Iniciar prueba gratuita
Popular Nuevos Géneros Autores
EnglishEnglish
EspañolSpanish
简体中文Chinese
繁體中文Chinese (Traditional)
FrançaisFrench
DeutschGerman
日本語Japanese
PortuguêsPortuguese
ItalianoItalian
한국어Korean
РусскийRussian
NederlandsDutch
العربيةArabic
PolskiPolish
हिन्दीHindi
Tiếng ViệtVietnamese
SvenskaSwedish
ΕλληνικάGreek
TürkçeTurkish
ไทยThai
ČeštinaCzech
RomânăRomanian
MagyarHungarian
УкраїнськаUkrainian
IndonesiaIndonesian
DanskDanish
SuomiFinnish
БългарскиBulgarian
עבריתHebrew
NorskNorwegian
HrvatskiCroatian
CatalàCatalan
SlovenčinaSlovak
LietuviųLithuanian
SlovenščinaSlovenian
СрпскиSerbian
EestiEstonian
LatviešuLatvian
فارسیPersian
മലയാളംMalayalam
தமிழ்Tamil
اردوUrdu
Buscando...
SoBrief
Hola mundo

Hola mundo

Título original: Hello World
Los algoritmos pueden predecir más de lo que pueden juzgar. ¿Quién puede cuestionar la respuesta?
por Hannah Fry 2018 256 páginas
4.11
11.000+ valoraciones
Escuchar
Inmersivo
V2.3
Amazon Kindle Audible
Prueba el acceso completo por 3 días
¡Desbloquea la escucha y mucho más!
Continuar

Ideas clave

Trata los algoritmos como infraestructura diseñada, no como matemática neutral

El código condiciona el acceso. Un algoritmo es una secuencia de instrucciones para resolver un problema. En la práctica, esas instrucciones suelen ordenar opciones, clasificar personas o cosas, conectar elementos relacionados o filtrar información. Su aparente neutralidad puede ocultar las decisiones que llevan incorporadas. Robert Moses diseñó puentes bajos en la carretera hacia Jones Beach para impedir el paso de los autobuses y de los pasajeros negros más pobres que dependían de ellos. El software moderno puede producir efectos similares sin que nadie se lo proponga: un dispensador de jabón no detectaba la piel más oscura, mientras que un filtro en línea bloqueaba a los residentes de Scunthorpe porque el nombre de su ciudad contenía una palabra prohibida.

Las personas fijan las reglas. Algunos algoritmos siguen reglas escritas por personas; en cambio, los sistemas de aprendizaje automático infieren patrones a partir de ejemplos. En ambos casos, son los seres humanos quienes eligen los datos, el objetivo y dónde aplicar el resultado.

Análisis

Lo sorprendente es lo bien que la historia del puente se aplica al software: el poder suele ocultarse en las decisiones de diseño cotidianas que determinan quién puede pasar, cumplir los requisitos o ser visto. Esto corrige de manera útil la idea de que la discriminación requiere una persona que tome decisiones movida por prejuicios. Sin embargo, la intención y el impacto no son lo mismo. Un sistema puede reproducir la exclusión sin que quien lo diseñó lo haya planeado explícitamente; por eso, las auditorías periódicas de los resultados son tan importantes como indagar en los motivos.

Ni confíes ciegamente en los algoritmos ni los rechaces por reflejo

La confianza necesita pruebas. Al campeón de ajedrez Garry Kasparov lo desconcertó una jugada inesperadamente buena de Deep Blue y abandonó una partida que quizá podría haber entablado. La máquina también había retrasado el anuncio de algunas jugadas para hacerle pensar que tenía dificultades. Su poder incluía influir en sus expectativas. En otro contexto, una hoja de cálculo defectuosa de Idaho redujo en decenas de miles de dólares las ayudas de algunos residentes con discapacidad, mientras las autoridades defendían cálculos que no podían explicar.

Los seres humanos también fallan. El oficial soviético Stanislav Petrov cuestionó una alerta informática que parecía informar de un ataque nuclear; su cautela contribuyó a evitar una catástrofe. En Alton Towers, unos ingenieros anularon una alarma de seguridad de una montaña rusa y un tren se estrelló. Las investigaciones también revelan que, tras ver que un algoritmo comete un error, la gente suele rechazarlo, incluso cuando sus propias predicciones son peores. Compara el rendimiento, inspecciona el sistema y exige que el criterio humano rinda cuentas.

