Datos e IA para la ciencia: consideraciones clave

La primera sección Presenta los conceptos fundamentales y analiza las ventajas y los desafíos de hacer que los datos científicos estén preparados para la IA.

La segunda sección Examina las consideraciones clave para la preparación de datos para la IA y, a la inversa, para la IA en la gestión de datos. Nos basamos en estándares de datos y analizamos consideraciones específicas de la IA, como la legibilidad por máquina y la mitigación de sesgos, a la vez que destacamos las consideraciones éticas y ambientales en torno a la preparación de datos para la IA en la ciencia.

La tercera sección analiza la preparación de los datos en el marco de la Ciencia Abierta y presenta dos estudios de caso que ilustran cómo las prácticas de Ciencia Abierta pueden respaldar la preparación de la IA para la investigación científica.

Recommendations

• Convergencia con los marcos y estándares de datos existentesPor ejemplo, los científicos y administradores de datos deberían utilizar FAIR-R y Croissant.
• Estructuras de gobernanza de datos Debería ir más allá de los estándares técnicos para promover la equidad, el acceso a los recursos informáticos y el desarrollo de capacidades.
• Inversión en infraestructura de datos y desarrollo de habilidades es un requisito previo para un uso eficiente y competitivo de la IA en la ciencia.
• Reconocimiento de carreras en administración de datos En materia de ciencia, y los incentivos para fomentar estas habilidades, constituyen una vía de implementación fundamental de la inversión antes mencionada.

Datos e IA para la ciencia: consideraciones clave

Septiembre 2025

DOI: 10.24948 / 2025.11

Descargar

Este trabajo se realizó con la ayuda de una subvención del Centro Internacional de Investigaciones para el Desarrollo (IDRC), Ottawa, Canadá. Las opiniones expresadas en este documento no representan necesariamente las del IDRC ni las de su Junta Directiva.