Resumo

LOPEZ GUILLERMON, Juan Cruz. Desenmascarando datos: Igualdad e Inteligencia Artificial. Rev. IUS [online]. 2021, vol.15, n.48, pp.137-156.  Epub 14-Mar-2022. ISSN 1870-2147.  https://doi.org/10.35487/rius.v15i48.2021.740.

En el marco del presente trabajo se indagó sobre las distintas interpretaciones del principio de igualdad, el proyecto se detuvo y utilizó la noción de “no sometimiento” para entrelazarlo con la tecnología de Inteligencia Artificial (IA) y los daños que ésta podría ocasionar. El trabajo se desarrolló a partir de la utilización de una metodología cualitativa con base en trabajos doctrinarios especializados en igualdad; principalmente de la República Argentina, también en documentos públicos de organismos internacionales.

En un primer momento se sostiene que las diferencias existentes entre el modelo de igualdad como no discriminación y el de igualdad estructural, conllevan a distintas consecuencias en el plano fáctico con repercusiones desfavorables para los colectivos desaventajados y quienes lo integran.

Luego, se trazó y se expuso el vínculo con la IA. Ésta se posiciona en el presente como uno de los principales motores de cambio. En parte, se puede considerar que por su autonomía permite tomar decisiones de forma propia y sin la intervención del hombre. No obstante, como se esbozará en el proyecto, la IA trae tanto beneficios como posibles consecuencias disvaliosas. En este sentido, al depender del modelo de la IA, también de sus características -con especial énfasis en su autonomía-, se sujeta a un daño potencial ocasionado por ésta con motivo en los sesgos que puede llevar de forma implícita.

Se sostuvo y se buscó demostrar que a partir del uso de la concepción de igualdad estructural, también denominada como no sometimiento, este daño puede verse agravado al coincidir con la afectación de un individuo perteneciente a un colectivo históricamente desfavorecido (colectividades a determinarse en cada cultura y sociedad).

Por último, se propuso para disminuir y/o evitar la conformación de sesgos con potencial dañoso, la creación de grupos multidisciplinarios que sean capaces de observar e interpretar la realidad social de cada sociedad.

Palavras-chave : Igualdad; sesgos; datos; daño; IA.