Cuando pensamos en llevar a producción modelos de aprendizaje automático, necesitamos que estos sean robustos y equitativos. Actualmente, la mayoría de los modelos consideran condiciones ideales y suponen que los datos de producción provienen de la misma distribución que los de entrenamiento. Sin embargo, esto no suele ser el caso en las aplicaciones de la vida real. Por ejemplo, en un entorno clínico, podemos encontrar diferentes dispositivos de captura de imágenes, diversas poblaciones de pacientes, o condiciones médicas diferentes o desconocidas. Por otro lado, debemos evaluar las posibles disparidades en la evaluación o diagnóstico, ya que pueden trasladarse y amplificarse en nuestras soluciones de aprendizaje automático. En esta charla vamos a ver cómo usamos modelos ML para evaluar la representación en aplicaciones de dermatología y cómo podemos ayudar a modelos ya entrenados a ser más robustos ante cambios en los datos.