Análisis

La distinción útil está entre la competencia de una máquina en una tarea de predicción bien definida y su autoridad para decidir qué debe ocurrir. La primera se puede medir; la segunda implica responsabilidad y valores. La investigación sobre factores humanos añade una complicación importante: quienes supervisan la automatización pueden perder atención y destreza, y luego tener que intervenir en el peor momento. La supervisión humana no es segura por defecto. Necesita funciones claras, formación y la capacidad de cuestionar un sistema, sin convertir cada resultado en un pulso personal.

Tus datos revelan más de lo que aceptaste compartir conscientemente

Los rastros pequeños llegan lejos. La tarjeta Clubcard de Tesco empezó registrando cuánto gastaban los clientes y cuándo. Incluso esta información limitada permitía a la empresa saber quiénes eran sus clientes más fieles; los cupones personalizados ayudaron a que quienes usaban Clubcard gastaran un 4 por ciento más. A medida que los comercios recopilaron compras detalladas por producto, Target dedujo embarazos a partir de cambios en los hábitos de compra y envió cupones antes de que una adolescente se lo hubiera contado a su padre.

Los perfiles pueden dejar a las personas al descubierto. Los corredores de datos combinan registros e infieren características, mientras que historiales de navegación supuestamente anónimos se han vinculado con personas concretas mediante su actividad en línea. También podían utilizarse puntuaciones de personalidad inferidas a partir de los «Me gusta» en Facebook para personalizar anuncios. Los estudios descritos en el libro encontraron efectos medibles, aunque por lo general pequeños. El intercambio de datos a cambio de servicios gratuitos puede ofrecer comodidad y recomendaciones útiles, pero esos datos pueden revelar hechos íntimos, permitir la manipulación o perdurar más que el contexto en que se recopilaron.

Análisis

La privacidad de los datos no consiste simplemente en ocultar hechos embarazosos. La cuestión más profunda es la integridad contextual: la información que se ofrece para un fin puede reutilizarse para otro, con consecuencias que la persona nunca previó. La inferencia hace que el consentimiento sea especialmente difícil, porque la gente no puede aceptar con conocimiento de causa hechos que ignora que un sistema ha deducido. Los servicios personalizados pueden ser realmente útiles, pero los beneficios comerciales se distribuyen de manera desigual. Para que la elección sea significativa, hacen falta límites a la reutilización, no solo avisos de privacidad más largos.

Permite que las puntuaciones de riesgo informen la justicia, pero nunca la sustituyan en silencio

Los jueces discrepan. En un estudio, 47 jueces examinaron casos hipotéticos idénticos y llegaron a veredictos y sentencias muy distintos. Los algoritmos pueden hacer la misma predicción de manera sistemática, y los estudios sugieren que pueden superar a jueces individuales al calcular riesgos como no comparecer tras quedar en libertad bajo fianza o reincidir. Pero una puntuación de riesgo solo responde a una pregunta acotada; no puede decidir qué exige la justicia.

Hay definiciones de justicia que compiten entre sí. ProPublica descubrió que la herramienta de evaluación de riesgos COMPAS cometía distintos tipos de errores con acusados negros y blancos. El libro explica que algunas definiciones estadísticas de justicia no pueden satisfacerse todas a la vez cuando las tasas subyacentes difieren. La actuación policial histórica y el trato desigual también influyen en esas tasas. Una puntuación utilizada al dictar sentencia puede agravar el daño, como ocurrió en el caso de un hombre cuya puntuación contribuyó a duplicar su condena. Todo uso exige transparencia, escrutinio y la posibilidad de apelar.

Análisis

La pregunta central de política pública no es si un modelo tiene sesgos en abstracto, sino qué daños considera intolerables el sistema de justicia y cómo los distribuye. Los criterios estadísticos de justicia pueden entrar en conflicto, por lo que elegir uno es una decisión política y moral, no un ajuste técnico. Por eso es esencial deliberar públicamente. Un modelo puede mejorar la coherencia y, aun así, incorporar una definición estrecha de riesgo u ocultar cómo la desventaja estructural influye en sus predicciones. El debido proceso exige examinar tanto la puntuación como la decisión que se toma a partir de ella.

Deja que los algoritmos médicos detecten patrones y que los profesionales clínicos se responsabilicen de la atención

Las máquinas reparan en cosas distintas. En un estudio, los patólogos que examinaban biopsias mamarias ambiguas coincidieron en el diagnóstico solo el 48 por ciento de las veces. En una prueba distinta, un algoritmo de detección del cáncer encontró más tumores diminutos que un patólogo, pero también señaló muchas células sanas. En el estudio descrito, combinar el cribado automatizado con la revisión humana elevó la precisión al 99,5 por ciento.

