Atribución no rastreable

Estrategia de mitigacion

1. Prioridad Alta: Implementación de un Sistema de Trazabilidad y Procedencia del *Corpus* (Data Provenance) Establecer un protocolo de *data lineage* riguroso que registre de manera inmutable el origen, la licencia y la transformación de cada fragmento del conjunto de datos de entrenamiento. Este sistema debe permitir la **auditoría forense** para correlacionar salidas específicas del modelo con las fuentes de datos primarias que influyeron en su generación, mitigando el riesgo de infracción de derechos de autor y sesgos no documentados. 2. Prioridad Media: Integración de Técnicas de Inteligencia Artificial Explicable (XAI) y Atribución Post-Hoc Adoptar metodologías de **IA Explicable (XAI)**, como LIME o SHAP, para generar **explicaciones locales** de la salida del modelo. Esto debe traducirse en la capacidad de ofrecer una **atribución probabilística** sobre la importancia de las características o los puntos de datos clave en la inferencia, aumentando la interpretabilidad y facilitando la rendición de cuentas. 3. Prioridad Media: Desarrollo de Marcos de Gobernanza y Transparencia Documental Crear políticas internas de **Gobernanza de IA** que exijan la **documentación exhaustiva** del ciclo de vida del modelo, incluyendo la arquitectura, los parámetros de entrenamiento y los criterios de curación de datos. Paralelamente, negociar acuerdos de licencia con proveedores de datos que **garanticen la trazabilidad** y el cumplimiento normativo (p. ej., RGPD o *AI Act* de la UE), fortaleciendo la confianza mediante la transparencia contractual.