seccion 3 contenido.pdf

3.6 Inteligencia artificial ENTENDIMIENTOS Al final del capítulo, debe comprender que: ► la inteligencia artificial (IA) involucra agentes, dispositivos o sistemas que se adaptan para realizar tareas (o parecen hacerlo) que alguna vez requirieron los procesos cognitivos y crea...

3.6 Inteligencia artificial ENTENDIMIENTOS Al final del capítulo, debe comprender que: ► la inteligencia artificial (IA) involucra agentes, dispositivos o sistemas que se adaptan para realizar tareas (o parecen hacerlo) que alguna vez requirieron los procesos cognitivos y creativos de los seres humanos ► existen varios tipos de Al existentes, emergentes o propuestos; estas categorías frecuentemente se super- ponen o son cuestionadas ► Al ha evolucionado con el tiempo e introduce importantes oportunidades y dilemas en la sociedad digital. Hemos entrado en una quinta generación en computación, inteligencia artificial (AI). Aunque proviene de la ciencia ficción y del trabajo anterior de Alan Turing, un matemático y criptógrafo, la inteligencia artificial está emergiendo y se está volviendo más frecuente en los titulares de las noticias de hoy. Además de vencer a los humanos en juegos como el desafío AlphaGo, se está volviendo omnipresente en nuestra vida cotidiana. En este capítulo investigaremos las tecnologías que se están desarrollando en inteligencia artificial, dónde se están implementando y los dilemas que están surgiendo de su uso. Inteligencia artificial Cibernética Resolución de pro- Aprendizaje Aprendizaje Robótica Redes neuronales blemas profundo automático ACTIVIDAD ATL Pensamiento Reflexione sobre las siguientes preguntas antes de comenzar este capítulo: ¿Qué es fácil de hacer para un humano pero no una computadora? ¿Qué es más fácil para una computadora que hacer que un humano? ¿Qué se entiende por el término ‘inteligencia humana’? ¿Qué se entiende por el término ‘inteligencia artificial’? 3.6A Tipos de IA Al buscar la palabra “inteligencia”, se presentará una amplia gama de términos que incluyen razonamiento abstracto, representación mental, resolución de problemas, toma de decisio- nes, conocimiento emocional, creatividad y adaptación. Dada la complejidad de nuestros cerebros y la forma en que pensamos, no es sorprendente que sea difícil desarrollar inteligencia artificial. Viene con otros pro- blemas inherentes, por ejemplo: La mayoría de las personas no pueden describir cómo hacen las cosas Hay una diferencia entre la forma en que un cerebro humano está estructurado y las capacidades humanas en comparación con la de una computadora La mejor manera para una máquina es a menudo diferente a la de un humano. ¿Cómo podemos determinar si un sistema informático tiene una verdadera inteli- gencia? En 1950, Alan Turing escribió un artículo académico titulado “Machinería e inteligencia informática”, a partir del cual desarrolló una prueba de inteligencia artificial llamada Turing Test. Basado en un juego de fiesta llamado “El juego de imitación”, un interrogador está en un lado de una pantalla y hace preguntas a diferentes jugadores al otro lado de la pantalla. Uno de los jugadores sería una computadora (chatbot). El juego continuaría con el chat de interrogador (con texto escrito) por hasta cinco minutos. Si el interrogador confunde la computadora con un humano más del 30% del RIME, entonces la computadora ha pasado la prueba de inteligencia artificial. La prueba de Turing se usó en chatbots tempranos, como Eliza en la década de 1960, pero tardó más de 60 años antes de que un chatbot aprobara la prueba. El Premio Loebner, una competencia de inteligencia artificial, se celebró anualmente Alan Turing con el objetivo de evaluar el estado de las máquinas de conversación que aspiran a pasar la prueba de Turing. En 2012, un chatbot haciéndose pasar por un niño ucraniano de 13 años (llamado Eugene Goostman) convenció al interrogador de ACTIVIDAD ATL que era humano. Sin embargo, esto fue controvertido, ya que se consideró que el chatbot había engañado a los humanos al comportarse como un adolescente. Social Completa esta actividad con un Aunque la prueba de Turing solo puede probar el procesamiento del lenguaje natu- grupo de amigos. ral; Todavía es popular porque proporciona una prueba simple que se puede aplicar Investigación para una ac- a una situación compleja. Puedes leer más sobre la historia de la prueba