El diagnóstico no lo es todo. Para detectar patrones entre distintas consultas, los algoritmos necesitan historiales conectados y fiables. Tamara Mills acudió a profesionales sanitarios 47 veces mientras empeoraba su asma, pero nadie identificó la tendencia general. Vincular los historiales podría haber ayudado, pero los datos médicos son sumamente delicados y pueden afectar tanto a familiares como a pacientes. Dar a una empresa tecnológica un acceso amplio sin el consentimiento de los pacientes entraña el riesgo de sacrificar la privacidad a cambio de beneficios que no están garantizados.

Análisis

El argumento más sólido a favor de los algoritmos clínicos no es que sustituyan la experiencia, sino que amplían la capacidad de atención para abarcar enormes cantidades de imágenes e historiales. Se parece a un equipo de diagnóstico bien organizado: una parte busca de forma exhaustiva y otra interpreta los hallazgos en contexto. Aun así, una mayor sensibilidad supone una carga real. Detectar más anomalías puede generar más falsas alarmas, pruebas invasivas y tratamientos para afecciones que nunca causarían daño. Un buen sistema debe medir los resultados para los pacientes, no solo su capacidad de detectar patrones.

Diseña la automatización de la conducción en función de los límites humanos, no de las promesas publicitarias

Un automóvil debe razonar en condiciones de incertidumbre. En la carrera de vehículos autónomos de DARPA de 2004, el mejor vehículo apenas logró recorrer siete millas; un año después, cinco vehículos completaron un trayecto de 132 millas. El progreso dependió en parte de combinar sensores imperfectos y utilizar la inferencia bayesiana, un método para actualizar probabilidades a medida que llega nueva evidencia. Ninguna lectura de cámara, radar o láser es fiable en todas las condiciones.

Los traspasos de control pueden ser peligrosos. El vuelo 447 de Air France se estrelló después de que se desconectara la automatización y un piloto sin experiencia manejara mal los mandos. En los automóviles parcialmente automatizados, los conductores también pueden dejar de prestar atención o perder práctica, y luego enfrentarse a una emergencia con muy poco tiempo para reaccionar. El libro sostiene que, cuando sea posible, los sistemas deberían ayudar a los conductores en lugar de pedirles que supervisen la automatización indefinidamente. Sus límites deben explicarse con claridad, sin exagerarlos con afirmaciones de autonomía total.

Análisis

Este es un problema clásico de factores humanos: la automatización modifica precisamente a las personas de quienes se espera que la rescaten. Un sistema que funciona casi siempre puede dejar a quien lo opera sin preparación suficiente para un fallo infrecuente; la atrofia de las habilidades se agrava cuando las alarmas son intermitentes. Por eso, diseñar un traspaso de control fiable es tan importante como mejorar el software. La cautela necesaria es que la automatización de apoyo también puede fomentar un exceso de confianza. Las afirmaciones sobre seguridad deben especificar las condiciones de funcionamiento, el comportamiento de respaldo y quién es responsable cuando el sistema llega a su límite.

Usa las predicciones delictivas para orientar la prevención y luego audita sus efectos de retroalimentación

El lugar puede aportar indicios. El método de perfil geográfico del criminólogo canadiense Kim Rossmo utilizaba la ubicación de delitos en serie para estimar dónde podría vivir quien los cometía. En la búsqueda del violador en serie Clive Barwell, el mapa centró la atención policial en dos zonas alrededor de Leeds. Revisar los registros de esas zonas ayudó a identificarlo tras una investigación extensa.

La predicción modifica los datos que la sustentan. PredPol utilizaba patrones delictivos para señalar lugares con mayor riesgo durante las 12 horas siguientes. Pero enviar más agentes a los puntos críticos previstos puede producir más delitos registrados, simplemente porque la policía busca con mayor intensidad allí. Esa retroalimentación puede concentrar una y otra vez la atención en los mismos barrios. El reconocimiento facial plantea un peligro relacionado: puede identificar erróneamente a alguien, como le ocurrió a Steve Talley, quien sufrió un arresto y una detención por parecerse a un ladrón. Las predicciones deben orientar las investigaciones, no establecer la culpabilidad.

Análisis

La actuación policial predictiva pone de manifiesto un problema básico de medición: las intervenciones alteran los datos que se utilizan para evaluarlas. Más patrullas pueden traducirse en más delitos detectados, lo que luego parece confirmar la predicción que llevó a enviarlas allí. Esto no significa que haya que descartar todas las predicciones geográficas; significa que hay que evaluar sus efectos de manera independiente y seguir las cargas que soportan los residentes, además de contar los delitos. Una herramienta que ayuda a localizar patrones debe distinguirse de las pruebas sobre la culpabilidad de una persona concreta.

