Resumen: Gestión de Datos y Ética

📋 Esquema del Curso

1. Datos, información y modelo DIKW
2. Datos como activo organizacional
3. Principios y desafíos de gestión
4. Marcos de gestión de datos
5. Tipos y técnicas de inteligencia artificial
6. Gobernanza de datos e inteligencia artificial
7. Fundamentos de ética de datos
8. Privacidad, consentimiento y equidad
9. RGPD y protección de datos
10. Cultura data-driven y responsabilidad
11. Riesgos éticos de la inteligencia artificial
12. Explicabilidad y evaluación de IA

📖 1. Datos, información y modelo DIKW

🔑 Conceptos clave y definiciones

• Datos : Representaciones de hechos expresadas como texto, números, gráficos, imágenes, sonido o vídeo.
• Información : Datos situados en un contexto que aporta significado, formato, periodo temporal e importancia para un uso determinado.

★ Imprescindible

• 🔄 La pirámide DIKW sigue esta secuencia:
  1. Datos
  2. Información
  3. Conocimiento
  4. Sabiduría

Complementos

• En la fase de sabiduría se decide qué hacer mediante previsión, predicción y optimización según el escenario disponible.

💡 Truco mnemotécnico

DIKW: Datos, Información, Conocimiento y Sabiduría

📖 2. Datos como activo organizacional

🔑 Conceptos clave y definiciones

• Datos como activo organizacional : Un activo organizacional que debe gestionarse para maximizar su valor y minimizar los riesgos asociados a su uso y almacenamiento.

★ Imprescindible

• Los datos pueden generar valor mediante decisiones estratégicas, optimización de procesos, mejora de la eficiencia y creación de nuevas oportunidades de negocio.

Complementos

• Las organizaciones capaces de recopilar, analizar y utilizar datos eficazmente pueden obtener ventaja competitiva, innovar, alterar sectores y crear nuevos mercados.

💡 Truco mnemotécnico

Datos bien gestionados → decisiones, eficiencia y ventaja competitiva

📖 3. Principios y desafíos de gestión

🔑 Conceptos clave y definiciones

• Silos de datos : Sistemas de almacenamiento y gestión segregados e inaccesibles para otras áreas de la empresa, lo que puede provocar ineficiencias, errores y retrasos.

• Baja calidad de datos : Aparece cuando un conjunto contiene errores, imprecisiones, duplicados, información ausente o datos obsoletos, dificultando el análisis y la toma de decisiones.

📝 Puntos esenciales

• Los principios de gestión de datos incluyen:

  • Considerar los datos como activos
  • Gestionar su calidad
  • Asegurar su protección y accesibilidad
  • Promover la responsabilidad compartida entre roles técnicos y de negocio

• Los principales desafíos son:

  • Falta de gobernanza
  • Silos organizativos
  • Baja calidad
  • Dificultad para demostrar el valor del dato

💡 Truco mnemotécnico

Datos compartidos y consistentes frente a silos y definiciones contradictorias

📖 4. Marcos de gestión de datos

🔑 Conceptos clave y definiciones

• DAMA-DMBOK : Un framework global que proporciona principios, buenas prácticas y áreas de conocimiento para gestionar los datos como un activo organizacional.

★ Imprescindible

• DAMA-DMBOK propone un marco funcional con 11 áreas de conocimiento, entre ellas gobierno de datos, calidad, metadatos, arquitectura y seguridad.

Complementos

• El Marco de Ámsterdam para la Gestión de la Información fue creado en la Universidad de Ámsterdam en 1997 para relacionar funciones de información, empresa y tecnología de la información.

• El framework DGI organiza la gobernanza en:

  • El porqué y el qué
  • El quién
  • El cómo

📖 5. Tipos y técnicas de inteligencia artificial

🔑 Conceptos clave y definiciones

• Inteligencia artificial : Técnicas que permiten a los ordenadores emular comportamientos humanos, aprender, tomar decisiones, reconocer patrones y resolver problemas complejos.
• Aprendizaje profundo : Un subconjunto del aprendizaje automático que emplea redes neuronales artificiales para extraer y analizar características de datos en bruto.

★ Imprescindible

📌 La inteligencia artificial reducida o ANI es la única forma de IA existente actualmente y está entrenada para realizar tareas específicas, como Siri, Alexa, ChatGPT o DALL·E 3.

Complementos

• La inteligencia artificial generativa es un subconjunto del aprendizaje profundo que crea texto, imágenes, vídeo o audio a partir de lenguaje natural o instrucciones explícitas.

💡 Truco mnemotécnico

IA → aprendizaje automático → aprendizaje profundo → IA generativa

📖 6. Gobernanza de datos e inteligencia artificial

📝 Puntos esenciales

📌 Una IA fiable depende de datos precisos, completos, consistentes, representativos y gestionados éticamente durante su entrenamiento y validación.

• La gobernanza de datos para la IA se apoya en:

  • Calidad
  • Trazabilidad
  • Interoperabilidad
  • Seguridad
  • Ética

• El Reglamento Europeo de IA clasifica los sistemas según riesgo mínimo, específico, alto e inadmisible, y exige requisitos estrictos a los sistemas de alto riesgo.

