Limitaciones de la fuente de datos

Gestión responsable de datos en AI

Maria Prokofieva

Lead ML Engineer

Fuentes de datos y limitaciones comunes

Cumplimiento legal
Sesgo
Metodología
Papel del conocimiento del dominio

Limitaciones legales y de acceso

Uso restringido de datos para ciertos tipos de proyectos
Cumplimientos adicionales
Coste prohibitivo

Cumplimiento de datos

¹ Imagen de Streamline HQ

Sesgo en las fuentes de datos

Errores sistemáticos
Percepciones distorsionadas
Resultados desiguales
Perjudican a ciertos grupos

Tipos de sesgo

Sesgo histórico:
- Patrones y resultados irrelevantes
Sesgo de selección:
- Elegir qué datos incluir
Sesgo de muestreo
- Método usado para muestrear

Escala de sesgo

¹ Imagen de Streamline HQ

Sesgos y limitaciones por origen

Cobertura de datos limitada
Restricciones culturales y geográficas
Alcance e inclusión restringidos

Grupo de personas

Sesgos y limitaciones metodológicas

Elección de métodos de recogida
Enfoques de muestreo

Manos multicolores con las palmas abiertas, levantadas

Conocimiento del dominio

Limitaciones o sesgos ocultos
Involucra pronto a personas expertas del dominio
Mitiga las limitaciones antes del modelado

Proyecto de flujo de tráfico urbano

Fuentes de datos:

Conteos de tráfico
Actas del ayuntamiento
Datos de rastreo GPS

Proyecto de flujo de tráfico urbano

¹ Imágenes de Streamline HQ

Proyecto de flujo de tráfico urbano

Conteos históricos de tráfico:

Sesgo histórico
Antiguos diseños urbanos

Actas de reuniones:

Sesgo de selección
Representación desproporcionada de algunos miembros de la comunidad

datos de tráfico

¹ Imágenes de Streamline HQ

Proyecto de flujo de tráfico urbano

Datos de rastreo GPS:

Sesgos de muestreo y selección
Puede no representar a todas las personas que viajan al trabajo

gps

¹ Imagen de Streamline HQ

¡Vamos a practicar!

Gestión responsable de datos en AI

Preparing Video For Download...