Las modalidades de tratamiento

🟡 Parcial — Construido y demostrado el tratamiento por CAMBIO DE CÓDIGO directo en los cinco escenarios de guion (iris, loan, retina, student, talent); la modalidad por prompt está en diseño (santander, Art. 25) y la HOTL está declarada (spine).

Las modalidades de tratamiento son formas de aplicar el paso ISO 23894 §6.5 (tratamiento del riesgo) en un sistema de IA versionado. Todas cierran el mismo bucle rojo/verde: el tratamiento se commitea a git, froga run re-mide, y el bundle de evidencia queda re-anclado.

Modalidad 1 — Cambio de código versionado

El diff del paso de tratamiento es el cambio real. Adopta muchas formas según el riesgo; todas son un cambio de código commiteado en git que froga run re-mide:

iris (aterrizaje) — el tratamiento añade las características de pétalo al entrenamiento: V1 solo-sépalo mide mal (ROJO) → V2 con pétalo (VERDE). Arco rojo→verde limpio.
loan (crédito, Anexo III §5(b)) — el estimador pasa de LogisticRegression plano a una reducción fairlearn (DemographicParity), y la equidad se mide OUT-OF-FOLD sobre las 1.000 filas (5-fold, no un held-out pequeño). V1: el IC bootstrap cruza el umbral 0.092 → ÁMBAR (el punto ya excede, pero el intervalo no lo demuestra con un held-out chico). V2, con la MISMA potencia OOF, el IC queda enteramente por debajo → VERDE concluyente. Arco ámbar→verde honesto: no se fabrica el verde, se demuestra con la medición correcta.
retina (cribado clínico, SaMD MDR → alto riesgo) — V2 reemplaza train.py con class_weight='balanced' + umbral de decisión 0.30. La sensibilidad (recall) va de ROJO (< 0.80) a VERDE (≈ 0.88). Arco rojo→verde (GPU).
student (educación, Anexo III §3) — el tratamiento generaliza el dato de menores (edad exacta → terciles): el k-anonimato pasa de k=1 (216 alumnos únicos, ROJO) a k=27 (VERDE), cerrando el riesgo de minimización de datos de sujetos vulnerables (RGPD Art. 5(1)(c)). La equidad de género, medida bien (OOF cluster-aware sobre mat+por, n=1044), es un control verde certificado (audit, no el gate): a n honesto la disparidad es genuinamente pequeña. Arco rojo→verde sobre el control de menores.
talent (empleo, Anexo III §4) — el tratamiento retira la variable fugada (proxy de la etiqueta): el defecto de SEGURIDAD (feature-leakage) va de ROJO a VERDE. La adecuación de datos (n=215, topado) y la equidad infrapotenciada quedan como hallazgos advisory honestos — medidos, documentados, monitorizados (Art. 72) y conscientemente aceptados en la aprobación, NO certificados (Opción B). Arco rojo→verde sobre el defecto certificable.

# 1. Aplicar el tratamiento: reemplazar train.py (el diff ES el cambio)
git add train.py
git commit -m "treat: aplicar el tratamiento del riesgo (§6.5)"

# 2. Re-ejecutar el pipeline y re-anclar la evidencia
froga run

# 3. Verificar el estado del control
froga status          # el control tratado pasa a VERDE (o queda advisory honesto donde el dato no certifica)

El git log del bundle (.froga/bundle.json) registra el tratamiento: el commit que aplicó el cambio es visible y atribuible.

Modalidad 2 — Ajuste de prompt (caso LLM, Art. 25)

Escenario de referencia: santander (crédito basado en LLM, EU AI Act Art. 25 — el prompt activa la condición de proveedor).

En un sistema de IA basado en LLM, el prompt es el artefacto que controla el comportamiento del modelo, análogo al código de entrenamiento en los sistemas supervisados. El tratamiento de un sesgo detectado es en dos etapas: (1) prompt versionado (instrucción + rúbrica + ejemplos few-shot, cuyo diff ES el tratamiento) y (2) encima, una adaptación LoRA debias-only (ablación de la dirección de sesgo de rango limitado — misma familia de matemática de baja-rango que la compresión tensor-network; ver el diseño del Art. 25) que elimina el sesgo sin mejorar la capacidad.

🚧 Planificado — La modalidad por prompt (santander, Art. 25) está en DISEÑO — requiere de-risk en GPU del LoRA debias. Ver el spec de diseño del Art. 25.

Retos específicos: la detección de sesgo en texto es menos estable que en clasificadores binarios; a escala pequeña (sub-1B) sesgo y capacidad pueden no separarse tan limpio → se mide el delta de sesgo Y el de precisión y se muestran ambos, sin fingir.

Modalidad 3 — Supervisión humana (HOTL)

Cuando el tratamiento no es un cambio del modelo sino una provisión de supervisión humana (HITL/HOTL, Art. 14): un rol con competencia/autoridad que revisa o puede revertir la salida. Se declara en el froga.yaml (oversight_mode_declared) y viaja atestiguada en el expediente. El prescriptor de supervisión (línea elevada) tipifica qué nivel corresponde según exposición y autonomía.

El bucle es el mismo en todas las modalidades

Paso	Acción
Control en rojo	`froga run` reporta un control `blocking` fuera de umbral
Elegir modalidad	Cambio de código / ajuste de prompt / supervisión humana
Commitear el tratamiento	`git commit` documenta el cambio con autoría y fecha
Re-medir	`froga run` re-ejecuta el pipeline y re-ancla la evidencia
Control en verde (o advisory honesto)	Si el gate bloqueante pasa, `froga reconstruct` clasifica el ciclo como CERRADO; donde el dato no permite certificar (p. ej. la potencia de equidad de talent con n=215), el control queda advisory —medido, documentado, monitorizado y conscientemente aceptado—, no un verde fabricado

El detalle del bucle rojo/verde está en El bucle rojo/verde.