# Criterios de la FSF para aplicaciones de aprendizaje automtico > [! nota]- > El contenido de esta página se ha generado a partir de la transcripción de audio/vídeo y la transformación del texto del contenido y los enlaces de esta fuente. Fuente: [https://fosdem.org/2025/schedule/event/fosdem-2025-4818-fsf-s-criteria-for-free-machine-learning-applications/](https://fosdem.org/2025/schedule/event/fosdem-2025-4818-fsf-s-criteria-for-free-machine-learning-applications/) <video src=«https://video.fosdem.org/2025/k1105/fosdem-2025-4818-fsf-s-criteria-for-free-machine-learning-applications.av1.webm» controls></video> ## Resumen y aspectos destacados: **Introducción a la FSF y su Misión** La Free Software Foundation (FSF) es una organización sin fines de lucro dedicada a promover la libertad del usuario en el ámbito del software. Fundada en 1985 por Richard Stallman, la FSF apoya el proyecto GNU y mantiene la Definición de Software Libre, asegurando que los usuarios tengan control sobre su computación. **Importancia del Software Libre** El software libre permite a los usuarios controlar sus dispositivos y su computación, siendo crucial para el desarrollo de software en todo el mundo. Licencias como GNU GPL y AGPL son populares y garantizan que las libertades de los usuarios se mantengan. **Desafíos del Aprendizaje Automático** El aprendizaje automático (ML) está en auge, con un crecimiento proyectado del 535% para 2030. Sin embargo, plantea desafíos únicos para la libertad del usuario, ya que ML incluye elementos tanto de software como no software, lo que complica la aplicación de las cuatro libertades del software. **Criterios para Aplicaciones de ML Respetuosas de la Libertad** La FSF está desarrollando criterios para definir aplicaciones de ML que respeten la libertad del usuario. El debate se centra en la necesidad de que los datos de entrenamiento sean libres y en cómo las aplicaciones de ML pueden ser libres o no libres. **Cuestiones Éticas y Sociales** La FSF aborda cuestiones éticas como el uso de datos privados en el entrenamiento de modelos y si es moralmente justificable utilizar aplicaciones de ML sin datos de entrenamiento disponibles. Se busca establecer un estándar aspiracional que garantice la libertad en el futuro. **Próximos Pasos y Participación** La FSF continuará sus discusiones técnicas y filosóficas, invitando al público a participar y enviar sus preguntas. Aunque no hay un plazo definido, el objetivo es establecer criterios que promuevan un futuro digital más libre. ## Importancia para una transformación ecosocial La importancia de esta sesión para una transformación ecosocial es significativa, ya que aborda cómo las aplicaciones de aprendizaje automático pueden alinearse con los principios del software libre, promoviendo la transparencia y el control del usuario. La sostenibilidad se ve reflejada en el uso ético de los datos y en la minimización del impacto ambiental del entrenamiento de modelos. Para los diseñadores ecosociales, las herramientas y plataformas que priorizan la transparencia y la ética en el uso de datos son esenciales. Los desafíos incluyen la necesidad de desarrollar tecnologías que permitan el acceso a datos de entrenamiento libres y manejar las barreras legales y éticas en torno a la privacidad y los derechos de autor. ## Slides: | | | | --- | --- | | ![[FOSDEM 2025/assets/FSFs-criteria-for-free-machine-learning-applicatio/preview_001.jpg\|300]] | La diapositiva 1 presenta a los ponentes Zoë Kooyman y Krzysztof Siewicz, quienes representan a la FSF. Abordan los criterios de la FSF para aplicaciones de aprendizaje automático, destacando la importancia de la libertad del usuario en este campo. | ![[FOSDEM 2025/assets/FSFs-criteria-for-free-machine-learning-applicatio/preview_002.jpg\|300]] | La diapositiva 2 indica que el trabajo está en progreso y que los ponentes no son expertos en aprendizaje automático. Están presentes para escuchar y recopilar preguntas y pensamientos del público, subrayando la naturaleza colaborativa de su enfoque. | ![[FOSDEM 2025/assets/FSFs-criteria-for-free-machine-learning-applicatio/preview_003.jpg\|300]] | La