aquí: ht- tividad desconectada para tps://www.techtarget.com/searchenterpriseai/definition/Turing-test recrear la prueba de Turing. Captcha (prueba pública completamente automatizada para decir a las computa- Descargue la actividad, siga doras y los humanos aparte) es una forma de prueba moderna de Turing. Las pre- las instrucciones para confi- guntas de Captcha se usan con frecuencia al registrarse en un nuevo sitio web. Se gurarla y jugar. creó para que un usuario pueda probar en el momento del registro en el sitio web que es humano y no un bot. ACTIVIDAD ATL Pensamiento Mantenga una discusión sobre el desarrollo de Captcha. Investigue y recopile una selección de imáge- nes de Captcha para mostrar cómo han cam- biado con el tiempo. Sostenga una discusión grupal sobre cómo Captcha ha evolucionado. Discuta las posibles razones por las cuales Captcha ha cambiado. Use su conocimiento del aprendizaje automáti- co para apoyar esta discusión. CAPTCHA Es importante reconocer que existen diferentes tipos de inteligencia artificial. La inteligencia artificial ♦ IA débil/estrecho: Inteligencia artificial que que encontramos día a día se conoce como IA débil o estrecho. Se llama débil porque solo tiene tiene una función limita- una función limitada o solo puede realizar una tarea específica. Tomemos, por ejemplo, la inteligencia da o solo puede realizar artificial en Netflix: solo puede realizar una tarea, que es recomendar lo que vemos a continuación. una tarea específica. Otros ejemplos de inteligencia artificial débil incluyen programas de ajedrez, búsqueda de Google, Siri y ♦ IA de dominio especí- Alexa, vehículos autónomos, motores de recomendación y reconocimiento facial. Muchos sistemas de fico: Inteligencia artificial inteligencia artificial débiles están cambiando el mundo en el que vivimos, ya que pueden completar las que realiza tareas mejor tareas mucho más rápido que los humanos y pueden descubrir patrones en Big Data. que los humanos en ciertos dominios. En ciertos dominios, la inteligencia artificial puede realizar tareas mejor que los humanos. Esto se co- noce como IA de dominio específico. Los ejemplos incluyen inteligencia artificial que puede detectar ♦ Strong IA: Inteligencia el cáncer mejor que los médicos humanos, y la inteligencia artificial como Alphago, desarrollada por artificial que puede desa- Deepmind para vencer al campeón mundial en el juego de mesa. Sin embargo, esto no es suficiente rrollar conciencia y tomar decisiones mejor que los para clasificarse como Strong IA, también conocido como Alt Full o Artificial General Intelligence (AG1). humanos. La fuerte inteligencia artificial será cuando las máquinas lleguen al punto de que pueden desarrollar la conciencia y tomar decisiones mejores que los humanos. Además, la fuerte inteligencia artificial podrá ♦ Súper IA: Inteligencia demostrar la autoconciencia y las emociones, y tener habilidades cognitivas humanas completas. artificial que supera a la inteligencia humana. Una vez que se logra una inteligencia artificial fuerte, el siguiente hito será super IA, que es cuando las máquinas superan la inteligencia humana. Cuando la inteligencia artificial llega a este punto, hay preo- ♦ Singularidad: El futuro hipotético donde la inteli- cupaciones (como las que se encuentran en la ciencia ficción) de que las máquinas derrocarán a la raza gencia artificial se vuelve humana. En tecnología, la singularidad describe el futuro hipotético donde Al se vuelve tan avanzado tan avanzada que es que es superior a la inteligencia humana. La nanotecnología se percibe como una de las tecnologías superior a la inteligencia clave que hará que esto sea una realidad. humana. En inteligencia artificial, un sistema experto es un sistema informático que actúa como un experto hu- mano en un área temática específica. Los sistemas expertos a menudo se utilizan para asesorar a los no expertos cuando un experto humano no está disponible. Sistema experto interfaz de usuario Consulta Conocimiento de Base de conoci- Máquina de Usuario no ex- una experto mientos inferencia perto Asesoramiento Componentes de un sistema experto ♦ Sistema experto: Un Un sistema experto tiene tres componentes principales: la interfaz de usuario, el motor de inferencia y sistema informático que actúa como un exper- la base de conocimientos. to humano en un área La base de conocimientos representa hechos