Escribiendo Política Primero en Código

Esta guía se centra en la Persona del Ingeniero: quien traduce los requisitos legales en reglas técnicas (OSCAL). En el Nivel 1, aprendiste a “Bloquear” despliegues incorrectos. Ahora escribiremos el archivo de política real que gobierna el proyecto.

---

Parte 1: La Política de Datos (data_policy.yaml)

Para la Fase 1 (Auditoría de Datos), solo nos importa el Artículo 10 (Assurance de Datos). Tu Científico de Datos (El Constructor) no puede comenzar el entrenamiento hasta que este archivo esté listo.

1. La Estructura

Crea un archivo llamado data_policy.yaml en la raíz de tu proyecto.

assessment-plan:
  uuid: credit-scoring-v1
  metadata:
    title: "Artículo 10: Directiva de Crédito al Consumo (CCD)"
    description: "Criterios de aceptación para la calidad y sesgo de los datos de entrenamiento."
  reviewed-controls:
    control-selections:
      - include-controls:
        # LAS REGLAS VAN AQUÍ

---

2. Definiendo las Reglas (Controles)

Un “Control” es una unidad de lógica. En la Ley de IA de la UE, debes probar que verificaste riesgos específicos.

Regla A: Representación (Soporte Estadístico)

• Requisito Legal: “Los conjuntos de datos de entrenamiento, validación y prueba deberán ser pertinentes, representativos, libres de errores y completos.” (Art 10.3)
• Traducción: Asegurar que ningún grupo demográfico sea borrado (Mínimo 20% de representación).

        - control-id: check-imbalance
          description: "Asegurar que los grupos minoritarios sean estadísticamente significativos."
          props:
            - name: metric_key
              value: min_class_ratio
            - name: threshold
              value: "0.20"  # Fallar si la clase minoritaria < 20%
            - name: operator
              value: ">"

Regla B: Sesgo (Impacto Dispar)

• Requisito Legal: “Examen de posibles sesgos.” (Art 10.2.f)
• Traducción: Las tasas de aceptación no deben desviarse más del 20% entre grupos (Regla de los Cuatro Quintos).

        - control-id: check-gender-bias
          description: "El Ratio de Impacto Dispar debe estar entre 0.8 - 1.25"
          props:
            - name: metric_key
              value: disparate_impact_ratio
            - name: threshold
              value: "0.80"
            - name: operator
              value: ">"

---

3. Verificar la Política

Antes de entregarla al Científico de Datos, verifica que funcione.

import venturalitica as vl
from venturalitica.quickstart import load_sample

# 1. Cargar el Conjunto de Datos 'Aprobado' (Simulado)
data = load_sample('loan')

# 2. Prueba Seca de la Política
try:
    vl.enforce(
        data=data,
        target="class",
        gender="Attribute9",  # "Estado personal y sexo" en Datos de Crédito Alemán
        policy="data_policy.yaml"
    )
    print("La política tiene sintaxis válida y pasa los datos base.")
except Exception as e:
    print(f"Error de Política: {e}")

---

Parte 2: La Política del Modelo (model_policy.yaml)

Una vez aprobados los datos, necesitas definir las reglas para el producto final (el modelo entrenado). Esto corresponde al Artículo 15 (Precisión, Robustez y Ciberseguridad).

Crea un segundo archivo: model_policy.yaml.

Regla C: Rendimiento (Precisión)

• Requisito Legal: “Los sistemas de IA de alto riesgo se diseñarán… para lograr un nivel adecuado de precisión.” (Art 15.1)
• Traducción: El modelo debe ser mejor que adivinar al azar (ej. > 70% de precisión).

        - control-id: accuracy-check
          description: "El modelo debe lograr al menos 70% de precisión."
          props:
            - name: metric_key
              value: accuracy_score
            - name: threshold
              value: "0.70"
            - name: operator
              value: ">"

Regla D: Equidad Post-Entrenamiento (Resultado)

• Requisito Legal: “Los resultados no deberán estar sesgados…”
• Traducción: Incluso si los datos estaban equilibrados, el modelo podría aprender a discriminar. Verifica las predicciones nuevamente.

        - control-id: gender-fairness-model
          description: "Asegurar que las predicciones del modelo no impacten disparmente a las mujeres."
          props:
            - name: metric_key
              value: disparate_impact_ratio
            - name: "input:dimension"
              value: "gender"         # Enlazar explícitamente a la columna de género
            - name: threshold
              value: "0.80"
            - name: operator
              value: ">"

---

Qué Sigue?

Ahora has creado la especificación. Entrega estos archivos (data_policy.yaml y model_policy.yaml) a tu Científico de Datos. Ellos los usarán en el Nivel 2 para auditar su flujo de entrenamiento.