1Un proyecto de IA sigue un ciclo: pregunta, datos, línea base, iteración y evaluación final. El conjunto de prueba se usa una sola vez, al final, y todo modelo tiene que ganarle a la línea base.
2La exactitud global puede esconder que un modelo trata peor a un grupo. Se audita por subgrupos con pandas.groupby, comparando la tasa de aprobación, la tasa de verdaderos positivos (TVP) y la de falsos positivos, con intervalos de bootstrap para saber si una diferencia es real.
3Quitar un atributo sensible no basta: otras columnas lo delatan. En el censo de 1994 que se audita en el tema, el parentesco y el estado civil revelan el sexo, y los datos reflejan las desigualdades salariales de esa época.
4La paridad demográfica pide aprobar a cada grupo en la misma proporción; la igualdad de oportunidades, la misma TVP. Si las tasas base de los grupos son distintas, igualar la aprobación obliga a aprobar a más personas que no cumplen o a rechazar a más que sí cumplen, y no se pueden igualar a la vez la aprobación, la TVP y la TFP: hay que elegir un criterio y justificarlo, y mover los umbrales por grupo muestra cuánto cuesta en exactitud.
5Una ficha de modelo cuenta qué hace el modelo, con qué datos, cómo se midió, para qué no sirve y dónde falla. Es parte de la entrega del proyecto final, junto con el cuaderno y una presentación de 5 minutos.
6La IA responsable también es privacidad (en Bolivia, la Constitución reconoce la Acción de Protección de Privacidad, pero aún no hay una ley general de datos personales), licencias de datos, transparencia, el consumo de energía y el uso honesto de los asistentes de IA.