💡 Truco mnemotécnico

Calidad y trazabilidad de datos → IA confiable y regulable

📖 7. Fundamentos de ética de datos

★ Imprescindible

• DAMA vincula la ética de datos con:

  • Responsabilidad
  • Transparencia
  • Minimización del daño
  • Equidad
  • Rendición de cuentas
  • Consentimiento informado

• Los principios aplicados a los datos son: (Menlo Report):

  • Respeto por las personas
  • Beneficencia
  • Justicia
  • Respeto por la ley y el interés público

Complementos

• Una cultura ética de datos requiere diagnosticar las prácticas actuales, definir principios y controles, formar al personal, establecer una estrategia y hoja de ruta, y auditar los riesgos.

💡 Truco mnemotécnico

R-B-J: Respeto, Beneficencia y Justicia

📖 8. Privacidad, consentimiento y equidad

🔑 Conceptos clave y definiciones

• Privacidad : El derecho de las personas a controlar cómo se recopilan, utilizan y comparten sus datos personales.

📝 Puntos esenciales

📌 El consentimiento para tratar datos personales debe ser informado, libre, específico y expresado de forma clara por el individuo.

📌 La transparencia exige informar claramente sobre la recopilación y uso de datos, mientras que la equidad exige evitar discriminación y sesgos en su tratamiento.

📖 9. RGPD y protección de datos

🔑 Conceptos clave y definiciones

• Delegado de Protección de Datos : Vela por que el tratamiento de datos personales respete la normativa y la ética de la organización.

★ Imprescindible

• El RGPD entró en vigor el 25 de mayo de 2018 para proteger los datos personales de los ciudadanos de la Unión Europea.

• El RGPD exige:

  • Transparencia y consentimiento
  • Limitación de propósito
  • Minimización de datos
  • Seguridad adecuada
  • Derechos de acceso, rectificación, supresión, portabilidad, limitación y oposición

📌 La LOPD de 1999 permitía el consentimiento tácito y tenía ámbito nacional, mientras que el RGPD exige consentimiento explícito y se aplica a organizaciones que tratan datos de ciudadanos de la Unión Europea.

Complementos

• El RGPD puede imponer sanciones de hasta 20 millones de euros o el 4% de la facturación global anual de la empresa, aplicándose la cantidad mayor.

💡 Truco mnemotécnico

LOPD: consentimiento tácito y ámbito nacional; RGPD: consentimiento explícito y ámbito europeo

📖 10. Cultura data-driven y responsabilidad

🔑 Conceptos clave y definiciones

• Cultura data-driven : Considera los datos activos estratégicos en todos los procesos y niveles de la organización para tomar decisiones objetivas, precisas y alineadas con la estrategia.

★ Imprescindible

• 🔄 La transformación data-driven requiere:
  1. Difundir la importancia de los datos
  2. Establecer indicadores de calidad
  3. Integrar analítica en las herramientas de negocio
  4. Formar a los empleados
  5. Compartir información mediante dashboards, storyboards o informes

Complementos

• La cultura data-driven puede detectar oportunidades y amenazas, personalizar el marketing, incrementar conversiones, aumentar la competitividad y optimizar la toma de decisiones.

• McDonald’s incrementó sus ventas en Canadá un 3,5% el primer año de su sistema de recomendación basado en datos y los usuarios de su aplicación en Japón gastaron un 35% más por pedido.

💡 Truco mnemotécnico

Calidad, formación y acceso → decisiones basadas en datos

📖 11. Riesgos éticos de la inteligencia artificial

★ Imprescindible

• Los principales riesgos éticos de la IA incluyen:

  • Privacidad y seguridad
  • Falta de transparencia
  • Sesgo y discriminación
  • Responsabilidad insuficiente
  • Pérdida de autonomía
  • Impacto laboral y económico
  • Uso militar
  • Manipulación de la opinión pública

• Los datos sesgados de entrenamiento pueden reproducir o amplificar desigualdades históricas de género, raza o edad y provocar discriminación algorítmica. — Mehrabi et al., 2021

Complementos

• Las prácticas de riesgo incluyen:

  • Deepfakes
  • Clonación de voz
  • Inyección de prompts
  • Ataques automatizados
  • Alucinaciones de IA

• Amazon abandonó en 2018 un sistema de IA para revisar currículos después de descubrir que discriminaba a mujeres por haber sido entrenado con datos históricos de contratación masculina.

📖 12. Explicabilidad y evaluación de IA

🔑 Conceptos clave y definiciones

• Explicabilidad de la IA : La capacidad de un sistema para explicar cómo y por qué toma sus decisiones, evitando que funcione como una caja negra.

★ Imprescindible

• Los pilares de una IA responsable son:

  • Explicabilidad
  • Equidad
  • Solidez
  • Transparencia
  • Privacidad

• Los sistemas de alto riesgo deben garantizar:

  • Datos representativos, completos y libres de errores
  • Origen legítimo
  • Trazabilidad
  • Protección de los derechos fundamentales

Complementos

• En un modelo de concesión de crédito denegado, la explicabilidad identifica los factores que provocaron el rechazo y los cambios necesarios para que la decisión pudiera modificarse.

• Un ataque de caja negra puede recopilar operaciones, analizar los patrones de aceptación y rechazo, y generar transacciones fraudulentas que parezcan legítimas sin acceder al modelo.

💡 Truco mnemotécnico

Caja negra: resultado opaco; caja blanca: funcionamiento accesible

📊 Tablas de síntesis

Marcos de gestión de datos

LOPD y RGPD