The adoption of machine learning and artificial intelligence techniques across various fields requires careful oversight to ensure their use is fair, non-discriminatory, and understandable to those affected. Two key areas have emerged to address these concerns: fairness and interpretability. Fairness focuses on detecting and preventing biases, especially those impacting vulnerable groups, both in data and models. Interpretability, on the other hand, aims to make model decisions understandable, allowing the assignment of importance to original variables and thus facilitating fairness analysis.
La adopción de técnicas de machine learning e inteligencia artificial en diversos campos requiere un control cuidadoso para asegurar un uso justo, no discriminatorio y comprensible para las personas afectadas. Así, han surgido dos áreas clave para abordar estas preocupaciones: el fairness y la interpretabilidad. El fairness se enfoca en detectar y prevenir sesgos, especialmente contra colectivos vulnerables, tanto en los datos como en los modelos. La interpretabilidad, por su parte, busca hacer entendibles las decisiones de los modelos, permitiendo asignar importancia a las variables originales y facilitando así el análisis de fairness.
62-XX
(primary)
2.B (0.16)
2.C (0.16)