y reglas y la crea un ingeniero de conocimientos temática específica. que recopila la información proporcionada por expertos humanos. El motor de inferencia utiliza reglas programadas para interpretar y evaluar los hechos en la ♦ Base de conocimien- to: Hechos y reglas en base de conocimientos. La lógica se aplica en el motor de inferencia utilizando declaraciones si/ un sistema experto. entonces, lógica booleana y lógica difusa. Para proporcionar una solución o respuesta, el motor de inferencia utiliza el encadenamiento hacia adelante o hacia atrás. ♦ Motor de inferencia: La interfaz de usuario (consulte la definición en la página 97) es la parte del sistema que permite a La parte de un sistema experto que usa re- un no experto hacer preguntas al sistema experto y recibir asesoramiento. glas programadas para Un sistema experto es un ejemplo de AI de dominio específico y se usa con frecuencia en diagnósticos interpretar y evaluar los médicos o de automóviles, ingeniería petrolera, asesoramiento financiero e identificación de elementos hechos en la base de desconocidos. conocimiento.  ACTIVIDAD ATL Autogestión Conviértete en un aprendiz independiente y prueba algo nuevo. Busque en línea un sistema experto basado en la web, por ejemplo, verificadores de sistemas médicos, diagnósticos de automóviles o reconocimiento de plantas. Interactuar con los diferentes sistemas expertos en línea que haya encontrado. Reflexione sobre cómo esta experiencia es diferente de la de un experto humano. Reflexione sobre las ventajas y desventajas de utilizar un sistema de este tipo. Hasta ahora has estado aprendiendo sobre inteligencia artificial, pero ¿en qué se diferencia esto del aprendizaje automático, las redes neuronales y el aprendizaje profundo? Las redes neuronales son entonces la columna ver- tebral del aprendizaje profundo. En las próximas dos secciones, discutiremos cada uno de estos en más detalle. Inteligencia artificial Aprendizaje automático Redes neuronales Aprendizaje profundo Resumen de diferentes términos de IA 3.6B Tipos y usos del aprendizaje automático Antes de discutir los diferentes tipos de aprendizaje automático, veamos brevemente los elementos clave del aprendizaje automático. Necesita un conjunto de buenos datos (a menudo llamados datos de entrenamiento). Utiliza algoritmos (basados en un modelo de computadora) para observar los datos y comprenderlos. Los datos se ingresan en el algoritmo para hacer una predicción. Luego se evalúa la predicción y, si no es precisa, estos datos se retroalimentan al sistema para actua- lizar el modelo/algoritmo. ACTIVIDAD ATL Pensamiento Conviértase en un aprendiz inde- Datos de entre- Entrenar el algoritmo Evaluar pendiente y enséñese algo nuevo. namiento Busque en línea una herra- mienta basada en la web en el modelado de aprendizaje automático, por ejemplo, ‘Tea- Modelo chable Machine’ de Google. Predicción Datos de entrada Trate de crear diferentes con- juntos de datos y enséñele al modelo a reconocer tareas Algoritmo de aprendizaje automático simples. ¿Cómo funciona el aprendizaje automático?  Tipos de aprendizaje automático Aprendizaje supervisado El aprendizaje supervisado es la forma más simple de aprendizaje automático, con algoritmos que aprenden con el ejemplo. Los datos de entrenamiento consisten en un conjunto de entradas, cada una emparejada con un conjunto de salidas correctas. Durante el proceso de entrenamiento, el algoritmo buscará patrones en los datos que se correlacionen con el resultado deseado. Una vez que el sistema ha sido entrenado, recibirá entradas nuevas e invisibles y determinará qué etiqueta asignar a la nueva entrada. Se considera “supervisado” porque el sistema se entrena con salidas conocidas y el algoritmo se ajusta hasta que pueda producir la salida correcta para entradas no vistas. ‘Esto es una manzana’ Supervisor Ingresar datos sin Datos de entrena- Resultados desea- procesar miento dos Salida Modelo entrenado Algoritmo Procesando Entrenamiento de Entrada modelos ¿Cómo funciona el aprendizaje automático? El aprendizaje supervisado puede tener diferentes algoritmos para diferentes propósitos. Un algoritmo de clasificación tomará los datos de entrada y los asignará a una categoría basada en los datos de entrenamiento. Un algoritmo de regresión es diferente porque se usa para predicciones y analiza la relación entre las variables. Este algoritmo