diapositiva 3 describe la FSF como una organización sin fines de lucro con la misión de promover la libertad del usuario. Fundada por Richard Stallman, la FSF mantiene la Definición de Software Libre y es responsable de las licencias GNU GPL. | ![[FOSDEM 2025/assets/FSFs-criteria-for-free-machine-learning-applicatio/preview_004.jpg\|300]] | La diapositiva 4 enfatiza la importancia del software libre, que permite a los usuarios controlar su computación. Es fundamental en el desarrollo de software y es ampliamente utilizado, con licencias como GNU GPL y AGPL entre las más populares. | ![[FOSDEM 2025/assets/FSFs-criteria-for-free-machine-learning-applicatio/preview_005.jpg\|300]] | La diapositiva 5 explica que el acceso al código fuente es una condición previa para las cuatro libertades del software libre, destacando la importancia de la transparencia y la capacidad de modificación para mantener la libertad del usuario. | ![[FOSDEM 2025/assets/FSFs-criteria-for-free-machine-learning-applicatio/preview_006.jpg\|300]] | La diapositiva 6 celebra los 40 años de software libre, destacando la evolución de las libertades y las licencias GNU. Se menciona la importancia de las licencias copyleft en la protección de las libertades del usuario. | ![[FOSDEM 2025/assets/FSFs-criteria-for-free-machine-learning-applicatio/preview_007.jpg\|300]] | La diapositiva 7 discute el crecimiento del mercado de aprendizaje automático, que ha aumentado un 60% desde 2020 y se espera que alcance un valor de medio billón de dólares para 2030, subrayando su creciente relevancia. | ![[FOSDEM 2025/assets/FSFs-criteria-for-free-machine-learning-applicatio/preview_008.jpg\|300]] | La diapositiva 8 aborda cómo el aprendizaje automático está mediando entre usuarios y software, y se utiliza para desarrollar y realizar tareas de software. Se advierte sobre intentos de 'lavado libre', donde se da una falsa impresión de libertad al usuario. | ![[FOSDEM 2025/assets/FSFs-criteria-for-free-machine-learning-applicatio/preview_009.jpg\|300]] | La diapositiva 9 señala que las aplicaciones de aprendizaje automático no poseen inteligencia real y deben considerarse como 'loros estocásticos'. Destaca la importancia de elementos no software, como los datos de entrenamiento, para comprender y modificar estas aplicaciones. | ![[FOSDEM 2025/assets/FSFs-criteria-for-free-machine-learning-applicatio/preview_010.jpg\|300]] | La diapositiva 10 subraya que todos los elementos, especialmente los datos de entrenamiento, son cruciales para las aplicaciones de aprendizaje automático. La FSF aboga por no bajar los estándares y mantener las cuatro libertades como base. | ![[FOSDEM 2025/assets/FSFs-criteria-for-free-machine-learning-applicatio/preview_011.jpg\|300]] | La diapositiva 11 afirma que los usuarios deben tener todo lo necesario para controlar su computación con ML. Los datos de entrenamiento deben ser libres, y se enfatiza la importancia de la formación desde cero para garantizar la libertad. | ![[FOSDEM 2025/assets/FSFs-criteria-for-free-machine-learning-applicatio/preview_012.jpg\|300]] | La diapositiva 12 plantea preguntas sobre la moralidad del uso de aplicaciones de ML sin datos de entrenamiento disponibles y la posibilidad de que el entrenamiento incremental sea equivalente al entrenamiento desde cero. Se invita a enviar preguntas a la FSF. | ![[FOSDEM 2025/assets/FSFs-criteria-for-free-machine-learning-applicatio/preview_013.jpg\|300]] | La diapositiva 13 detalla los próximos pasos, que incluyen discusiones con expertos para desarrollar una declaración de criterios. La FSF no tiene plazos, pero busca establecer un estándar aspiracional para el futuro. | ![[FOSDEM 2025/assets/FSFs-criteria-for-free-machine-learning-applicatio/preview_014.jpg\|300]] | La diapositiva 14 agradece la atención del público, concluyendo la presentación. ## Enlaces [FSF’s criteria for free machine learning applications](https://fosdem.org/2025/events/attachments/fosdem-2025-4818-fsf-s-criteria-for-free-machine-learning-applications/slides/238472/Kooyman_S_W6BKphT.pdf)