Vista previa del material en texto
Vanguardia de la gobernanza de Internet Gobernanza Algorítmica Micaela Mantegna mmantegna@udesa.edu.aR micaela@geekylegal.com 1/.MACHINE INTELLIGENCE PIENSAN LOS ANDROIDES CON NEURONAS ELECTRICAS? PRECONCEPTOS O PREJUICIOS MACHINE INTELLIGENCE NEUTRALIDAD Y EFICACIA INFALIBLE LAS MÁQUINAS NO PIENSAN, SE PROGRAMAN COMPUTER SAYS NO... 1. razonamiento logico 2. representacion del conocimiento 3. procesamiento de lenguaje natural 4. percepcion 5. planificacion y navegacion (Chen, 2016) . MACHINE INTELLIGENCE //> DESAFIOS (1) sistemas que piensan como humanos (arquitecturas cognitivas y redes neuronales) (2) sistemas que actuan como humanos (capaces de usar lenguaje natural para pasar el test de Turing) (3) sistemas que piensan racionalmente (solvers, inferencia y optimizacion) (4) sistemas que pueden actuar racionalmente (agentes artificiales y robots con habilidades de percepcion, planificacion, razonamiento, toma de decisiones, autonomia para actuar y aprendizaje) . MACHINE INTELLIGENCE //> TAXONOMIA La pregunta de si las máquinas pueden pensar es tan irrelevante como la de si los submarinos pueden nadar, o si los aviones pueden volar como un pájaro. Se desplazan por el agua y por el aire aunque no necesariamente de la misma forma en que lo hacen los animales. En los temas de AI ocurre lo mismo, realizan tareas que los humanos realizan y pueden arribar a resultados parecidos, pero eso no implica que sigan los mismos procesos. . MACHINE INTELLIGENCE //> este estado del arte las máquinas y los algoritmos que las propulsan no tienen conciencia, ni son autoreflexivas, y no exhiben aspiraciones de independencia ni deseos personales, son brutalmente eficientes en las tareas especificas asignadas y persiguen su objetivo inexorablemente, pero no poseen una inteligencia general (Kaplan, 2015) . MACHINE INTELLIGENCE //> TAXONOMIA MACHINE INTELLIGENCE //> TAXONOMIA “NARROW” AI “GENERAL” AI (AGI) AI SUPERINTELLIGENCE (ASI) INTELIGENCIA ARTIFICIAL MACHINE LEARNING INTELIGENCIA ARTIFICIAL SISTEMAS CAPACES DE ACTUAR CON INTELIGENCIA MACHINE LEARNING SISTEMAS CAPACES DE APRENDER DE LA EXPERIENCIA CHINESE ROOM DILEMMA DISTINTOS ENFOQUES SISTEMAS EXPERTOS APRENDIZAJE AUTOMATICO KNOWLEDGE ENGINEERING ENFOQUE CUALITATIVO EN LAS REGLAS RIGIDO MACHINE LEARNING ENFOQUE CUANTITATIVO EN LA CANTIDAD DE DATOS FLEXIBLE GATO SISTEMAS EXPERTOS APRENDIZAJE AUTOMATICO ANIMAL FELINO, QUE TIENE COLA, OREJAS, BIGOTES, CUATRO PATAS, QUICK DRAW Can a neural network learn to recognize doodling? https://quickdraw.withgoogle.com/ http://www.youtube.com/watch?v=X8v1GWzZYJ4 https://quickdraw.withgoogle.com/ CONFUNDIENDO A LAS AI AYUDANDO A LAS AI Posibilidades de aprender, en base a alimentar un algoritmo (learner) con inmensas cantidades de datos, y lograr que este se retroalimente de los resultados de sus procesos, realizando las adaptaciones necesarias para su objetivo. Machine Learning es uno de los subcampos de la IA 2/.EL ROL DE LOS DATOS TRANSICIÓN explosión de la economía de los datos SOCIEDAD DE LA INFORMACIÓN (INFORMATION SOCIETY) Transición hacia una economia digital immaterial SOCIEDAD ALGORÍTMICA (DATA DRIVEN SOCIETY) Sociedad asistida por decisiones algorítmicas basadas en datos INTERACCIONES DIGITALES COTIDIANAS PRODUCEN DATOS COMO SUBPRODUCTO INTERNET DE LAS COSAS (IOT) INTERACCIÓN REGISTRO DATO SALUD BIOMETRICOS HABITOS DE CONSUMO PODER ADQUISITIVO GUSTOS Y PREFERENCIAS 44 zettabytes >>Se pronostica que el número de dispositivos conectados a direcciones IP, va a ser para el 2020, tres veces mayor que la población global mundial. >>1 zettabyte es equivalente a 152 millones de años de video UHD 8K AÑO 2020 3/.GOBERNABILIDAD ALGORITMICA secuencia de instrucciones que se llevan a cabo sistemicamente para transformar una