Recursos para la AI responsable
Explora recursos diseñados para ayudarte a usar la AI de manera responsable en cada etapa de la innovación: el concepto, el desarrollo, la implementación y más.
Directrices para la interacción entre las personas y la AI
Usa las directrices para diseñar sistemas de AI durante la interacción con los usuarios y el ciclo de vida de la solución.
Directrices para la AI conversacional
Aprende a diseñar bots que den prioridad a las personas y generen confianza en tus servicios, aprovechando las directrices para una AI conversacional responsable.
Directrices para un diseño inclusivo
Estas directrices pueden ayudarte a crear sistemas de AI que habiliten y aprovechen toda la diversidad de personas.
Lista de comprobación para la equidad en la AI
Esta lista de comprobación puede ayudarte a priorizar la equidad en el desarrollo de sistemas de AI.
Plantilla de fichas para conjuntos de datos
Toma en cuenta estas preguntas que te ayudarán a priorizar la transparencia mediante la creación de fichas para los conjuntos de datos involucrados en los sistemas de AI.
Comprender
Los sistemas de AI pueden comportarse de manera inesperada por diversos motivos. Estas herramientas de software pueden ayudarte a comprender el comportamiento de tus sistemas de AI, para que los ajustes mejor a tus necesidades.
InterpretML
InterpretML es un paquete de Python de código abierto para entrenar modelos de aprendizaje automático que se puedan interpretar y para explicar los sistemas de caja negra.
Fairlearn
El kit de herramientas de código abierto de Fairlearn permite a los desarrolladores de sistemas de AI evaluar la equidad de sus sistemas y mitigar cualquier impacto negativo para grupos de personas, como los que se definen en términos de raza, género, edad o estado de discapacidad.
Investigación para una AI responsable
Los investigadores de Microsoft trabajan con la comunidad académica en general para promover las prácticas y tecnologías de AI responsables. Nuestra página de compilación de estudios entrega una visión general de algunas áreas clave donde trabajan nuestros investigadores para lograr sistemas de AI más responsables y confiables.
AI responsable con Brad Smith
Brad Smith, presidente de Microsoft, habla sobre su carrera profesional, seis principios de la AI responsable en Microsoft y los diez principales problemas técnicos de la próxima década, entre otras cosas.
Posibilidades y peligros de la AI
El Dr. Eric Horvitz, director científico en Microsoft, habla sobre su trayectoria en Microsoft Research, el potencial y los problemas que ve en la AI, cómo la AI puede ayudar a países como la India y mucho más.
Aprendizaje automático y equidad
En el seminario web de aprendizaje automático y equidad de las Dras. Jenn Wortman Vaughan y Hanna Wallach, investigadoras superiores principales en Microsoft, aprende a hacer de la detección y la mitigación de los problemas de equidad una prioridad en el desarrollo del aprendizaje automático. En el podcast, Hanna profundiza sobre estos temas.
La AI bajo la mira
La Dra. Kate Crawford habla sobre las promesas y los problemas de la AI, por qué ser más grande no es necesariamente mejor y cómo podemos adoptar principios de diseño de AI que permitan que las personas conformen sus herramientas técnicas.
Criptografía para un mundo poscuántico
El Dr. Brian LaMacchia nos ofrece una mirada interna al mundo de la criptografía y la teoría de números subyacente.
Promover la accesibilidad
La Dra. Meredith Ringel Morris explora cómo, en el desarrollo de la AI, hay que considerar los desafíos éticos como la inclusión, el sesgo, la privacidad, el error, el establecimiento de expectativas, los datos simulados y la aceptabilidad social.
CHI al cuadrado
El Dr. Ken Hinckley y la Dra. Meredith Ringel Morris identifican las posibles áreas críticas en relación con el impacto que pueden tener varias categorías de tecnología de AI en comunidades particulares de discapacidad si no se tiene cuidado con su diseño, desarrollo y pruebas.
AI responsable con la Dra. Saleema Amershi
La Dra. Amershi habla de la vida en la intersección de la AI y la IPC HCI, y desmiente algunos mitos sobre la AI. También nos entrega una visión general de qué (y quién) se necesita para crear sistemas de AI responsable y revela cómo un anhelo personal por simplificar su propia vida también puede simplificar la tuya.
Transparencia e inteligibilidad
Descubre cómo incorporar mejor la transparencia en el ciclo de vida del aprendizaje automático en este seminario web dirigido por la Dra. Jenn Wortman Vaughan, una investigadora superior principal en Microsoft. Podrás informarte sobre la trazabilidad, la comunicación y la inteligibilidad, y sobre la importancia de adoptar un enfoque centrado en las personas.
La vida en la intersección entre la sociedad y la AI
La Dra. Ece Kamar, una investigadora superior en el Grupo de sistemas adaptativos e interacción de Microsoft Research, trabaja para ayudarnos a comprender las implicaciones de largo alcance de la AI. Habla sobre la complementariedad entre los seres humanos y las máquinas y desmiente algunas percepciones erróneas comunes sobre la AI, entre otras cosas.
AI responsable en la práctica con Sarah Bird
La Dra. Sarah Bird, directora principal de programa en Microsoft, se reúne con Sam Charrington de TWiML para conversar sobre algunas herramientas nuevas de Microsoft enfocadas en el aprendizaje automático responsable.
Diseño centrado en las personas con Mira Lane
Mira Lane, directora de socios para Ética y sociedad en Microsoft, se reúne con Sam Charrington de TWiML para conversar sobre cómo define el diseño centrado en las personas, sus conexiones con la cultura y la innovación responsable, y cómo implementar estas ideas en grandes organizaciones de ingeniería.
Impactos sociales de la inteligencia artificial
El Dr. Fernando Ceballos, director de investigación principal en Microsoft Research Montreal, comparte sus conocimientos sobre los tipos de preguntas que tenemos que formularnos sobre la inteligencia artificial y su impacto en la sociedad.
Historias del laboratorio de criptografía
La Dra. Kristin Lauter explica cómo el cifrado homomórfico (parte del campo de la AI privada) nos permite trabajar con los datos más confidenciales y mantenerlos protegidos a la vez.
