UD6 · Trabajo responsable, sostenible y PRL | MP02 · Entrenamiento de modelos de aprendizaje automático

UD6 · Trabajo responsable, sostenible y prevención de riesgos

MP02 · Entrenamiento de modelos de aprendizaje automático

Apuntes de IA y Datos

Apuntes de IA y Datos
UD6 · Trabajo responsable, sostenible y PRL | MP02 · Entrenamiento de modelos de aprendizaje automático

Objetivos de la unidad

Al finalizar esta unidad el alumno será capaz de:

  • Actuar con autonomía, responsabilidad ética y adaptabilidad en su rol profesional
  • Comunicar de forma eficaz entre perfiles técnicos y no técnicos del equipo
  • Aplicar criterios de sostenibilidad en la elección de arquitecturas y parámetros de entrenamiento
  • Reducir el consumo computacional mediante registro, versionado y reutilización de experimentos
  • Identificar los principales riesgos laborales asociados al trabajo en IA: psicosociales, ergonómicos y ambientales
  • Aplicar medidas preventivas y conocer el plan de emergencias del centro
Apuntes de IA y Datos
UD6 · Trabajo responsable, sostenible y PRL | MP02 · Entrenamiento de modelos de aprendizaje automático

Autonomía y responsabilidad ética — Concepto

La autonomía profesional en IA no significa trabajar en solitario, sino tomar decisiones fundamentadas sin requerir supervisión constante para cada paso del proceso. La responsabilidad ética implica asumir las consecuencias de las elecciones técnicas sobre las personas y la sociedad.

Por qué es relevante en el entrenamiento de modelos:

  • Las decisiones de diseño (qué datos usar, qué optimizar, qué no documentar) tienen consecuencias sobre personas reales
  • Un modelo que discrimina o que se aplica fuera de su dominio de validez puede causar daño
  • El profesional técnico es el primer filtro ético antes que el responsable de producto o el cliente
Apuntes de IA y Datos
UD6 · Trabajo responsable, sostenible y PRL | MP02 · Entrenamiento de modelos de aprendizaje automático

Autonomía y responsabilidad — Aplicación práctica

Situaciones que requieren decisión ética autónoma:

Situación Decisión irresponsable Decisión responsable
Dataset con sesgo racial detectado Entrenar igualmente y no documentar Corregir el desbalance, documentar el sesgo en la ficha técnica
Métricas por debajo del umbral pero el cliente presiona Declarar el modelo apto Comunicar la limitación y proponer plan de mejora
Modelo con buen global F1 pero falla en subgrupo minoritario Reportar solo el global Reportar el rendimiento desagregado por subgrupo
Experimento sin registrar porque "ya se sabe qué se hizo" No documentar Registrar en MLflow aunque sea laborioso
Apuntes de IA y Datos
UD6 · Trabajo responsable, sostenible y PRL | MP02 · Entrenamiento de modelos de aprendizaje automático

Comunicación eficaz entre roles

En un equipo de IA coexisten perfiles con vocabulario y prioridades distintas. La comunicación eficaz es una competencia técnica, no solo interpersonal.

Perfiles habituales en un proyecto de ML:

Perfil Qué necesita saber Cómo comunicar
Técnico ML / Data Scientist Detalles de arquitectura, métricas técnicas Código, tablas, curvas
Responsable de producto Impacto en el negocio, fiabilidad Casos de uso, limitaciones en lenguaje natural
Responsable de calidad / auditor Trazabilidad, reproducibilidad Ficha técnica, logs de MLflow
Cliente / usuario final Qué hace y qué no hace el sistema Ejemplos concretos, casos de éxito y fallo

Adaptarse al receptor no es simplificar: es elegir el nivel de abstracción correcto.

