Problemas jurídicos para controlar la discriminación algorítmica 84 real, no edulcorarlos y reconstruirlos, lo que llevaría a una especie de enga o o manipulación de la realidad (y con ello de la verdad). 4.4 El aprendizaje autónomo El sistema de inteligencia artificial puede llegar a una situación en la que se desvincula de la programación inicial y progresa de manera autónoma. En ese escenario el posible sesgo de los algoritmos de partida ya no incidirá, por lo que podría resultar entonces irrelevante la situación inicial discriminatoria. Por aprendizaje autónomo nos referimos a la capacidad de un sistema para mejorar de forma independiente su rendimiento y adquirir nuevos conocimientos sin intervención humana. Para ello interactúa con su entorno y necesita cierta retroalimentación. El comienzo es la recopilación de ciertos datos, que son procesados para preparar su análisis. Dicho procesamiento puede implicar que se extraigan sus elementos característicos o que se eliminen datos atípicos no representativos. Tras ello hay que seleccionar los algoritmos de aprendizaje (machine learning), que como vimos en el apartado 3 son básicamente de tres tipos o grupos: algoritmos de aprendizaje supervisado (como redes neuronales, árboles de decisión o máquinas de vectores de soporte), aprendizaje no supervisado (como clustering o reducción de dimensionalidad) o aprendizaje por refuerzo. En función de la naturaleza del problema y de los datos disponibles se opta por uno u otro. Después se producirá el entrenamiento del modelo. En el aprendizaje supervisado, el sistema aprende a hacer predicciones a partir de ejemplos etiquetados, o sea, se ense a con el ejemplo. El humano le da al sistema unos datos conocidos con las entradas y salidas correctas para que el algoritmo identifique los patrones y realice las predicciones adecuadas. El operador lo puede corregir, lo que retroalimenta el proceso. En cambio, en el aprendizaje no supervisado, el sistema busca patrones o estructuras en los datos sin etiquetar. Debe determinar las correlaciones, para lo cual organizará los datos para interpretar su estructura. Y en el aprendizaje por refuerzo, el sistema aprende a tomar decisiones óptimas basadas en la retroalimentación recibida del entorno. Al definir las reglas el algoritmo tantea distintas opciones y evalúa el resultado. Es un proce-
RkJQdWJsaXNoZXIy MjEzNzYz