5.42. FG211. Ética Profesional (Obligatorio)
- Semestre: 7mo Sem. Créditos: 2
- Horas del curso: Teoría: 1 horas; Práctica: 2 horas;
- Sílabo:
Español
English - Prerrequisitos: Ninguno
5.42.1. Justificación
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
- 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)
-
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
5.42.4.1. Fundamentos Éticos en IA (10 horas) [Habilidades AG-C02,AG-C04]
Referencias Bibliográficas: [ACM, a, IEEE, ]
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]
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]
Referencias Bibliográficas: [Force, , 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]
Referencias Bibliográficas: [Bostrom, 2014, Committee, ]
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
-
[ACM, a]
-
[IEEE, ]
-
[Force, ]
-
[Committee, ]