La popularidad puede fabricar un éxito, pero no certificar la calidad

El éxito puede cobrar impulso. En el experimento Music Lab, 14.341 oyentes escucharon las mismas 48 canciones en mundos en línea separados. Mostrarles cuántas personas habían descargado cada canción hizo que la popularidad se reforzara a sí misma. La misma canción de un grupo quedó primera en un mundo y en el puesto 40 en otro. La suerte inicial podía dar lugar a un efecto de arrastre, aunque las mejores canciones tendían a recuperar la atención cuando los investigadores alteraban las listas.

Los patrones no son el gusto en sí. Los sistemas de recomendación pueden utilizar similitudes entre canciones o películas para sugerir algo que quizá le guste a una persona. Eso es distinto de medir el valor artístico. Un algoritmo entrenado con las composiciones de Bach generó música convincente a su estilo, pero recombinaba patrones que ya estaban presentes en el material de origen. El valor del arte también depende del contexto, la interpretación y quien lo escucha; nada de eso se reduce fácilmente a una puntuación de popularidad.

Análisis

El experimento muestra que los sistemas de recomendación no se limitan a reflejar el gusto colectivo: al mostrar la popularidad, pueden contribuir a producirla. Se trata de una versión cultural de la ventaja acumulativa, en la que la visibilidad temprana atrae todavía más atención. Las recomendaciones basadas en similitudes resuelven un problema más acotado y defendible: ofrecer a una persona algo que probablemente disfrute. No deben confundirse con juicios de mérito. Al mismo tiempo, la creatividad humana también se nutre de formas heredadas, así que la frontera entre imitación e invención sigue siendo objeto de debate, no una cuestión puramente técnica.

Exige algoritmos impugnables que asesoren a las personas sin fingir autoridad

Los errores requieren soluciones. Rahinah Ibrahim fue incluida por error en una lista estadounidense de personas a las que se prohíbe volar después de que un agente del FBI marcara la casilla equivocada. Un sistema automatizado dio al error el peso de un hecho oficial, y ella tardó años de litigios en limpiar su nombre. Un procedimiento que permita corregir errores importa tanto como un modelo más preciso.

La colaboración es mejor que la rendición. Los ejemplos más sólidos del libro combinan las capacidades de las máquinas con el criterio humano. Un programa de detección del cáncer puede señalar tejido sospechoso para que lo revise un patólogo. En ajedrez, Garry Kasparov defendió equipos en los que un jugador aprovecha los cálculos de una computadora sin cederle el control estratégico. Los algoritmos deben mostrar la incertidumbre y las alternativas, explicar cuál es su función y ofrecer a las personas afectadas una vía para impugnar los errores. Su propósito es respaldar las decisiones humanas, no ocultar quién es responsable.

Análisis

La posibilidad de impugnar es una forma práctica de rendición de cuentas: las personas necesitan saber cuándo un sistema ha influido en una decisión, qué pruebas utilizó y cómo solicitar una corrección. Esto importa porque la precisión por sí sola no protege a nadie de un registro erróneo que ninguna institución esté dispuesta a revisar. La idea también replantea la transparencia como una característica de diseño, no como un lujo técnico. No todos los modelos pueden ofrecer una explicación sencilla de su funcionamiento interno, pero las instituciones sí pueden revelar su propósito, sus límites, su nivel de confianza y los procedimientos de apelación.

Análisis

Hola mundo cobra más fuerza cuando desplaza la atención de la fantasía de las máquinas inteligentes a las instituciones humanas que las construyen, las implementan y confían en ellas. Sus ejemplos pasan de los puentes y los registros de compras a los tribunales, las clínicas, las calles, los automóviles y el arte, y transmiten una idea constante: el poder social de un algoritmo va más allá de su código, porque son las personas quienes deciden qué mide y qué consecuencias se derivan. El libro no es contrario a la tecnología. Aboga por una confianza calibrada, sobre todo en los casos en que las máquinas pueden realizar predicciones repetitivas mejor que las personas, pero no resolver cuestiones de responsabilidad o valor.

La distinción más útil es la que existe entre predicción y decisión. Un modelo puede estimar quién probablemente no comparecerá tras quedar en libertad bajo fianza, qué tejido parece anormal o dónde podrían concentrarse los robos. Eso no determina por sí mismo cuál es una sentencia justa, un tratamiento que merezca la pena o una respuesta policial proporcionada. Confundir estas etapas convierte una estimación limitada en un veredicto aparente. El análisis también muestra por qué hay que examinar los parámetros de referencia: las tasas de error dependen de la población evaluada, del costo que se atribuye a los distintos errores y de cómo reacciona la gente a los resultados del modelo.

