• ES Español
• EN English

5.42. Ética Profesional (Obligatorio)

5.42.1. Justificación ↑ Volver arriba

Este curso adapta los principios éticos profesionales al campo de la Inteligencia Artificial, integrando los códigos de ética de ACM e IEEE con desafíos específicos de IA. Combina fundamentos regulatorios (GDPR) con casos actuales de impacto social.

5.42.2. Objetivos Generales ↑ Volver arriba

1. Aplicar los códigos de ética de ACM/IEEE a problemas de IA.
2. Analizar el cumplimiento de regulaciones (GDPR) en sistemas autónomos.
3. Diseñar protocolos éticos para proyectos de IA.

5.42.3. Contribución a los resultados (Outcomes) ↑ Volver arriba

AG-C04) Comunicación: Se comunica de forma efectiva en actividades complejas de computación. (Usage)

AG-C02) Ética: Aplica principios éticos y se compromete con la ética profesional y las normas de la práctica profesional de la computación. (Usage)

5.42.4. Contenido ↑ Volver arriba

5.42.4.1. Fundamentos Éticos en IA (10 horas) [Habilidades AG-C02,AG-C04] ↑ Volver arriba

Referencias Bibliográficas: (ACM, 2018; IEEE, 2020)

Temas

1. Comparación: Códigos de ética ACM vs IEEE para IA.
2. Principios de transparencia y justicia algorítmica.

Aprendizaje esperado (Learning Outcomes)

1. Explicar diferencias entre marcos éticos [Familiarizarse].
2. Evaluar compliance en casos reales [Evaluar].

5.42.4.2. Privacidad y Regulaciones (14 horas) [Habilidades AG-C02,AG-C04] ↑ Volver arriba

Referencias Bibliográficas: (Voigt and von dem Bussche, 2018; Müller, 2021)

Temas

1. GDPR aplicado a ML: derecho a explicación.
2. Auditoría ética de datasets (ej: ImageNet).

Aprendizaje esperado (Learning Outcomes)

1. Implementar checklist GDPR para modelos [Usar].
2. Identificar violaciones en estudios de caso [Evaluar].

5.42.4.3. Sesgos y Equidad (18 horas) [Habilidades AG-C02,AG-C04] ↑ Volver arriba

Referencias Bibliográficas: (Force, 2020; Mehrabi et al., 2021)

Temas

1. Métricas de equidad (paridad demográfica, igualdad de oportunidades).
2. Herramientas: IBM Fairness 360, Google What-If.

Aprendizaje esperado (Learning Outcomes)

1. Medir sesgos en modelos con Python [Usar].
2. Proponer estrategias de mitigación [Evaluar].

5.42.4.4. Responsabilidad en Sistemas Autónomos (18 horas) [Habilidades AG-C02,AG-C04] ↑ Volver arriba

Referencias Bibliográficas: (Bostrom, 2014; Committee, 2019)

Temas

1. Atribución legal en fallos de IA (ej: vehículos autónomos).
2. Normas ISO para IA confiable.

Aprendizaje esperado (Learning Outcomes)

1. Redactar cláusulas de responsabilidad [Evaluar].
2. Analizar conflictos legales [Familiarizarse].

5.42.5. Referencias Bibliográficas ↑ Volver arriba

ACM (2018). Acm code of ethics and professional conduct. Technical report, ACM.

IEEE (2020). Ieee code of ethics. Technical report, IEEE.

Voigt, P. and von dem Bussche, A. (2018). The EU General Data Protection Regulation (GDPR): A Practical Guide. Springer.

Müller, V. C. (2021). Ethics of Artificial Intelligence and Robotics. Cambridge University Press.

Force, A. E. T. (2020). Case studies in computing and society. Technical report, ACM.

Mehrabi, N., Morstatter, F., Saxena, N., Lerman, K., and Galstyan, A. (2021). A survey on bias and fairness in machine learning. ACM Computing Surveys, 54(6).

Bostrom, N. (2014). Superintelligence: Paths, Dangers, Strategies. Oxford University Press.

Committee, I. E. (2019). Ethical dilemmas in engineering. Technical report, IEEE.