A medida que los modelos de IA se vuelven mas poderosos, las preguntas de gobernanza se vuelven criticas. AIP-C01 evalua como implementar principios de IA responsable usando servicios de AWS.
Principios de IA responsable de AWS
AWS define seis principios: Equidad, Explicabilidad, Privacidad, Seguridad, Transparencia y Seguridad. Cada uno se mapea a servicios especificos de AWS.
!Los 6 principios centrales de AWS Responsible AI
Tipos de sesgo
: Los datos de entrenamiento no representan la poblacion de despliegue : Datos recopilados de manera diferente entre grupos : Etiquetas de decisiones historicamente discriminatorias : Modelo desplegado en contexto diferente al entrenamiento
SageMaker Clarify
Clarify mide el sesgo en datos pre-entrenamiento y el sesgo del modelo post-entrenamiento. Metricas clave: CI (desequilibrio de clases), DPL, DI (impacto desigual). Para explicabilidad usa valores SHAP — explicaciones globales del modelo y explicaciones locales por prediccion.
SageMaker Model Cards y Amazon A2I
Model Cards documentan proposito, datos de entrenamiento, metricas, evaluacion de sesgo, usos previstos y prohibidos. Amazon A2I proporciona flujos de trabajo Human-in-the-Loop gestionados con condiciones de activacion configurables, equipos de trabajo y interfaces de tarea personalizadas.
Gobernanza de cumplimiento
AWS Config rastrea cambios de configuracion de SageMaker. AWS Audit Manager recopila evidencia automaticamente para marcos de cumplimiento. SageMaker ML Lineage Tracking registra la cadena completa desde datos de entrenamiento hasta el endpoint.
Resumen para el examen
"Deteccion de sesgo en datos" → SageMaker Clarify "Documentacion del modelo" → SageMaker Model Cards "Revision humana de predicciones" → Amazon A2I "Rastreo de datos a modelo" → SageMaker ML Lineage Tracking