se usa comúnmente para hacer predicciones, como ventas o puntajes de pruebas, según el análisis del conjunto de datos. Las aplicaciones que utilizan el aprendizaje supervisado incluyen filtros de spam, detección de fraude y reconocimiento de caracteres de escritura a mano. EJEMPLO DEL MUNDO REAL Aprendizaje supervisado En junio de 2020, el gobierno del Reino Unido publicó un informe con recomendaciones para ayudar a combatir el aumento de la desinformación en línea. El informe concluyó que muchas plataformas en línea estaban usando al- goritmos de caja negra para seleccionar qué contenido se mostraba a sus usuarios. La investigación encontró que Google estaba usando aprendizaje supervisado. Los evaluadores de contenido humano estaban acostumbrados a crear conjuntos de capacitación de buena calidad para el sistema de aprendizaje automático. Se les dieron pautas sobre cómo calificar el contenido y se les pidió que usaran su propio juicio para calificar la calidad, la reputación y la utilidad de las páginas web. La investigación descubrió que, en lugar de editar el código de los algoritmos, los evaluadores calificaban manualmente los sitios y buscaban clasificaciones para los conjuntos de entrenamiento como una forma de influir en el algoritmo. Millones de usuarios confían en el algoritmo de Google cuando buscan información. Utiliza una combinación de juicio humano y modificación constante de la codificación del algoritmo (se informó que Google modificó su algoritmo 3200 veces en 2018). https://www.fastcompany.com/90663621/vint-cerf-google-misinformation? Aprendizaje sin supervisión El aprendizaje no supervisado se utiliza para encontrar patrones subyacentes en los datos. Utiliza conjun- tos de datos que no tienen ninguna etiqueta, sino que utiliza las características de los datos. El objetivo del aprendizaje no supervisado es analizar datos para encontrar patrones ocultos que un observador humano no puede notar. Los algoritmos utilizan el análisis de conglomerados, que busca formas de agrupar los datos. Ingresar datos sin procesar Salida Salida desconocida Sin datos de entrena- Algoritmo miento Interpretación Procesando Entrenamiento de Modelo entrenado modelos Aprendizaje no supervisado Las aplicaciones que utilizan el aprendizaje no supervisado incluyen el análisis de redes sociales y la seg- mentación del mercado. Aprendizaje reforzado Este tipo de aprendizaje automático se basa en recompensar el comportamiento positivo. El algoritmo se en- trena recompensando al sistema si funciona correctamente y penaliza si funciona incorrectamente. El agente de software toma decisiones para maximizar su recompensa y seguir adaptándose al entorno. Esta forma de aprendizaje automático requiere una gran cantidad de datos, por lo que algunas de las primeras aplicaciones se basaron en la disponibilidad de los datos. Ingresar datos sin ‘Esto es una procesar Salida manzana’ Medio ambiente Recompensa Mejor acción Modelo entrenado Selección Estado del algoritmo Agente Entrada Aprendizaje reforzado Las aplicaciones que utilizan el aprendizaje reforzado incluyen vehículos autónomos, mantenimiento predic- tivo, juegos y robótica.  ACTIVIDAD ATL Investigación Use habilidades de investigación para ampliar su conocimiento sobre los diferentes tipos de apren- dizaje automático. Utilice habilidades de búsqueda en línea efectivas y recursos digitales de la biblioteca escolar para obtener más información sobre el aprendizaje automático. Encuentre un ejemplo de la vida real para cada tipo de aprendizaje automático. Escriba un informe que incluya: una explicación sobre cómo se utiliza el aprendizaje automático en este contexto una discusión sobre el impacto que está teniendo el aprendizaje automático en este contexto. Citar correctamente las fuentes utilizadas y crear una bibliografía al final del informe. Aprendizaje profundo El aprendizaje profundo es un tipo de aprendizaje automático que se utiliza para problemas más complejos. No requiere datos estructurados, sino que utiliza redes neuronales artificiales. Una red neuronal que consta de más de tres capas se considera un algoritmo de aprendizaje profundo. Veremos las redes neuronales en la siguiente sección. Las aplicaciones del aprendizaje profundo incluyen el reconocimiento facial, el reconocimiento de imágenes, el procesamiento del lenguaje natural y el reconocimiento del habla. Reconocimiento