Otra consecuencia es que la gobernanza de los algoritmos debe ser institucional, no meramente técnica. Mejorar un modelo no puede reparar la falta de vías de apelación accesibles, la recopilación de datos no declarada ni los incentivos que premian la vigilancia. A la inversa, rechazar toda automatización deja intactas las incoherencias y los sesgos humanos existentes. La comparación pertinente es entre sistemas reales, incluidos sus efectos de retroalimentación, no entre un algoritmo imperfecto y un juez perfecto imaginario.

El ideal de colaboración que propone el libro es convincente, aunque requiere un diseño cuidadoso. La revisión humana puede aportar contexto, pero las personas pueden plegarse a la autoridad de las máquinas, perder la atención o carecer de los conocimientos necesarios para cuestionar resultados opacos. Por tanto, una colaboración eficaz exige algo más que mantener nominalmente a una persona dentro del proceso. Requiere derechos de decisión bien definidos, auditorías independientes, explicaciones comprensibles y soluciones para las personas afectadas. La pregunta de fondo no es si las máquinas son mejores que los seres humanos en general. Es qué tarea puede realizar cada uno, quién asume el riesgo de error y quién tiene el poder de impugnar el resultado.

Resumen en 30 segundos
Los algoritmos heredan las decisiones que subyacen a sus objetivos, datos de entrenamiento y usos, por lo que las predicciones coherentes no equivalen automáticamente a decisiones justas. En un estudio, un sistema médico combinado con la revisión de profesionales clínicos alcanzó una precisión del 99,5 por ciento. Las puntuaciones de riesgo pueden estimar resultados, pero no decidir qué exige la justicia. Los datos recopilados para ofrecer comodidad pueden revelar características íntimas, mientras que las predicciones automatizadas pueden reforzar los patrones que miden. Un uso fiable requiere escrutinio, responsabilidades claras y vías para impugnar errores.
Contiene spoilers

Última actualización:

Reportar problema

Resumen de reseñas

4.11 de 5
Promedio de 11.000+ valoraciones de Goodreads y Amazon.

Hola mundo explora el creciente papel de los algoritmos en la sociedad. Fry examina su impacto en diversos aspectos de la vida, entre ellos la justicia, la medicina y el arte. Presenta una visión equilibrada que destaca tanto los beneficios como los posibles peligros. Se elogia el libro por su accesibilidad, su humor y su contenido que invita a la reflexión. Los lectores aprecian las explicaciones claras y el estilo ameno de Fry. Aunque algunas personas consideran que le falta profundidad, la mayoría lo ve como una excelente introducción al tema. El libro invita a pensar críticamente sobre nuestra relación con la tecnología y sus implicaciones futuras.

Tu valoración:
4.54
403 valoraciones
¿Quieres leer el libro completo?

Glosario

algoritmo

instrucciones paso a paso para resolver problemas

Procedimiento compuesto por instrucciones ordenadas para realizar una tarea. En informática, los algoritmos suelen aplicar operaciones matemáticas a datos para alcanzar un objetivo definido. Pueden clasificar opciones, ordenar elementos en categorías, identificar relaciones o filtrar información. El término no implica inteligencia ni neutralidad: las instrucciones, los datos y el objetivo reflejan decisiones humanas.

algoritmo de aprendizaje automático

aprende patrones a partir de ejemplos

Algoritmo al que se proporcionan datos, un objetivo y retroalimentación, y que luego se ajusta para mejorar en una tarea sin que una persona escriba explícitamente cada regla de decisión. Puede ser eficaz para problemas como reconocer imágenes o habla, para los que resulta poco práctico escribir instrucciones exhaustivas a mano. A las personas puede resultarles difícil interpretar el método que aprende, y este puede reproducir defectos de sus datos de entrenamiento.

aversión a los algoritmos

rechazo a los algoritmos tras cometer errores

Tendencia a perder confianza en un algoritmo después de verlo cometer un error, incluso cuando su rendimiento general supera al de una persona. Es posible que la gente tolere sus propios errores con más facilidad que los de una máquina. Esta reacción puede llevar a descartar herramientas predictivas útiles, del mismo modo que una confianza acrítica puede llevar a seguir recomendaciones deficientes.

bosque aleatorio

muchos árboles de decisión emiten su voto

Método de aprendizaje automático que combina las predicciones de muchos árboles de decisión. Cada árbol se construye a partir de un subconjunto aleatorio de datos, y el sistema reúne sus respuestas, a menudo mediante una votación. Los árboles individuales pueden ser inexactos, pero combinarlos puede mejorar las predicciones. El método se usa en tareas como la evaluación de riesgos, las recomendaciones y el diagnóstico de enfermedades.

