Filtrar por tipo de entrada
Seleccionar todo
Noticias
Páginas
Eventos
Filtrar por categorías
Seleccionar todo
AI ANALITICA
Apps móviles e Internet de las Cosas
Avance de la ciencia
Big data
Comunidades conectadas
Coronavirus
Cursos y capacitaciones
DIAGNOSTICO
Editorial inicial
Editoriales
El mundo en la nube
Eventos
Infografías
Inteligencia Artificial y Ciencia
IoTApps
Noticias
Plataformas digitales
Redes sociales
Reseña de publicaciones científicas
Resumen de Cursos
Sinopsis de ensayo
Sinopsis de Marcos de Referencia
Sinopsis de publicaciones recientes
Uso de Plataformas Digitales
Filtrar por tipo de entrada
Seleccionar todo
Noticias
Páginas
Eventos
Filtrar por categorías
Seleccionar todo
AI ANALITICA
Apps móviles e Internet de las Cosas
Avance de la ciencia
Big data
Comunidades conectadas
Coronavirus
Cursos y capacitaciones
DIAGNOSTICO
Editorial inicial
Editoriales
El mundo en la nube
Eventos
Infografías
Inteligencia Artificial y Ciencia
IoTApps
Noticias
Plataformas digitales
Redes sociales
Reseña de publicaciones científicas
Resumen de Cursos
Sinopsis de ensayo
Sinopsis de Marcos de Referencia
Sinopsis de publicaciones recientes
Uso de Plataformas Digitales
MIT desarrolla técnicas para promover la equidad en modelos de aprendizaje automático en salud

El Massachusetts Institute of Technology (MIT), ha desarrollado una nueva técnica para reducir el sesgo y aumentar el alcance de modelos de aprendizaje automático.

La Inteligencia Artificial, los modelos de aprendizaje automático y aprendizaje profundo, son aspectos clave para el desarrollo de investigaciones y estudios que requieren el procesamiento de grandes cantidades de datos. Sin embargo, un desequilibrio en los datos puede derivar en la creación de modelos que dan entrada a sesgos en la investigación. Por ello el MIT ha publicado un estudio donde muestra cómo fue posible aumentar la equidad en modelos de aprendizaje automático.

El artículo titulado: “¿Es la equidad solo métrica profunda? Evaluación y abordaje de las brechas de subgrupos en DML”, explica que estos modelos pueden corregirse. De esta forma desarrollaron una técnica que permite que el modelo produzca resultados justos sin importar si este fue entrenado con datos desequilibrados.

“En el aprendizaje automático, es común culpar a los datos por el sesgo en los modelos. Pero no siempre tenemos datos equilibrados. Por lo tanto, debemos idear métodos que realmente solucionen el problema con datos desequilibrados”, dice la autora principal Natalie Dulero, estudiante de posgrado en el Grupo de Aprendizaje Automático Saludable del Laboratorio de Ciencias de la Computación e Inteligencia Artificial (CSAIL) del MIT.

En este sentido la corrección de los modelos puede adaptarse a nuevos datos y aprender a agrupar nuevos tipos de información. “Sabemos que los datos reflejan los sesgos de los procesos en la sociedad. Esto significa que tenemos que cambiar nuestro enfoque para diseñar métodos que se adapten mejor a la realidad”, explica la autora principal Marzyeh Ghassemi.

Gracias a este tipo de desarrollos es posible mejorar modelos que han sido exitosos para la investigación. En el caso de la salud, es importante mantener estándares altos en los modelos de aprendizaje automático profundo o cualquier otro algoritmo, que involucre a pacientes.

Noticias destacadas

Noticias por país

Comparte el contenido

Salud Digital en el mundo

  • — Science Brief: Omicron (B.1.1.529) Variant/ actualizaciones CDC
    Ver más
  • — Coronavirus resource center / Johns Hopkins
    Ver más
  • — Rastreo epidemiológico de contactos COVID-19 / Curso Johns Hopkins
    Ver más
  • — Comportamiento infección SARS-CoV-2 / Calculadora FCS
    Ver más
  • — Omicron SARS-CoV-2 variant: a new chapter in the COVID-19 pandemic/ Artículo The Lancet
    Ver más
  • — Genomic Epidemiology Tracker / GISAID
    Ver más
  • — Consorcio Mexicano de Vigilancia Genómica
    Ver más
Secured By miniOrange