de patrones El reconocimiento de patrones utiliza algoritmos de aprendizaje automático para reconocer patrones; estos pueden ser patrones físicos observados o patrones matemáticos. El reconocimiento de patrones se utiliza para muchos propósitos diferentes. Análisis de datos El análisis de datos se utiliza en la previsión del mercado de valores y en la investigación de audiencias. En la pre- visión del mercado de valores, el reconocimiento de patrones se utiliza para analizar los valores cambiantes en la bolsa de valores con el fin de hacer predicciones. La investigación de audiencia, como Google Analytics, utiliza el reconocimiento de patrones para analizar los datos de los usuarios para la segmentación del mercado. Procesamiento natural del lenguaje El procesamiento del lenguaje natural utiliza el aprendizaje automático para enseñar a una computadora a com- prender el lenguaje humano. Tiene múltiples usos hoy en día, incluyendo: análisis de texto, que se utiliza para convertir datos no estructurados en datos estructurados listos para el aná- lisis; los ejemplos incluyen el análisis de encuestas o notas de llamadas de clientes detección de plagio, que se utiliza para analizar texto y compararlo con fuentes en la web, por ejemplo, Turnitin generación de texto para chatbots, como chatbots de atención al cliente en sitios web traducción de texto, que utiliza análisis de texto, sustitución de palabras y análisis de sentimientos para recrear mensajes en diferentes idiomas, por ejemplo, Google Translate corrección de texto, utilizada en aplicaciones de corrección gramatical, por ejemplo, Grammarly. Reconocimiento de imagen El reconocimiento de imágenes se utiliza para comprender qué hay en una imagen, de modo que pueda describir la imagen y que la imagen se pueda buscar más fácilmente. Dos usos del reconocimiento de imágenes incluyen: búsqueda de imágenes: la búsqueda de imágenes de Google utiliza tanto el reconocimiento de patrones como los metadatos en sus algoritmos de búsqueda  reconocimiento facial: reconocer a alguien usando su huella facial se usa en numerosas aplicaciones, por ejem- plo, para desbloquear un teléfono o detectar a alguien en una multitud. Reconocimiento facial para identificación Reconocimiento de voz y sonido El reconocimiento de voz y sonido funciona mediante el análisis de patrones de sonido que se pueden convertir en texto y aplicar al procesamiento del lenguaje natural. Esto se puede utilizar en: Al asistentes, para que los usuarios puedan interactuar mediante comandos de voz traducción de voz a texto y de texto a voz, que permite a los usuarios convertir palabras habladas en texto en la pantalla y viceversa; un ejemplo es el uso de la creación automática de subtítulos en sitios web de videos como YouTube. Análisis de los sentimientos El análisis de sentimientos puede interpretar el estado de ánimo o la intención de alguien mediante el reconocimien- to de patrones. Esto se usa comúnmente en la investigación de audiencias o en las plataformas de relaciones con los clientes para obtener más información sobre la respuesta de un cliente a un producto o servicio. EJEMPLO DEL MUNDO ACTIVIDAD ATL REAL Investigación Análisis de sentimiento en KFC Use habilidades de investigación para ampliar su conocimiento so- La cadena de comida rápida Kentucky Fried bre el aprendizaje profundo. Chicken (KFC) utilizó el análisis de senti- Utilice habilidades de búsqueda en línea efectivas y recursos mientos para monitorear su marca y admi- digitales de la biblioteca escolar para obtener más información nistrar su reputación. Utilizaron este análisis sobre las aplicaciones del aprendizaje profundo. para revisar el éxito de diferentes aspectos Encuentre un ejemplo de la vida real para reconocimiento facial, de su campaña de marketing, por ejemplo, reconocimiento de imágenes, procesamiento de lenguaje natural el uso de RoboCop en sus anuncios. El aná- y reconocimiento de voz. lisis de sentimientos se utilizó para tomar Escriba un informe que incluya: decisiones sobre la campaña en función de una explicación sobre cómo se usa en el ejemplo de la vida las percepciones de las publicaciones y los real comentarios realizados por los consumido- una discusión sobre el impacto que está teniendo en este res que reaccionaron a la campaña en las contexto. redes sociales. Citar correctamente las fuentes utilizadas y crear