inferencia bayesiana

actualiza las creencias con evidencia

Método para revisar la probabilidad de una hipótesis a medida que llega nueva evidencia. En lugar de exigir certeza a partir de observaciones imperfectas, combina lo que se creía de antemano con la probabilidad de que la evidencia apareciera bajo distintas explicaciones posibles. Puede ayudar a los sistemas a razonar sobre lecturas inciertas de sensores, síntomas u otros datos incompletos.

decaimiento de la distancia (distance decay)

el riesgo disminuye con la distancia

Patrón geográfico según el cual la probabilidad de que una persona que delinque viva u opere en una zona tiende a disminuir cuanto mayor es la distancia respecto al lugar del delito. Refleja la tendencia de las personas, incluidas muchas que delinquen, a actuar en lugares que conocen. En la elaboración de perfiles geográficos, ayuda a acotar las zonas probables de residencia a partir de múltiples lugares del delito.

zona de amortiguamiento

zona de pocos delitos cerca del domicilio

Región alrededor del domicilio de una persona que delinque donde es menos probable que se cometan delitos. Esta persona puede evitar objetivos cercanos a su hogar para reducir la posibilidad de que la reconozcan o de atraer la atención policial a su vecindario. Combinado con el decaimiento de la distancia, este patrón puede ayudar a estimar dónde podría vivir una persona que comete delitos en serie.

modelo de señal y aumento del riesgo (flag and boost)

riesgo estable más delitos recientes

Modelo del riesgo de robo con dos componentes. La señal representa características relativamente estables que hacen atractivo un lugar para quienes roban, como su ubicación o el tránsito peatonal. El aumento capta el incremento temporal del riesgo después de un robo cercano, porque quienes delinquen pueden volver a objetivos o lugares conocidos. El aumento del riesgo disminuye con el tiempo y la distancia.

prueba social

tomar a los demás como referencia

Tendencia a usar las decisiones de otras personas como indicio de lo que vale la pena, sobre todo cuando hay muchas opciones o la calidad es incierta. En el experimento Music Lab, los oyentes descargaban canciones con mayor frecuencia cuando podían ver que otras personas las habían elegido. Así, la popularidad inicial podía crecer en cadena y hacer que el éxito dependiera en parte del azar y la visibilidad.

red neuronal

sistema por capas que aprende patrones

Estructura de aprendizaje automático compuesta por capas conectadas de unidades matemáticas. Durante el entrenamiento, el sistema ajusta valores internos en respuesta a ejemplos y errores, y va mejorando gradualmente sus predicciones. Las redes neuronales pueden identificar patrones en imágenes y otros datos complejos sin depender de una lista completa de reglas escritas por personas. Su razonamiento interno puede ser difícil de interpretar.

Preguntas frecuentes

¿De qué trata Hello World: Being Human in the Age of Algorithms?

  • Exploración de los algoritmos: El libro profundiza en cómo los algoritmos afectan a diversos sectores, como la atención médica y la justicia penal, y examina el equilibrio entre la toma de decisiones humana y el aprendizaje automático.
  • Relación entre humanos y máquinas: Hannah Fry analiza la colaboración entre las personas y las máquinas, y destaca tanto las mejoras como los riesgos que entrañan los algoritmos.
  • Ejemplos del mundo real: A través de situaciones como los automóviles sin conductor y los algoritmos judiciales, Fry ilustra las implicaciones reales de depender de la tecnología para tomar decisiones.

¿Por qué debería leer Hello World: Being Human in the Age of Algorithms?

  • Tema de actualidad: A medida que la tecnología se integra cada vez más en la vida cotidiana, es fundamental entender los algoritmos. El libro ofrece ideas sobre su funcionamiento y su impacto social.
  • Estilo ameno: La narración ingeniosa y accesible de Fry permite comprender temas complejos, y recurre a anécdotas y ejemplos para captar el interés de los lectores.
  • Pensamiento crítico: El libro invita a los lectores a evaluar críticamente la tecnología que utilizan y las decisiones que toman los algoritmos, y fomenta una perspectiva mejor informada.

¿Cuáles son las principales conclusiones de Hello World: Being Human in the Age of Algorithms?

  • Los algoritmos están en todas partes: Los algoritmos influyen en muchos aspectos de la vida, desde la atención médica hasta el arte, por lo que es esencial entender cómo funcionan.
  • Confianza y escepticismo: Fry propone una confianza equilibrada en los algoritmos y destaca la importancia de conocer sus limitaciones y sesgos.
  • La supervisión humana es esencial: Se subraya la importancia del juicio humano junto al de los algoritmos, especialmente en ámbitos de alto riesgo como la justicia penal.

¿Cuáles son las mejores citas de Hello World: Being Human in the Age of Algorithms y qué significan?

