Supongamos que tenemos un diseño realizado por humanos para el análisis de la toma automatizada de decisiones o una analítica con evidencias que coadyuven a la predicción o anticipación de resultados. En ocasiones, cuando detectamos posibles sesgos o rendimientos dispares en estos modelos, es posible pensar en soluciones para mitigarlos.

• Una de ellas sería balancear de alguna forma los datos, para evitar que los modelos resulten discriminatorios o injustos, dependiendo de la situación que estamos modelando.
• Otra opción podría ser inducir al sistema a que utilice representaciones «justas» de los datos, en el sentido de que no estén asociadas a las características que son fuente de discriminación.
• O directamente, obligarlo a ignorar estos atributos protegidos, como el género u otras características demográficas, al momento de tomar la decisión.

Pero; ¿cómo actúan las máquinas o las aplicaciones que utilizan la Inteligencia Artificial para tomar una decisión o predecir una situación?. Una evidencia objetiva de la significatividad de los sesgos de la toma automatizada de decisiones basadas en I A se aborda en la presentación de la aplicación on-line teachable machine, con la que se puede explorar, de una manera muy sencilla, los conceptos fundamentales del Machine Learning : entrenamiento, aprendizaje y uso de la inteligencia artificial en aplicaciones.