Apuntes de IA y Datos
UD6 · Trabajo responsable, sostenible y PRL | MP02 · Entrenamiento de modelos de aprendizaje automático

Adaptabilidad profesional

El campo de la IA evoluciona más rápido que cualquier otra disciplina técnica. La adaptabilidad es la capacidad de actualizar métodos, herramientas y enfoques ante nueva información o cambios de contexto.

En el contexto del entrenamiento de modelos:

  • Los resultados insatisfactorios no son fracasos: son información para rediseñar
  • Cambiar de arquitectura o paradigma a mitad de proyecto debe ser una decisión razonada, no reactiva
  • Incorporar nuevas técnicas (PEFT, LoRA, cuantización) requiere evaluarlas con criterio antes de adoptarlas

Indicadores de adaptabilidad profesional:

  • Se actualiza con literatura técnica relevante (arxiv, blogs de investigación)
  • Documenta lo que no funcionó con la misma rigurosidad que lo que sí funcionó
  • Propone mejoras proactivamente sin esperar instrucciones
Apuntes de IA y Datos
UD6 · Trabajo responsable, sostenible y PRL | MP02 · Entrenamiento de modelos de aprendizaje automático

Sostenibilidad — Impacto ambiental del entrenamiento

El entrenamiento de modelos de IA tiene un coste energético y medioambiental significativo. Según estudios de la Universidad de Massachusetts (2019), entrenar un modelo Transformer grande desde cero puede emitir hasta 284 toneladas de CO₂, equivalente a la vida útil de 5 vehículos de combustión.

Principio de sostenibilidad en entrenamiento:

Reducir el coste computacional no es solo una optimización económica: es una responsabilidad ambiental.

ODS aplicables:

  • ODS 9 (Industria, innovación e infraestructura): eficiencia en los sistemas de IA
  • ODS 12 (Producción y consumo responsables): evitar experimentos duplicados
  • ODS 13 (Acción por el clima): reducir emisiones de CO₂ en operaciones de cómputo
Apuntes de IA y Datos
UD6 · Trabajo responsable, sostenible y PRL | MP02 · Entrenamiento de modelos de aprendizaje automático

Sostenibilidad — Arquitecturas eficientes

Elecciones de diseño que reducen el consumo computacional:

Decisión Opción costosa Opción sostenible
Modelo para clasificación tabular Red neuronal profunda Gradient Boosting (sklearn)
Modelo de lenguaje para dominio específico Entrenar LLM desde cero Fine-tuning con LoRA/QLoRA
Inferencia en producción Modelo completo (FP32) Modelo cuantizado (INT8 o FP16)
Escalado GPU cluster cloud GPU local + mixed precision
Búsqueda de hiperparámetros Grid search exhaustivo Optuna con pruning automático 
# Mixed precision: reduce consumo de memoria a la mitad sin pérdida significativa
from torch.cuda.amp import autocast, GradScaler

scaler = GradScaler()
with autocast():
    output = modelo(input)
    loss = criterio(output, target)
scaler.scale(loss).backward()
scaler.step(optimizer)
scaler.update()
Apuntes de IA y Datos
UD6 · Trabajo responsable, sostenible y PRL | MP02 · Entrenamiento de modelos de aprendizaje automático

Sostenibilidad — Economía circular de datos y algoritmos

Economía circular en IA significa reutilizar el trabajo previo en lugar de duplicarlo. El registro y versionado de experimentos es la herramienta principal.

Principios aplicados:

  • Antes de lanzar un nuevo experimento, revisar si ya existe uno con configuración similar en el registro
  • Reutilizar checkpoints de experimentos anteriores como punto de partida (transfer learning interno)
  • Archivar modelos descartados pero documentados: pueden ser útiles en el futuro con otros datos
  • Compartir configuraciones y resultados entre equipos para evitar repetir búsquedas de hiperparámetros
# Antes de lanzar un experimento, buscar si ya existe uno similar
import mlflow

cliente = mlflow.tracking.MlflowClient()
runs_previas = cliente.search_runs(
    experiment_ids=["1"],
    filter_string="params.lr = '2e-05' AND params.batch_size = '32'",
    order_by=["metrics.f1_val DESC"]
)
if runs_previas:
    print(f"Experimento similar ya existe: {runs_previas[0].info.run_id}")
    print(f"F1 obtenido: {runs_previas[0].data.metrics['f1_val']:.4f}")
Apuntes de IA y Datos
UD6 · Trabajo responsable, sostenible y PRL | MP02 · Entrenamiento de modelos de aprendizaje automático

