Sesgo
Explora 10 términos de IA en Bias
Sesgo algorítmico
El sesgo algorítmico se refiere a la discriminación sistemática e injusta en los procesos de toma de decisiones algorítmicas.
Sesgo de anclaje (IA)
El sesgo de anclaje en IA se refiere a la tendencia cognitiva a confiar en exceso en la primera información encontrada.
Sesgo de exposición
EBEl sesgo de exposición se refiere a la tendencia de los algoritmos a favorecer datos sobrerepresentados en los conjuntos de entrenamiento, afectando el rendimiento del modelo.
Amplificación de Sesgos Implícitos
La Amplificación de Sesgos Implícitos se refiere a la refuerzo no intencionado de sesgos existentes en los sistemas de IA.
Sesgo en la etiqueta
El sesgo en la etiqueta se refiere a errores sistemáticos en el etiquetado de datos que pueden afectar el rendimiento del modelo de IA.
Sesgo de aprendizaje
El sesgo de aprendizaje se refiere a errores sistemáticos en los modelos de IA debido a datos de entrenamiento sesgados o decisiones de diseño.
Medición del sesgo
Medir sesgo implica evaluar la equidad e imparcialidad de los sistemas de IA en los procesos de toma de decisiones.
Sesgo del modelo
El sesgo del modelo ocurre cuando un modelo de IA produce errores sistemáticos debido a datos de entrenamiento sesgados o suposiciones defectuosas.
Sesgo de sobreestimación
Overestimation Bias is the tendency to overrate one's abilities, knowledge, or predictions.
Clase sobrerepresentada
Una clase sobrerepresentada en IA se refiere a una categoría que aparece con mayor frecuencia en los datos que otras, afectando el sesgo del modelo.