entrada (input) en una salida (output) (Alpaydin, 2016) ALGORITMO CONTROL sobre debilidades o posibles distorsiones en la construcción de estos modelos que puedan determinar un resultado sesgado, discriminatorio, injusto o inescrutable GOBERNABILIDAD ALGORITMICA DE CONSTRUYENDO LOS MODELOS ALGORITMICOS MODEL SELECTION SELECCION DEL ALGORITMO PARAMETER TUNING AJUSTE DEL ALGORITMO PARA OPTIMIZAR RESULTADO DATA CLEANING PREPARACION DE LOS DATASETS METRICAS DE EVALUACION Evaluacion de resultados, validacion y seleccion del modelo >TASK DRIVEN una serie de ejemplos de entrada y de salidas deseadas, poniendo en cabeza del algoritmo identificar el modelo o patrón. Problemas de clasificacion y regresion DETECCION DE FRAUDE, MOTORES DE RECOMENDACIONES ALGORITMOS DE APRENDIZAJE AUTOMÁTICO SUPERVISADO NO SUPERVISADO >DATA DRIVEN se presenta el data set sin las salidas y el objetivo del algoritmo es descubrir correlaciones entre ellos. identificar las regularidades dentro de grandes cantidades de información para poder predecir un resultado, es decir, en el reconocimiento de patrones (pattern recognition). COMPORTAMIENTO DE CONSUMIDORES, IMAGEN, ANOMALIAS POR REFUERZO >INTERACCION CON EL ENTORNO Agentes artificiales que aprenden de recompensas. Intuitive learning Entorno Agente Recompensa (reinforced signal)Estado Acción Figura basica del aprendizaje por refuerzo, donde el agente interactua con su entorno. Ante un estado del ambiente el agente toma una accion que cambia el estado del escenario y puede o no determinar una recompensa. (Alpaydin, Ethem, Machine Learning, pág. 126, figura 6.1 REINFORCED LEARNING SELECCION DEL MODELO a. aprendizaje supervisado (supervised learning) i. K-means clustering ii. Principal component analysis iii. Association rules iv. Social Network Analysis b. aprendizaje no supervisado (unsupervised learning) i. Regression analysis ii. K-nearest neighbors iii. Support Vector Machine iv. Decision Tree v. Random Forest vi. Neural Networks c. aprendizaje por refuerzo (reinforced learning) i. Multi armed bandits 4/.DIMENSIONES DE LA GOBERNABILIDAD ALGORITMICA DIM EN SIO NE S 1.ALGORITHMIC AWARENESS 2. PERVASIVIDAD 3.SESGO //> EN DATOS Y EN MODELOS 4.OPACIDAD /TRANSPARENCIA 5. ACCOUNTABILITY 6.EXPLAINABILITY / INTERPRETABILITY 7.INCLUSION / FAIRNESS DIM EN SIO NE S 1.ALGORITHMIC AWARENESS => VISIBILIDAD ● ● Distintos usos de algoritmos de prediccion ● Ser conscientes de que estan en juego ● Avisos de interacción 2. PERVASIVIDAD DIM EN SIO NE S 3.SESGO //> EN DATOS Y EN MODELOS ● ETICA = El rol de la comunidad tecnica: bias como innacuracy de los modelos. DATOS DE ENTRADA CONSTRUCCION DEL MODELO DIM EN SIO NE S 4.OPACIDAD /TRANSPARENCIA ● ALGORTIMOS Y MODELOS ABIERTOS ● PATENTES, COPYRIGHT, TRADE SECRETS ● OPEN SOURCE Y COPYLEFT COMPLEJIDAD TECNICA OPACIDAD LEGAL PROPIEDAD INTELECTUAL DIM EN SIO NE S ● Conocer el funcionamiento de los modelos ● Cuales son los limites de las Black boxes ● Interpretabilidad desde el diseño ● No basta la eficacia del resulta, sino tambien la explicabilidad ● Sin estos parametros no se puede haber accountability 5. ACCOUNTABILITY 6.EXPLAINABILITY / INTERPRETABILITY DIM EN SIO NE S 7.INCLUSION / FAIRNESS exportacion de soluciones algoritmicas no adaptadas a idiosincracias regionales http://www.youtube.com/watch?v=wrEfsdnqaDE 5/.AI POLICY LANDSCAPE A.I. POLICY LANDSCAPE AUTONOMOUS SYSTEMS ALGORITHMIC SENTENCING PREDICTIVE POLICING CONTENT REMOVAL / FAKE NEWS ALGORITHMIC PRICING AUTOMATED DECISION POLICY AI POLICY LANDSCAPE _____________________ NORMATIVAS RELEVANTES PARA EL ENTORNO AI 1. DATA PROTECTION LAW 2. INTELLECTUAL PROPERTY LAW 3. CONSUMER LAW 4. COMPETITION LAW 5. CRIMINAL LAW DATA PROTECTION LAW REMOCION DE DATOS DERECHO A LA “EXPLICACION” REVISION DE LA DECISION GOT DATA? REMOVER INFORMACIÓN