Prevención de riesgos — Riesgos psicosociales

El trabajo en proyectos de IA presenta riesgos psicosociales específicos derivados de la intensidad cognitiva, la presión de resultados y la incertidumbre técnica.

Riesgo psicosocial Manifestaciones Medidas preventivas
Tecnoestrés Ansiedad ante cambios de herramientas, sensación de obsolescencia Plan de formación continua; no cambiar de stack en mitad de proyecto
Síndrome del impostor Bloqueo ante tareas nuevas, comparación con pares Mentalidad de aprendizaje; documentar logros propios
Fatiga por decisión Dificultad para tomar decisiones tras muchas iteraciones Timeboxing de experimentos; descansos programados
Sobrecarga de información Incapacidad de filtrar literatura técnica relevante Rutinas de actualización limitadas en tiempo
Apuntes de IA y Datos
UD6 · Trabajo responsable, sostenible y PRL | MP02 · Entrenamiento de modelos de aprendizaje automático

Prevención de riesgos — Ergonomía cognitiva

La ergonomía cognitiva estudia la adaptación del entorno de trabajo a las capacidades de procesamiento mental del ser humano.

Prácticas aplicadas al trabajo en ML:

  • Documentar las decisiones en el momento en que se toman, no al final del día
  • Dividir experimentos complejos en tareas pequeñas con objetivo claro por sesión
  • Usar plantillas para configuraciones y fichas técnicas: reducen la carga cognitiva de decisión
  • Nombrar archivos y experimentos con convenciones consistentes desde el inicio del proyecto
  • Revisar el historial de MLflow antes de comenzar una nueva sesión de trabajo

La ergonomía cognitiva no es comodidad: es eficiencia y calidad de decisión sostenida en el tiempo.

Apuntes de IA y Datos
UD6 · Trabajo responsable, sostenible y PRL | MP02 · Entrenamiento de modelos de aprendizaje automático

Prevención de riesgos — Ergonomía física y ambiental

Área Riesgo Medida preventiva
Postura Dolor cervical, lumbalgia por sesiones largas ante pantalla Silla regulable, pantalla a la altura de los ojos, reposapiés
Visual Fatiga ocular, cefalea Regla 20-20-20: cada 20 min, mirar a 6 m durante 20 seg
Iluminación Deslumbramiento, contraste excesivo Luz ambiental indirecta, modo oscuro en IDE, pantalla calibrada
Temperatura y ventilación Disconfort, fatiga 20-24 °C en el puesto; ventilación adecuada del hardware
Ruido Distracción, estrés Aislar el área de trabajo de ruidos disruptivos
Sedentarismo Problemas cardiovasculares, metabólicos Pausas activas cada 60 min; mesa elevable si es posible
Apuntes de IA y Datos
UD6 · Trabajo responsable, sostenible y PRL | MP02 · Entrenamiento de modelos de aprendizaje automático

Prevención de riesgos — Plan de emergencias

Conocimiento obligatorio del plan de emergencias del centro:

  • Localización de las salidas de emergencia desde el puesto de trabajo
  • Punto de reunión exterior asignado al área
  • Localización de los extintores más próximos
  • Tipo de extintor adecuado para equipos eléctricos: CO₂ o polvo seco ABC (nunca agua)
  • Protocolo de parada segura de sistemas en ejecución antes de evacuar

Protocolo de parada segura de entrenamiento en emergencia:

