Responsabilidad
Responsabilidad: Significa asumir la responsabilidad de los efectos de un sistema de IA.
La responsabilidad suele implicar transparencia o compartir información sobre el comportamiento del sistema y el proceso organizativo, lo que puede incluir documentar y compartir cómo se crearon, entrenaron y evaluaron los modelos y los conjuntos de datos. En los siguientes sitios, se explican dos modos valiosos de documentación de responsabilidad:
Otra dimensión de la responsabilidad es la interpretabilidad, que implica la comprensión de las decisiones de los modelos de AA, en las que las personas pueden identificar las características que llevan a una predicción. Además, la explicabilidad es la capacidad de explicar las decisiones automatizadas de un modelo de una manera que las personas puedan entender.
Obtén más información para generar confianza de los usuarios en los sistemas de IA en la sección Explicabilidad y confianza de la Guía de People + AI.
También puedes consultar los Recursos de explicabilidad de Google para ver ejemplos reales y prácticas recomendadas.
Salvo que se indique lo contrario, el contenido de esta página está sujeto a la licencia Atribución 4.0 de Creative Commons, y los ejemplos de código están sujetos a la licencia Apache 2.0. Para obtener más información, consulta las políticas del sitio de Google Developers. Java es una marca registrada de Oracle o sus afiliados.
Última actualización: 2025-02-25 (UTC)
[null,null,["Última actualización: 2025-02-25 (UTC)"],[[["Accountability in AI involves taking ownership for the effects of a system, often achieved through transparency about the system's development and behavior."],["Transparency can be enhanced using documentation practices like Model Cards and Data Cards, which provide information about models and datasets."],["Interpretability and explainability are crucial aspects of accountability, enabling understanding of model decisions and providing human-understandable explanations for automated actions."],["Fostering user trust in AI systems requires focusing on explainability and transparency, with further resources available in Google's Responsible AI Practices and Explainability Resources."]]],[]]
