🔹1. Inducción (30 min)

Tema: Exploración de la Inteligencia Artificial en medicina, finanzas, justicia y creación de contenido

1. Inducción: ¿Qué son motores de recomendación y cómo interpretarlos? (20 min)

• Inicia mostrando el video “Explainable AI — Lime and SHAP”, que explica cómo estas técnicas permiten interpretar decisiones automáticas de modelos complejos.

• Complementa con una lectura breve:
  
  

  1. Comparativa de SHAP vs LIME, con sus fortalezas, límites y aplicación general:
     Number Analytics+12MarkovML+12Codez Up+12DeepCore AI
     
     

  2. Explicación detallada de SHAP (teoría y visualización de explicaciones):
     ML JourneyWikipedia
     
     

Reflexión en clase:

• ¿Por qué muchos sistemas (como Netflix o Facebook) parecen "caja negra"?
  
  

• ¿Cómo ayudarían SHAP o LIME a entender sus decisiones?

2. Trabajo individual: Ensayo sobre el dilema de la "caja negra" (25 min)

Consigna:
Escribe un ensayo de 200–250 palabras abordando:

• Qué significa que un sistema sea una "caja negra".

• Diferencia entre Lime y Shap
  
  

• Riesgos clave (falta de transparencia, sesgo, falta de rendición de cuentas).
  
  

• ¿Cómo podrían SHAP o LIME ayudar?
  
  

• ¿Dónde podrían no ser suficientes?
  
  

Puedes apoyarte en los materiales vistos. Cita brevemente los conceptos y conecta con ejemplos reales como redes sociales o salud.

Recursos y enlaces verificados

• Video: Explainable AI — Lime and SHAP
  DeepCore AIWikipediaCodez Up+12YouTube+12YouTube+12
  
  

• Comparativa SHAP vs LIME (teoría y ejemplos)
  Wikipedia+1
  
  

• Artículo explicando SHAP a fondo (teoría de juegos y visualizaciones)
  Wikipedia
  
  

• Simulación de recomendadores (T‑RECS)
  github.com+3arXiv+3CS Princeton+3
  
  

• Guía de simulaciones de políticas públicas
  Policy Simulations+1
  
  

• NetLogo (environment para simulaciones)
  Wikipedia+1

3. Trabajo en grupo: Simulación de recomendador para política pública local (45 min)

Actividad:
En equipos de 2 –4, diseñen una política pública simulada (ej.: asignación de recursos educativos, promoción de salud comunitaria) que use un sistema de recomendación automatizado.

Herramientas y referencias para simular y fundamentar:

• NetLogo Web, entorno para simular agentes e interacciones locales:
  arXivCS Princeton+15Klio+15Codez Up+15Codez Up+2ApX Machine Learning+2YouTube+4YouTube+4DeepCore AI+4Wikipedia
  
  

• Referencias sobre simulación de sistemas de recomendación y su impacto sociológico (T‑RECS):
  arXiv+2CS Princeton+2
  
  

• Guías sobre simulación de políticas públicas para entender el contexto y diseño:
  Policy Simulations+6Number Analytics+6Rise Global Education+6
  
  

Pasos para los grupos:

1. Definir el problema local (e.g., priorizar vacunas, sugerir actividades escolares inclusivas).
   
   

2. Diseñar un mecanismo de recomendación tridimensional (qué factores consideraría: edad, acceso, necesidad).
   
   

3. Simular o esbozar usando NetLogo el flujo: ciudadanos interactúan con recomendaciones.
   
   

4. Usar SHAP o LIME (solo como idea conceptual) para identificar por qué el sistema prioriza ciertos grupos o decisiones.
   
   

5. Registrar en una cartulina o digital:
   
   

   • Contexto y problema público
     
     

   • Variables del recomendador
     
     

   • Cómo se explicaría su decisión con SHAP/LIME
     
     

   • Riesgo ético (sesgo, falta de transparencia)