Glosario IA
El diccionario completo de la Inteligencia Artificial
Sesgo de selección
Distorsión sistemática que resulta de un método de muestreo no representativo de la población objetivo, lo que conduce a generalizaciones erróneas en las predicciones del modelo.
Sesgo de muestreo
Error metodológico donde ciertos segmentos de la población están sobrerrepresentados o subrepresentados en los datos de entrenamiento, afectando la capacidad de generalización del modelo.
Sesgo de medición
Inexactitud sistemática en la recolección o registro de variables, introduciendo distorsiones en los datos que se propagan a través del proceso de aprendizaje.
Sesgo histórico
Distorsiones heredadas de datos históricos que reflejan prejuicios sociales pasados, perpetuando así las desigualdades existentes en las predicciones algorítmicas actuales.
Sesgo de agregación
Pérdida de información crítica durante la combinación de datos a diferentes niveles de granularidad, ocultando disparidades importantes entre subgrupos de la población.
Sesgo de representatividad
Desequilibrio en la distribución de características demográficas o contextuales entre los datos de entrenamiento y la población de aplicación real.
Sesgo de etiquetado
Inconsistencias sistemáticas en la anotación de los datos de entrenamiento, resultantes de juicios humanos subjetivos o criterios variables entre los anotadores.
Sesgo de supervivencia
Distorsión analítica que considera solo los datos que han superado un proceso de selección previo, ignorando los casos fallidos y distorsionando el análisis comparativo.
Des-biaje adversarial
Técnica que utiliza una red antagonista para minimizar la correlación entre las predicciones del modelo y los atributos sensibles mientras preserva el rendimiento predictivo.
Ponderación inversa de probabilidades
Método de corrección de sesgos que asigna pesos a los ejemplos de entrenamiento inversamente proporcionales a su probabilidad de muestreo.
Remuestreo estratificado
Técnica de sobremuestreo o submuestreo que busca equilibrar la representación de diferentes clases o grupos demográficos en los datos de entrenamiento.
Análisis de impacto dispar
Evaluación cuantitativa de los efectos diferenciales de un algoritmo en varios grupos protegidos, identificando potencialmente discriminaciones indirectas.
Calibración justa
Proceso de ajuste de los puntajes de probabilidad para garantizar que las predicciones estén bien calibradas mientras se mantiene la equidad entre los grupos.
Sesgo de asignación
Distorsión sistemática en la distribución de recursos u oportunidades por un algoritmo, favoreciendo a algunos grupos en detrimento de otros de manera injustificada.
Detección de sesgo latente
Identificación de correlaciones ocultas entre variables predictoras y atributos sensibles no declarados explícitamente en los datos.