  • «El futuro no sucede sin más. Lo creamos».: Esta cita subraya el papel activo de las personas en la configuración de la tecnología y la sociedad.
  • «Ningún objeto ni algoritmo es bueno o malo por sí mismo. Lo que importa es cómo se usan».: Destaca la neutralidad de la tecnología y que sus implicaciones éticas dependen del uso que hacen de ella las personas.
  • «De algún modo hemos logrado ser, a la vez, desdeñosos con ellos, sentirnos intimidados por ellos y maravillarnos ante sus capacidades».: Esta frase refleja la compleja relación de la sociedad con la tecnología y reconoce tanto el temor como la fascinación.

¿Cómo define Hannah Fry un algoritmo en Hello World: Being Human in the Age of Algorithms?

  • Definición básica: Se define un algoritmo como un procedimiento paso a paso para resolver un problema, a menudo mediante una computadora.
  • Tipos de algoritmos: El libro los clasifica en algoritmos basados en reglas y algoritmos de aprendizaje automático, y explica cómo funcionan.
  • Aplicaciones en el mundo real: Fry ilustra su uso en tareas cotidianas, como los motores de búsqueda, y destaca su presencia generalizada.

¿Qué dilemas éticos se presentan en Hello World: Being Human in the Age of Algorithms?

  • Toma de decisiones en situaciones de crisis: Situaciones como la de automóviles sin conductor que toman decisiones morales plantean preguntas sobre la ética de su programación.
  • Sesgos en los algoritmos: Los algoritmos pueden perpetuar sesgos existentes, especialmente en la justicia penal, lo que genera dudas sobre la equidad.
  • Cuestiones de privacidad: El libro analiza las implicaciones de recopilar datos e invita a considerar el equilibrio entre comodidad y privacidad.

¿Cómo afectan los algoritmos a la atención médica según Hello World: Being Human in the Age of Algorithms?

  • Ayuda al diagnóstico: Los algoritmos pueden mejorar la precisión diagnóstica, por ejemplo, en la detección del cáncer, lo que apunta a un papel crucial en las decisiones médicas.
  • Riesgos de sobrediagnóstico: Se advierte sobre la posibilidad de que los exámenes algorítmicos provoquen sobrediagnósticos y tratamientos innecesarios.
  • Dificultades para integrar datos: Los problemas para integrar datos de salud entre distintos sistemas pueden limitar la eficacia de los algoritmos.

¿Qué papel desempeñan los algoritmos en el sistema judicial, según Hello World: Being Human in the Age of Algorithms?

  • Herramientas de evaluación de riesgos: Los algoritmos evalúan el riesgo de reincidencia e influyen en las decisiones sobre libertad bajo fianza y sentencias, lo que plantea dudas sobre su fiabilidad.
  • Incoherencia en las sentencias: Los algoritmos podrían ofrecer resultados más coherentes que los jueces humanos, pero se advierte contra depender excesivamente de ellos.
  • Implicaciones éticas: El libro aborda dilemas morales y subraya la necesidad de supervisión humana en las decisiones algorítmicas.

¿Cómo aborda Hello World: Being Human in the Age of Algorithms la confianza en los algoritmos?

  • Confianza frente a escepticismo: Fry propone una confianza equilibrada en los algoritmos y reconoce tanto sus capacidades como sus limitaciones.
  • Importancia de la supervisión humana: Los algoritmos no deberían sustituir el juicio humano, especialmente en ámbitos críticos como la atención médica.
  • Conciencia de los sesgos: Se anima a los lectores a mantenerse atentos a los sesgos algorítmicos y a defender la transparencia y la rendición de cuentas.

¿Qué implicaciones futuras sobre los algoritmos plantea Hello World: Being Human in the Age of Algorithms?

  • La sociedad en transformación: Los algoritmos seguirán influyendo en las normas y los valores sociales, por lo que es fundamental entender su impacto.
  • Necesidad de regulación: Se reclama una regulación bien meditada que garantice un uso ético y proteja los derechos individuales.
  • Colaboración entre humanos y máquinas: Se vislumbra un futuro en el que las personas y los algoritmos trabajen juntos para mejorar los procesos de toma de decisiones.

¿Cómo aborda Hello World: Being Human in the Age of Algorithms los sesgos en los algoritmos?

  • Sesgos en los datos: Los algoritmos pueden perpetuar los sesgos presentes en sus datos de entrenamiento, lo que conduce a resultados injustos.
  • Ejemplos de sesgo: Se destaca que el algoritmo COMPAS empleado al dictar sentencias afecta de forma desproporcionada a grupos minoritarios.
  • Necesidad de transparencia: Se defiende la transparencia en los procesos algorítmicos para mitigar los sesgos y mejorar la equidad.

