1. Identificación de problemas = para muchos agricultores es la falta de conocimiento sobre las enfermedades de los cultivos y la necesidad de un experto agrícola que proporcione un diagnóstico rápido.

2. Recopilación y compartición de datos = según la UNESCO (2021), uno de los principales problemas con la creación de modelos de IA en África es el acceso a los datos de entrenamiento de IA y la falta de datos de entrenamiento localizados en general, lo que afecta el uso de los sistemas de IA.

3. El contexto importa = es fundamental comprender el contexto al recopilar y compartir datos, y crear e implementar modelos de IA. Por ejemplo, al crear un modelo de IA para el diagnóstico de cáncer de mama, se deben tener en cuenta factores contextuales como las opciones de tratamiento disponibles, los marcadores genéticos únicos o los antecedentes familiares.

4. Consideraciones éticas en la educación y la investigación = desarrollar programas de capacitación para la inclusión de la ética de la IA en la educación en diferentes niveles a través de los planes de estudio de informática e ingeniería.

También se pueden establecer directrices de implementación para aprovechar los casos de uso prácticos para traducir los principios éticos de la IA a la práctica.

Chattopadhyay et al. (2020) mentioned that "as data scientists [...], they encounter unexpected difficulties—pain points—from limitations in affordances and features in the notebooks, which impact their productivity and disrupt their workflow." (pag. 1)

These pain points represent an opportunity to change or challenges in a specific aspect of reproducibility.

References

Chattopadhyay, S. Prasad, I. Henley, A. Sarma, A. Barik, T. (2020). What’s Wrong with Computational Notebooks? Pain Points, Needs, and Design Opportunities. Oregon State University, Microsoft, University of Tennessee-Knoxville. see link on https://dl.acm.org/doi/pdf/10.1145/3313831.3376729