La importancia del contexto en la inteligencia artificial (IA) radica en su significativo impacto en el rendimiento, la fiabilidad y las consideraciones éticas de los sistemas de IA.
Algunos puntos clave sobre la importancia del contexto en la IA:
Rendimiento: El contexto en el que opera un sistema de IA puede influir enormemente en su rendimiento. Factores como la calidad de los datos, el caso de uso específico y el entorno en el que se despliega el sistema pueden influir en la capacidad del sistema para hacer predicciones o tomar decisiones precisas.
Fiabilidad: Comprender el contexto en el que se utiliza un sistema de IA es crucial para garantizar su fiabilidad. Diferentes contextos pueden plantear retos o limitaciones únicos que el sistema debe tener en cuenta para funcionar con eficacia y seguridad.
Consideraciones éticas: El contexto desempeña un papel crucial a la hora de abordar las consideraciones éticas en la IA. Los sistemas de IA pueden perpetuar inadvertidamente los prejuicios o la discriminación si no se tiene en cuenta cuidadosamente el contexto en el que fueron entrenados. Comprender las implicaciones sociales más amplias de las aplicaciones de IA es esencial para garantizar que estos sistemas se desarrollen y desplieguen de forma responsable.
Interpretabilidad y explicabilidad: El contexto en el que opera un sistema de IA puede influir en su interpretabilidad y explicabilidad. Comprender el contexto en el que los sistemas de IA toman sus decisiones es esencial para que los usuarios confíen en estos sistemas e interactúen eficazmente con ellos.
Adaptabilidad: Los sistemas de IA conscientes del contexto pueden adaptar su comportamiento en función de las circunstancias específicas en las que operan. Al tener en cuenta el contexto en el que se despliega el sistema, los desarrolladores pueden diseñar sistemas de IA más flexibles y sensibles a las condiciones cambiantes.
Dimensiones claves que nos permiten tener otras interpretaciones adicionales
Adaptación a Situaciones Variables: La capacidad de adaptación de la IA a diferentes contextos permite que pueda funcionar de manera eficiente en entornos cambiantes. Por ejemplo, un asistente virtual debe comprender el contexto de una conversación para proporcionar respuestas relevantes.
Mejora de la Toma de Decisiones: La toma de decisiones de la IA se beneficia enormemente al considerar el contexto. Un sistema de IA puede tomar decisiones más informadas si entiende la situación actual y las condiciones circundantes.
Interacción Humano-Máquina: En aplicaciones donde la IA interactúa con humanos, como chatbots o asistentes virtuales, comprender el contexto de la conversación mejora la calidad de la interacción. La IA puede responder de manera más natural y relevante.
Personalización de Servicios: Entender el contexto permite a la IA personalizar sus servicios de acuerdo con las necesidades específicas de cada usuario. Por ejemplo, los motores de recomendación pueden ajustar sus sugerencias según el historial y preferencias actuales.
Resolución de Problemas Complejos: En tareas que involucran la resolución de problemas complejos, como el reconocimiento de patrones en grandes conjuntos de datos, la IA debe considerar el contexto para interpretar de manera precisa la información.
Ética y Sensibilidad: La comprensión del contexto es esencial para abordar cuestiones éticas. La IA debe ser consciente del contexto social, cultural y ético en el que se implementa para evitar sesgos y decisiones indeseadas.
Conclusión
Tener en cuenta el contexto en el que operan los sistemas de IA es esencial para optimizar el rendimiento, garantizar la fiabilidad, abordar las consideraciones éticas, mejorar la interpretabilidad y la explicabilidad, y permitir la adaptabilidad. Si se tiene en cuenta el contexto durante el desarrollo y el despliegue de los sistemas de IA, las partes interesadas pueden mitigar los riesgos y maximizar los beneficios de la tecnología de IA.
En otras palabras, la importancia del contexto en la inteligencia artificial radica en su capacidad para comprender y adaptarse a situaciones específicas, lo que mejora la efectividad, la relevancia y la aplicabilidad de la IA en una amplia variedad de escenarios. La falta de consideración del contexto puede dar lugar a interpretaciones erróneas y decisiones inapropiadas por parte de la inteligencia artificial.
¿En qué partes del programa de estudios podemos encontrar el término ‘contexto’?
Los sistemas de IA estrecha (también conocida como IA débil) están programados para llevar a cabo una tarea específica con un contexto limitado. (ref. 1.2. IA estrecha, general y superior)
En el contexto de los sistemas basados en IA, el sesgo es una medida estadística de la distancia entre los resultados proporcionados por el sistema y lo que se consideran «resultados justos», que no muestran favoritismo hacia un grupo concreto. Los sesgos inadecuados pueden estar relacionados con atributos como el sexo, la raza, la etnia, la orientación sexual, el nivel de ingresos y la edad. (ref. 2.4. Sesgo)
Los sesgos pueden introducirse en muchos tipos de sistemas basados en IA. Por ejemplo, es difícil evitar que el sesgo de los expertos se incorpore a las reglas aplicadas por un sistema experto. Sin embargo, la prevalencia de los sistemas de inteligencia artificial hace que gran parte del debate sobre la parcialidad tenga lugar en el contexto de estos sistemas. (ref. 2.4. Sesgo)
El aprendizaje por refuerzo se adapta mejor a contextos en los que existe interacción con el entorno. (ref. 3.3. Selección de una forma de ML)
La primera forma de sesgo de automatización/complacencia se produce cuando una persona acepta las recomendaciones del sistema y no tiene en cuenta las aportaciones de otras fuentes (incluidas las suyas propias). Por ejemplo, un procedimiento en el que un humano introduce datos en un formulario podría mejorarse utilizando el aprendizaje automático para rellenar previamente el formulario, y el humano valida después estos datos. Se ha demostrado que esta forma de sesgo de la automatización suele reducir la calidad de las decisiones tomadas en un 5%, pero podría ser mucho mayor en función del contexto del sistema [B16]. Del mismo modo, la corrección automática del texto tecleado (por ejemplo, en los mensajes de móvil) suele ser defectuosa y podría cambiar el significado. Los usuarios no suelen percatarse de ello y no anulan el error. (ref. 7.4. Comprobación del sesgo de automatización en los sistemas basados en IA)
Aspecto: Flexibilidad.
Considera cómo se desenvuelve el sistema en contextos ajenos a la especificación inicial. Esto puede implementarse como una forma de prueba de regresión automatizada ejecutada en el entorno operativo modificado. Compruebe el tiempo que tarda el sistema y/o los recursos que utiliza para cambiarse a sí mismo para gestionar un nuevo contexto. (ref. 8.8. Objetivos de las pruebas y criterios de aceptación)
En las pruebas exploratorias, las pruebas se diseñan, generan y ejecutan de forma iterativa, con la posibilidad de derivar pruebas posteriores basadas en los resultados de pruebas anteriores. Las pruebas exploratorias son especialmente útiles cuando las especificaciones son deficientes o hay problemas con el oráculo de pruebas, como suele ocurrir con los sistemas basados en IA. Por ello, las pruebas exploratorias se utilizan a menudo en este contexto y deben emplearse para complementar las pruebas más sistemáticas basadas en técnicas, como las pruebas metamórficas (ver apartado 9.5). (ref. 9.6. Pruebas basadas en la experiencia de los sistemas basados en IA)
Fuente de inspiración: Programa de estudios del ISTQB AI