ES PERJUDICIAL PARA LA EFICACIA DE LOS MODELOS Y PUEDE CONDUCIR EN LA PRACTICA A PONER AL AFECTADOEN PEOR SITUACION POR FALTA DE REPRESENTATIVIDAD >art. 20 de la ley 25.326 fulmina de nulidad las decisiones judiciales o los actos administrativos que impliquen apreciación o valoración de conductas humanas cuando tengan “...como único fundamento el resultado del tratamiento informatizado de datos personales que suministren una definición del perfil o personalidad del interesado…”. > art. 13 de la ley 1845 estipula como derechos de los titulares de datos personales el derecho de acceso, el cual incluye “que se le informe acerca de la identidad de las personas a las que se le hubieran cedido datos relativos a su persona, del origen de los datos incluidos en el archivo, registro, base o banco de datos consultado, y de la lógica utilizada en los tratamientos automatizados de datos que se hubieran realizado.” REGULACION //> ARGENTINA >‘Profiling’ article 4 GDPR «elaboración de perfiles»: toda forma de tratamiento automatizado de datos personales consistente en utilizar datospersonales para evaluar determinados aspectos personales de una persona física, en particular para analizar o predecir aspectos relativos al rendimiento profesional, situación económica, salud, preferencias personales, intereses, fiabilidad, comportamiento, ubicación o movimientos de dicha persona física; . REGULACION //> EUROPA >Article 13(2)(g) of the GDPR Además de la información mencionada en el apartado 1, el responsable del tratamiento facilitará al interesado la siguiente información necesaria para garantizar un tratamiento de datos leal y transparente respecto del interesado: g) la existencia de decisiones automatizadas, incluida la elaboración de perfiles, a que se refiere el artículo 22, apartados 1 y 4, y, al menos en tales casos, información significativa sobre la lógica aplicada, así como la importancia y las consecuencias previstas de dicho tratamiento para el interesado. REGULACION //> EUROPA >Artiulo 22 GDPR Artículo 22 Decisiones individuales automatizadas, incluida la elaboración de perfiles 1. Todo interesado tendrá derecho a no ser objeto de una decisión basada únicamente en el tratamiento automatizado, incluida la elaboración de perfiles, que produzca efectos jurídicos en él o le afecte significativamente de modo similar. 2. El apartado 1 no se aplicará si la decisión: a) es necesaria para la celebración o la ejecución de un contrato entre el interesado y un responsable del tratamiento; b) está autorizada por el Derecho de la Unión o de los Estados miembros que se aplique al responsable del tratamiento y que establezca asimismo medidas adecuadas para salvaguardar los derechos y libertades y los intereses legítimos del interesado, o c) se basa en el consentimiento explícito del interesado. 3. En los casos a que se refiere el apartado 2, letras a) y c), el responsable del tratamiento adoptará las medidas adecuadas para salvaguardar los derechos y libertades y los intereses legítimos del interesado, como mínimo el derecho a obtener intervención humana por parte del responsable, a expresar su punto de vista y a impugnar la decisión. 4. Las decisiones a que se refiere el apartado 2 no se basarán en las categorías especiales de datos personales contempladas en el artículo 9, apartado 1, salvo que se aplique el artículo 9, apartado 2, letra a) o g), y se hayan tomado medidas adecuadas para salvaguardar los derechos y libertades y los intereses legítimos del interesado. REGULACION //> EUROPA GOBIERNO DE LOS ALGORITMOS LOS ALGORITMOS NOS GOBIERNAN A TRAVÉS DE NUESTROS DATOS GOBERNABILIDAD ALGORITMICA MECANISMOS DE GOBERNANZA SOBRE LOS ALGORITMOS mmantegna@udesa.edu.ar WWW.GEEKYLEGAL.COM @GEEKYLEGAL EL LADO NERD DEL DERECHO http://www.geekylegal.com