¿Qué importancia tiene el caso del accidente del vuelo de Air France en Hello World: Being Human in the Age of Algorithms?

  • Error humano frente a automatización: El accidente ilustra los peligros de depender demasiado de sistemas automatizados, cuando los pilotos no lograron recuperar el control.
  • Lecciones aprendidas: Se analiza la importancia de formar a los pilotos para que puedan afrontar emergencias sin depender exclusivamente de la automatización.
  • Implicaciones más amplias: El caso sirve de advertencia sobre las posibles consecuencias de la automatización y refuerza la necesidad de mantener las habilidades humanas.

Sobre el autor

La Dra. Hannah Fry es matemática y profesora en el Centre for Advanced Spatial Analysis de UCL. Su trabajo se centra en los patrones urbanos y el comportamiento humano, y aplica conceptos matemáticos a cuestiones sociales. El enfoque interdisciplinario de Fry combina ideas de diversos campos para estudiar problemas sociales complejos. Además de su labor académica, es una destacada divulgadora científica: pronuncia conferencias magistrales y aparece en los medios. Su capacidad para hacer que las matemáticas sean accesibles y atractivas le ha valido reconocimiento como intelectual pública. Su trabajo abarca desde la investigación académica hasta la escritura de divulgación científica y la radiodifusión, lo que la convierte en una figura destacada tanto en el ámbito científico como en el público.

Descargar PDF

Para guardar este resumen de Hola mundo para más tarde, descarga el PDF gratis. Puedes imprimirlo o leerlo sin conexión cuando quieras.
Download PDF

Descargar EPUB

Para leer este resumen de Hola mundo en tu dispositivo o aplicación de lectura, descarga el EPUB gratis. El formato de libro digital .epub es ideal para leer libros electrónicos en teléfonos, tabletas y lectores electrónicos.
Download EPUB
¿Quieres leer el libro completo?
Seguir
Escuchar
Inicio
Swipe
Biblio
App
Prueba el acceso completo por 3 días
Escucha, guarda y mucho más
Comparar funciones Gratis Pro
📖 Leer resúmenes
Lee resúmenes ilimitados. Los usuarios gratuitos obtienen 3 al mes
🎧 Escuchar resúmenes
Escucha resúmenes ilimitados en 40 idiomas
—
❤️ Marcadores ilimitados
Usuarios gratuitos limitados a 4
—
📜 Historial ilimitado
Usuarios gratuitos limitados a 4
—
📥 Descargas ilimitadas
Usuarios gratuitos limitados a 1
—
Cronología sin riesgo
Hoy: Obtén acceso instantáneo
Escucha resúmenes completos de más de 26.000 libros. ¡Son más de 12.000 horas de audio!
Día 2: Recordatorio de prueba
Te enviaremos una notificación de que tu prueba está por terminar.
Día 3: Tu suscripción comienza
Se te cobrará el 25 nov,
cancela en cualquier momento antes.
Consume 2.8× More Books
2.8× libros más Escucha Lectura
Nuestros usuarios nos adoran
1M+ lectores
Trustpilot Rating
TrustPilot
4.6 Excelente
Este sitio es un antes y un después. He leído resúmenes como nunca antes. Lo recomiendo muchísimo.
— Dave G
Vale cada centavo y cada minuto, y está muy bien hecho. Nunca había visto esta calidad de resúmenes en otros sitios. ¡Muy útil!
— Em
¡Muy recomendado! Servicio fantástico. Perfecto para quienes quieren algo más que una sinopsis, pero no todos los detalles de un audiolibro completo.
— Greg M
Ahorra un 62%
Anual
$119.88 $44.99/año/año
$3.75/mes
Mensual
$9.99/mes
Inicia tu prueba gratuita de 3 días
3 días gratis, luego $44.99/año. Cancela cuando quieras.
Unlock a world of fiction & nonfiction books
Más de 26.000 libros por el precio de 2
Lee cualquier libro en 10 minutos
Descubre libros nuevos como en Tinder
Solicita cualquier libro si no está resumido
Lee más libros que cualquiera que conozcas
La app nº 1 para amantes de los libros
Lifelike & immersive summaries
Garantía de devolución de 30 días
Descarga resúmenes en EPUB o PDF
Cancela en cualquier momento con unos clics

¿Por qué solo un resumen?

Escáner
Busca un código de barras para escanear

⭐
⭐
⭐
Tenemos un regalo especial para ti
Abrir
38% de descuento
DESCUENTO PARA TI
⭐
⭐
⭐
$79.99
$49.99/año
Solo $4.16 al mes
Continuar
Empieza con 2 toques y cancela fácilmente
Configuración
General
Widget
Cargando...