===== Decentring Ethics: AI Art as Method - Resumen (Págs. 15-28) =====

=== Introducción: Decentring Ethics: AI Art as Method (Págs. 15-21) ===
Editado por Vanessa Bartlett, Jasmin Pfefferkorn y Emilie K. Sunde.

==== Crítica a la Ética Normativa de la IA ("Hard Ethics") ====
  * Los marcos éticos predominantes (e.g., UE, Harvard) se clasifican como **"ética dura"**: se centran en regulación, transparencia, privacidad y seguridad.
  * Estas aproximaciones son problemáticas porque:
    * Son **antropocéntricas** y descuidan a las entidades **más-que-humanas**.
    * Asumen una universalidad que ignora otras cosmovisiones (Pluriversalismo).
    * Valoran la transparencia total, mientras que el arte muestra que la **opacidad** puede ser productiva (e.g., obra //Babylonian Vision// de Nora Al-Badri).
    * Suelen estar al servicio del poder corporativo y gubernamental ("ethics-washing").

==== Propuesta de una Ética Descentrada (Decentred Ethics) ====
La ética descentrada se basa en dos pilares clave:
  * **1. Pluriversalismo:** Se aleja de las ontologías y epistemologías occidentales hacia la aceptación de múltiples formas de saber y existir (concepto de Walter Mignolo).
  * **2. Agencia más-que-humana:** Reconoce a las entidades no humanas (como los sistemas de IA) como **agentes éticos**. Se cita a N. Katherine Hayles, quien conceptualiza la IA como un "ensamblaje cognitivo" con agencia distribuida.
  * Esta ética está intrínsecamente ligada a una **ética del cuidado** (María Puig de la Bellacasa), que enfatiza la interdependencia y los procesos relacionales.

==== El Arte de IA como Método ====
  * El arte de IA no es solo una herramienta, sino un **imaginario cultural y material** para explorar relaciones éticas.
  * El enfoque no está en los inputs o outputs del modelo, sino en los **complejos procesos socio-técnicos**.
  * Los artistas navegan entre el **"saber-qué" ético** (normas fijas) y el **"saber-cómo" ético** (improvisación contextual), actuando como guías para una ética descentrada.

=== Capítulo 1: A Handmade Dataset por Aarati Akkapeddi (Págs. 22-28) ===

==== Problemas con los Datasets a Escala Industrial ====
  * **Datos sin consentimiento:** Ejemplo: dataset "Diversity in Faces" de IBM, extraído de Flickr sin permiso.
  * **Explotación laboral:** Los "click-workers" que etiquetan datos trabajan en condiciones precarias.
  * **Falta de revisión:** La escala masiva (e.g., LAION-5B con 5B de imágenes) imposibilita revisar cada dato, llevando a sesgos y contenido explícito que los filtros automáticos no solucionan bien.

==== La Propuesta: Los "Handmade Datasets" ====
Para su obra //I knew that if I walked in your footsteps, it would become a ritual// (2021), Akkapeddi creó un dataset pequeño con ~1000 fotos familiares.
  * **Lentitud e Intimidad:** Escanear cada foto físicamente fomentó una relación de **cuidado y custodia (stewardship)** con el archivo.
  * **Consentimiento Significativo:** El contacto directo con sus familiares permitió un consentimiento informado e interpersonal.
  * **Reconocimiento del Sesgo:** Acepta la subjetividad de su dataset (e.g., más fotos de su madre) y lo usa como herramienta de reflexión, no como un error a eliminar.

==== Desafíos Técnicos ====
  * **Transfer Learning vs. Entrenar desde Cero:** Usar modelos preentrenados (e.g., FFHQ) contamina el dataset con imágenes de extraños. Entrenar desde cero, aunque técnicamente más difícil, da resultados más genuinos y significativos para la obra.
  * **Aumento de Datos (Data Augmentation):** Técnicas como duplicar y voltear imágenes pueden ayudar, pero deben usarse con intención. A veces, priorizar el **cuidado sobre la estética** significa usar algoritmos más antiguos.