IAConSentido · Guías y fuentes externas · Por Karine Boucher
Borrar un archivo y retirar su influencia de un modelo no son necesariamente la misma tarea. Te recomiendo tener esa diferencia presente cuando un servicio promete que puede eliminar tus datos.
Qué encontrarás en este recurso
A Survey of Machine Unlearning. La revisión de Thanh Tam Nguyen y coautores organiza conceptos, métodos y problemas de machine unlearning. Distingue formulaciones y formas de comprobar resultados. La versión consultada es la 6 de arXiv, de septiembre de 2024, no una lista de capacidades disponibles en cualquier producto actual.
arXiv versión 6, 17 de septiembre de 2024; original de 2022.
Cómo te recomiendo aprovecharlo
Yo empezaría por pedir una explicación concreta: ¿qué se elimina, de dónde, en qué versión y cómo se verifica? Una respuesta que deja de mencionar un dato no basta por sí sola para demostrar que desapareció toda su influencia o que se retiraron todas las copias.
Ejemplo ficticio: una decisión concreta
Imagina que solicitas borrar una conversación. El servicio elimina el historial visible, pero no explica si esa información se utilizó para entrenar ni qué ocurre con otros sistemas. La pregunta pendiente no es solo si ya puedes verla: es qué alcance tuvo la eliminación.
Qué debe aclarar una promesa de eliminación
- Qué datos y versiones del sistema abarca la solicitud.
- Si el dato se eliminó de una base, de un índice de consulta o de un modelo entrenado.
- Qué comprobación respalda la respuesta y qué límites conserva.
- Qué ocurre con copias, registros y servicios de terceros.
Estas preguntas son mi propuesta para trabajar con el recurso, no una reproducción de su metodología. Te recomiendo elegir la que puedas aclarar hoy y dejar por escrito qué información necesitas para las demás. No hace falta convertir una duda en una respuesta apresurada.
Qué conviene tener presente
La investigación técnica no determina por sí sola cómo se aplica un derecho de supresión ni garantiza retirar toda huella en copias, modelos o servicios. No presento el desaprendizaje como una solución universal.
Riesgos humanos relacionados
Seguridad, privacidad y dignidad permite observar qué protección necesita la información personal. Autonomía y agencia ayuda a preguntar si la persona entiende qué puede solicitar y qué control conserva realmente. Esta clasificación corresponde a mi Taxonomía IAConSentido, no a las categorías de la fuente.
Consultar A Survey of Machine Unlearning · Explorar la biblioteca
Fuente consultada el 13 de noviembre de 2026. Karine Boucher · Especialista en Riesgos Humanos de la IA · Creadora del Método SENSE.