Test: Gestión de Datos y Ética (30 preguntas)

Explicación

Los datos son representaciones de hechos en distintos formatos, mientras que la información incorpora contexto y significado para un uso determinado. Confundir los datos con decisiones interpretadas atribuye a los datos una función propia de niveles posteriores.

Explicación

La información surge cuando los datos se sitúan en un contexto que especifica su significado, formato, periodo e importancia. Acumular registros sin contexto no permite aplicarlos adecuadamente a una finalidad.

Explicación

La pirámide DIKW organiza progresivamente los niveles como Datos, Información, Conocimiento y Sabiduría. Las demás secuencias alteran el orden establecido entre estos conceptos.

Explicación

Considerar los datos como un activo implica gestionarlos con el objetivo de aumentar el valor que aportan y reducir los riesgos asociados. Excluir a las áreas de negocio contradice la necesidad de una gestión organizacional del activo.

Explicación

Los datos pueden generar valor al respaldar decisiones estratégicas, mejorar procesos, elevar la eficiencia y abrir nuevas oportunidades de negocio. El almacenamiento por sí mismo no demuestra que los datos estén produciendo valor.

Explicación

La gestión de datos incluye valorar los datos como activos, cuidar su calidad, protegerlos y garantizar su accesibilidad, con responsabilidad compartida entre roles técnicos y de negocio. Reducir la responsabilidad a un solo departamento contradice este enfoque colaborativo.

Explicación

Entre los desafíos principales se encuentran la falta de gobernanza, los silos, la baja calidad y la dificultad para demostrar el valor de los datos. La integración y la medición clara de beneficios son respuestas de gestión, no problemas en sí mismas.

Explicación

DAMA-DMBOK ofrece un marco global con principios, buenas prácticas y áreas de conocimiento para gestionar los datos como un activo organizacional. El framework propietario, en cambio, se diseña para las necesidades específicas de una organización.

Explicación

DAMA-DMBOK propone 11 áreas de conocimiento, entre ellas gobierno de datos, calidad, metadatos, arquitectura y seguridad. Las demás agrupaciones incluyen funciones empresariales que no describen sus áreas principales.

Explicación

La inteligencia artificial es el campo amplio que permite emular comportamientos, aprender, decidir y resolver problemas, mientras que el aprendizaje automático constituye un subconjunto centrado en aprender patrones. Las otras opciones invierten la relación o atribuyen a ambos campos capacidades demasiado específicas.

Explicación

La ANI es la forma de IA existente actualmente y está entrenada para tareas específicas, como asistentes o generadores de contenido. La AGI y la ASI se mantienen como conceptos teóricos, por lo que las otras opciones confunden sus alcances.

Explicación

El aprendizaje profundo es un subconjunto del aprendizaje automático que utiliza redes neuronales artificiales para extraer y analizar características de datos en bruto. La inteligencia artificial generativa se centra en crear contenidos, mientras que ANI describe un alcance funcional y no una técnica concreta.

Explicación

Una IA fiable depende de datos precisos, completos, consistentes, representativos y gestionados éticamente durante el entrenamiento y la validación. Los datos sesgados o incompletos pueden producir resultados erróneos o discriminatorios, aunque sean abundantes o recientes.

Explicación

La gobernanza de datos para la IA se apoya en calidad, trazabilidad, interoperabilidad, seguridad y ética. Otros elementos pueden ser relevantes para una organización, pero no forman el conjunto de pilares indicado para supervisar los datos y sus procesos.

Explicación

El Reglamento Europeo de IA distingue los niveles mínimo, específico, alto e inadmisible, y establece requisitos estrictos para los sistemas de alto riesgo. Las demás clasificaciones no corresponden a las categorías señaladas en el reglamento.

Explicación

DAMA relaciona la ética de datos con responsabilidad, transparencia, minimización del daño, equidad, rendición de cuentas y consentimiento informado. La rentabilidad y la automatización pueden ser objetivos empresariales, pero no constituyen este conjunto de principios éticos.

Explicación

La beneficencia orienta las decisiones hacia la maximización de beneficios y la reducción de daños. La justicia se centra en el trato equitativo y en evitar discriminaciones, por lo que aborda una preocupación distinta.

Explicación

La privacidad se refiere al derecho de controlar cómo se recopilan, usan y comparten los datos personales, mientras que la seguridad busca protegerlos frente a accesos no autorizados. El cifrado puede ser una medida de seguridad, pero no define por sí mismo la privacidad.

Explicación

La aprobación activa mediante una casilla clara representa consentimiento explícito, que debe ser informado, libre, específico y expresado de forma clara. El consentimiento tácito se deduce de la falta de oposición y no de una acción afirmativa.

Explicación

La equidad exige evitar discriminación y sesgos en el tratamiento de datos, por lo que es el principio afectado por el perjuicio sistemático a un grupo. La transparencia ya está presente cuando la empresa comunica claramente sus prácticas.

Explicación

El RGPD entró en vigor el 25 de mayo de 2018 para proteger los datos personales de los ciudadanos de la Unión Europea. Las demás fechas no corresponden a la entrada en vigor indicada para este reglamento.

Explicación

La minimización de datos exige limitar la cantidad de información recopilada a la necesaria para la finalidad prevista. La limitación de propósito se refiere a para qué pueden utilizarse los datos, no directamente a cuántos datos se conservan.

Explicación

La LOPD de 1999 tenía ámbito nacional y permitía el consentimiento tácito, mientras que el RGPD exige consentimiento explícito y se aplica a organizaciones que tratan datos de ciudadanos de la Unión Europea. Las demás diferencias atribuyen a cada norma características que no corresponden a su ámbito o consentimiento.

Explicación

Una cultura data-driven integra los datos como activos estratégicos en todos los procesos y niveles para tomar decisiones objetivas, precisas y coherentes con la estrategia. La dependencia principal de experiencias subjetivas corresponde a una cultura intuitiva, no a una cultura basada en datos.

Explicación

Los indicadores de calidad sirven para medir y controlar el estado de los datos durante la transformación. La formación ayuda a los empleados a utilizar los datos, pero no cumple la función específica de supervisar su calidad.

Explicación

La privacidad se refiere a la protección de los datos personales, mientras que la transparencia facilita comprender el proceso de decisión de la IA. Explicar el funcionamiento del modelo no constituye la función propia de la privacidad.

Explicación

Los datos de entrenamiento sesgados pueden incorporar y amplificar desigualdades históricas, generando resultados discriminatorios en el sistema. La reducción de ejemplos no garantiza neutralidad y puede incluso empeorar la representación de ciertos grupos.

Explicación

La explicabilidad es la capacidad de mostrar cómo y por qué el sistema llega a sus decisiones, de modo que estas puedan comprenderse y verificarse. Un sistema que no revela los factores de sus resultados conserva precisamente el carácter de caja negra.

Explicación

La IA responsable se apoya en explicabilidad, equidad, solidez, transparencia y privacidad. Las demás combinaciones incluyen objetivos empresariales o características técnicas que no forman el conjunto de pilares señalado.

Explicación

Los sistemas de alto riesgo requieren datos representativos, completos y sin errores, con origen legítimo, trazabilidad y protección de los derechos fundamentales. Excluir grupos poco representados contradice el requisito de representatividad y puede introducir riesgos de discriminación.