientemente bueno como para terminar con un grupo diferente de clientes, debe seguir comprobando que el modelo todavía se ajusta a su problema.

Obtener el aprendizaje automático correcto requiere experiencia; si recién está comenzando, busque APIs para modelos previamente entrenados a los que puede llamar desde adentro de su código, mientras adquiere o contrata conocimientos en ciencia de datos y aprendizaje automático para construir sistemas personalizados.

Mito: Todos los patrones en los datos son útiles
Los que sufren de asma, las personas con dolor de pecho o enfermedad cardíaca, y cualquier persona que tenga 100 años de edad, tienen una tasa de supervivencia mucho más alta para la neumonía de lo que hubiese podido esperar. Tan alta, de hecho, que un sistema de aprendizaje automático simple diseñado para automatizar la admisión hospitalaria, podría enviarlos a casa (un sistema basado en reglas entrenado en los mismos datos que una red neuronal hizo exactamente eso). Desafortunadamente, la razón por la que tienen tasas de supervivencia tan altas es que siempre son admitidos inmediatamente porque la neumonía es muy peligrosa para ellos.

El sistema está viendo un patrón válido en los datos; simplemente no es un patrón útil para elegir a quién admitir (aunque ayudaría a una compañía de seguros a predecir los costos del tratamiento). Aún más peligrosamente, no sabrá que esos antipatrones inútiles están en su conjunto de datos a menos que ya los conozca.

En otros casos, un sistema puede aprender un patrón válido (como un controvertido sistema de reconocimiento facial que predijo con precisión la orientación sexual a partir de selfies) que no es útil porque no tiene una explicación clara y obvia (en este caso las fotografías parecen mostrar señales sociales como pose en vez de algo innato).

Los modelos de “caja negra” son eficientes, pero no dejan en claro qué patrón han aprendido. Los algoritmos más transparentes e inteligibles, como los Modelos Aditivos Generalizados, aclaran lo que el modelo ha aprendido para que pueda decidir si es útil implementarlos.

Mito: El aprendizaje de refuerzo está listo para usar
Prácticamente todos los sistemas de aprendizaje automático en uso en la actualidad, usan aprendizaje supervisado; en la mayoría de los casos, están entrenados en conjuntos de datos claramente etiquetados en los que los humanos han estado involucrados en la preparación. La conservación de estos conjuntos de datos requiere tiempo y esfuerzo, por lo que hay mucho interés en las formas de aprendizaje no supervisadas, especialmente el aprendizaje reforzado (RL, por sus siglas en inglés), donde un agente aprende por ensayo y error interactuando con su entorno y recibiendo recompensas por el comportamiento correcto. El sistema AlphaGo de DeepMind usó RL junto con aprendizaje supervisado para vencer a los jugadores Go de alto rango; y Libratus, un sistema construido por un equipo de Carnegie Mellon, usó RL junto con otras dos técnicas de IA para derrotar a algunos de los mejores jugadores de póker del mundo en el Texas Hold ‘Em sin límites (que tiene una estrategia de apuestas larga y compleja). Los investigadores están experimentando con RL en todo, desde la robótica hasta el software de seguridad de prueba.

Sin embargo, el RL es menos común fuera de la investigación. Google usa DeepMind para ahorrar energía en sus centros de datos, al aprender a enfriarlos de manera más eficiente; Microsoft usa una versión específica y limitada del RL llamada bandidos contextuales para personalizar los titulares de noticias de los visitantes de MSN.com. El problema es que pocos entornos del mundo real tienen recompensas fácilmente detectables y comentarios inmediatos, y es particularmente engañoso asignar recompensas cuando el agente toma múltiples acciones antes de que ocurra algo.

Mito: El aprendizaje automático es imparcial
Debido a que el aprendizaje automático aprende de los datos, replicará cualquier sesgo en el conjunto de datos. Es probable que la búsqueda de imágenes de los CEO muestre fotos de CEO blancos y masculinos, porque más CEO son blancos y hombres. Pero resulta que el aprendizaje automático también amplifica el sesgo.

El conjunto de datos COCO, que a menudo se usa para entrenar sistemas de reconocimiento de imágenes, tiene fotos de hombres y mujeres; pero se muestran más mujeres al lado del equipo de cocina y se muestra a más hombres con teclados y ratones, o raquetas de tenis y tablas de snowboard. Entrene el sistema con COCO y este asocia a los hombres con el hardware de computadora con más fuerza que las estadísticas en las fotos originales.

Un sistema de aprendizaje automático también puede agregar un sesgo a otro. Entrenar un sistema de aprendizaje automático con marcos populares para representar palabras como vectores que muestran las relaciones entre ellos, y aprenderá estereotipos como “el hombre es para la mujer como el programador de computadoras es para el ama de casa”, o el médico para la enfermera y el jefe para la recepcionista. Si usa ese sistema con uno que traduce entre idiomas que tienen pronombres como él y ella, como el inglés, a los que tienen pronombres neutrales al género, como el finlandés o el turco, “son un médico” se convierte en “él es un doctor” y “ellos son enfermeros” se convierte en “ella es enfermera”.

Obtener recomendaciones similares en un sitio de compras es útil, pero es problemático cuando se trata de áreas sensibles y puede producir un ciclo de retroalimentación; si se une a un grupo de Facebook que se opone a la vacunación, el motor de recomendación de Facebook sugerirá otros grupos que se centren en las teorías de conspiración o la creencia de que la Tierra es plana.

Es importante conocer los problemas de sesgo en el aprendizaje automático. Si no puede eliminar el sesgo en su conjunto de datos de entrenamiento, use técnicas como regularizar las asociaciones de género entre pares de palabras para reducir el sesgo o agregar elementos no relacionados a las recomendaciones y así evitar el ‘filtro burbuja’.

Mito: El aprendizaje automático solo se usa para bien
El aprendizaje automático potencia las herramientas antivirus, observa el comportamiento de los nuevos ataques para encontrarlos tan pronto como se lanzan. Pero igualmente, los hackers están utilizando el aprendizaje automático para probar las defensas de las herramientas de antivirus, así como para crear ataques de phishing a escala, mediante el análisis de grandes cantidades de datos públicos o analizando cuán exitosos fueron los intentos previos de phishing.

Mito: El aprendizaje automático reemplazará a las personas
Es común preocuparse de que la inteligencia artificial le quite empleos y ciertamente cambiará los trabajos que hacemos y cómo los hacemos; los sistemas de aprendizaje automático mejoran la eficiencia y el cumplimiento y reducen los costos. A la larga, creará nuevos roles en el negocio y hará que algunas posiciones actuales se vuelvan obsoletas. Pero muchas de las tareas que automatiza el aprendizaje automático simplemente no eran posibles antes, debido a la complejidad o escala; no podría contratar suficientes personas para mirar cada fotografía publicada en las redes sociales para ver si presenta su marca, por ejemplo.

Lo que el aprendizaje automático ya ha comenzado es a crear nuevas oportunidades comerciales, como mejorar la experiencia del cliente gracias al mantenimiento predictivo, y ofrecer sugerencias y apoyo a los responsables de la toma de decisiones empresariales. Al igual que con las generaciones anteriores de automatización, el aprendizaje automático puede liberar empleados para utilizar su experiencia y creatividad.

Fuente: http://www.cwv.com.ve/9-mitos-sobre-el-aprendizaje-automatico/

Comparte este contenido:
OtrasVocesenEducacion.org