# Dominio de contenido 4: Pautas para una IA responsable
<a name="ai-practitioner-01-domain4"></a>

El dominio 4 cubre las pautas para una IA responsable y representa el 14 % del contenido con puntaje del examen.

**Topics**
+ [Enunciado de la tarea 4.1: Explicar el desarrollo de los sistemas de IA responsables.](#ai-practitioner-01-task4.1)
+ [Enunciado de la tarea 4.2: Reconocer la importancia de los modelos transparentes y explicables.](#ai-practitioner-01-task4.2)

## Enunciado de la tarea 4.1: Explicar el desarrollo de los sistemas de IA responsables.
<a name="ai-practitioner-01-task4.1"></a>

Objetivos:
+ Identificar las características de la IA responsable (por ejemplo, el sesgo, la equidad, la inclusividad, la solidez, la seguridad y la veracidad).
+ Explicar cómo usar las herramientas para identificar las características de la IA responsable (por ejemplo, las barreras de protección de Amazon Bedrock).
+ Definir las prácticas responsables para seleccionar un modelo (por ejemplo, las consideraciones del entorno y la sostenibilidad).
+ Identificar los riesgos legales de trabajar con la IA generativa (por ejemplo, reclamaciones por infracción de propiedad intelectual, resultados de modelos sesgados, la pérdida de confianza de los clientes, el riesgo del usuario final y las alucinaciones).
+ Identificar las características de los conjuntos de datos (por ejemplo, la inclusividad, la diversidad, los orígenes de datos seleccionados y los conjuntos de datos equilibrados).
+ Describir los efectos del sesgo y la varianza (por ejemplo, los efectos en los grupos demográficos, la inexactitud, el sobreajuste y el infraajuste).
+ Describir las herramientas para detectar y supervisar los sesgos, la confiabilidad y la veracidad (por ejemplo, el análisis de la calidad de las etiquetas, las auditorías humanas, el análisis de subgrupos, Amazon SageMaker Clarify, SageMaker Model Monitor, Amazon Augmented AI [Amazon A2I]).

## Enunciado de la tarea 4.2: Reconocer la importancia de los modelos transparentes y explicables.
<a name="ai-practitioner-01-task4.2"></a>

Objetivos:
+ Describir las diferencias entre los modelos que son transparentes y explicables, y los modelos que no son transparentes ni explicables.
+ Describir las herramientas para identificar modelos transparentes y explicables (por ejemplo, Tarjetas de modelos de SageMaker, modelos de código abierto, datos y licencias).
+ Identificar las compensaciones entre la seguridad y la transparencia del modelo (por ejemplo, la medición de la interpretabilidad y el rendimiento).
+ Describir los principios del diseño centrado en el ser humano para una IA explicable.