# En el script de entrenamiento, capturar señal de interrupcion
import signal, sys

def guardar_y_salir(sig, frame):
    torch.save(modelo.state_dict(), "checkpoint_emergencia.pt")
    mlflow.end_run(status="KILLED")
    sys.exit(0)

signal.signal(signal.SIGINT, guardar_y_salir)   # Ctrl+C
signal.signal(signal.SIGTERM, guardar_y_salir)  # señal del SO
Apuntes de IA y Datos
UD6 · Trabajo responsable, sostenible y PRL | MP02 · Entrenamiento de modelos de aprendizaje automático

Actividad práctica — UD6

Contexto: Tu equipo va a comenzar una nueva iteración del clasificador de toxicidad. Esta vez el plazo es ajustado (2 semanas) y el cliente ha pedido un modelo con mayor rendimiento.

Tareas:

  1. Identifica tres decisiones del proceso de entrenamiento que tienen implicaciones éticas. Para cada una, describe la decisión responsable y la irresponsable
  2. Analiza el coste computacional de las opciones de mejora propuestas (más datos, arquitectura mayor, fine-tuning con LoRA). Justifica cuál es más sostenible y por qué
  3. Diseña un plan de sesión de trabajo de 4 horas que incorpore pausas ergonómicas, timeboxing de experimentos y revisión del historial de MLflow antes de empezar
  4. Describe cómo comunicarías al cliente que el modelo tiene rendimiento reducido en lenguaje informal (F1=0.71 frente a F1=0.82 global) sin entrar en tecnicismos de ML
  5. Localiza en el plano del centro el extintor más próximo a tu puesto y el tipo de agente extintor que contiene
Apuntes de IA y Datos
UD6 · Trabajo responsable, sostenible y PRL | MP02 · Entrenamiento de modelos de aprendizaje automático

Puntos clave — UD6

  • La responsabilidad ética en IA es una competencia técnica: documentar sesgos, limitaciones y fallos forma parte del trabajo, no es opcional
  • El coste computacional del entrenamiento tiene impacto ambiental real: la elección de arquitectura y la reutilización de experimentos son decisiones de sostenibilidad
  • El registro de experimentos en MLflow no es burocracia: es la base de la economía circular de algoritmos y evita duplicar trabajo
  • La ergonomía cognitiva (documentar en el momento, usar plantillas, timeboxing) mejora la calidad de las decisiones técnicas, no solo el bienestar
  • El tecnoestrés y el síndrome del impostor son riesgos laborales reconocidos en perfiles técnicos: identificarlos es el primer paso para prevenirlos
  • El plan de emergencias del centro es de obligatorio conocimiento; el extintor adecuado para equipos eléctricos es de CO₂ o polvo seco ABC
Apuntes de IA y Datos
UD6 · Trabajo responsable, sostenible y PRL | MP02 · Entrenamiento de modelos de aprendizaje automático

Criterios de evaluación — UD6

Criterio Indicador de logro
Reduce el coste computacional por diseño Justifica decisiones de arquitectura y parámetros con criterio de eficiencia energética
Evita duplicidades de experimentos Consulta el registro antes de lanzar nuevos experimentos; reutiliza checkpoints cuando es posible
Comunica con adaptación al receptor Expresa resultados y limitaciones en el lenguaje adecuado al perfil del interlocutor
Aplica medidas ergonómicas Diseña su entorno y sesión de trabajo con criterios de ergonomía física y cognitiva
Aplica medidas de prevención de riesgos Identifica riesgos psicosociales propios del rol y aplica medidas preventivas
Conoce el plan de emergencias Localiza salidas, extintor adecuado y protocolo de parada segura del sistema
Apuntes de IA y Datos
UD6 · Trabajo responsable, sostenible y PRL | MP02 · Entrenamiento de modelos de aprendizaje automático

← UD5 · Versionado y ficha técnica de…  ·  Volver al módulo

Apuntes de IA y Datos

nav-slide