una bibliografía https://theappsolutions.com/blog/development/ al final del informe. sentiment-analysis-for-business/ Actividad: Consulta ampliada del NS 3.6 Inteligencia artificial (contenido) y 5.1B Poblaciones cambiantes Desafío: El gobierno del Reino Unido tiene el desafío del envejecimiento de la población. Investigue el desafío con más profundidad. ¿Quién se ve afectado por este desafío? ¿Hasta qué punto el envejecimiento de la población es un problema para el gobierno del Reino Unido? Intervención: En agosto de 2021 se inició una prueba de tres meses para monitorear a las personas mayores en una región del Reino Unido. Se instalaron sensores en los hogares de las personas mayores y se usaron para monitorear su movimiento, temperatura y el uso de electrodomésticos. El sistema, impulsado por inteli- gencia artificial, pudo monitorear el comportamiento de las personas mayores y determinar si un problema de salud potencial necesitaba atención humana. Investigue y evalúe esta intervención utilizando el marco de indagación ampliada del NS. Hacer una recomendación de pasos para acciones futuras. Presenta tu trabajo en forma de informe escrito. 3.6C Usos de las redes neuronales artificiales Las redes neuronales son sistemas con nodos in- terconectados que funcionan de manera similar a las neuronas del cerebro humano. Los nodos se activan cuando hay suficiente entrada, que a su vez proporciona entrada para la siguiente serie Unidades Ocul- Unidades Ocul- de nodos, y así sucesivamente (dependiendo de tas tas cuántos niveles haya) hasta que produzca una Unidades de entrada salida. Las conexiones entre estas neuronas ar- Unidades de tificiales actúan de manera similar a las sinapsis salida reales, permitiendo que las señales se transmitan de un nodo a otro. Las señales se mueven de una capa oculta a otra y se procesan en el camino a medida que viajan desde la primera capa de entrada hasta la última capa de salida. Cuando se les da un estímulo de entrada, las neuronas ejecutan cálculos matemáticos para averiguar si hay suficiente información para pasar la informa- ción a la siguiente neurona. Por ejemplo, las en- tradas de datos recibidas se suman y, si la suma Flujo de activación es mayor que un determinado valor de umbral, la Una red neuronal simple con tres neuronas de entrada y dos salidas neurona se cansa y activa las neuronas a las que está conectada. Tipos de aprendizaje automático Los datos se introducen en una red neuronal a través de la capa de entrada, que se comunica con las capas ocultas. El procesamiento se lleva a cabo en las capas ocultas a través de un sistema de conexiones ponderadas. Los nodos en la capa oculta combinan datos de la capa de entrada con un conjunto de coeficientes y asignan pesos apropiados a las entradas. Estos productos de peso de entrada se suman. La suma se pasa a través de la función de activación de un nodo, que determina la medida en que una señal debe progresar más a través de la red para afectar la salida final. Finalmente, las capas ocultas se vinculan con la capa de salida, donde se recuperan las salidas. Las principales ventajas de las redes neuronales son: 1. 1 Pueden aprender y modelar relaciones no lineales y complejas. Esto es realmente importante ya que muchos es- cenarios en la vida real no son lineales. 2. 2 Pueden generalizar e inferir relaciones a partir de datos no vistos. 3. 3 No imponen restricción a la variable de entrada. Las redes neuronales y el aprendizaje profundo se utilizan actualmente en el procesamiento y pronóstico de imágenes. EJEMPLO DEL MUNDO REAL GitHub El programa de codificación de GitHub usa un modelo llamado Codex, que usa una gran red neuronal arti- ficial para predecir texto y código de computadora. Utiliza miles de millones de líneas de código almacena- das en GitHub para aprender a escribir código, no todas las cuales están libres de errores. https://www.wired.com/story/ai-write-code-like-humans-bugs/ PREGUNTAS DE PRÁCTICA DEL EXAMEN Documento 1 (básico) 1. Identifique dos tipos de inteligencia artificial. [2 puntos] 2. Describa dos usos del aprendizaje automático. [4 puntos] 3. Distinga entre dos tipos de aprendizaje automático. [6 puntos] 4. Para un contexto de su elección, ¿en qué medida la inteligencia artificial ha tenido un impacto positivo? [8 puntos] Actividad: Consulta ampliada del NS 3.6B Tipos y usos del aprendizaje automático, 3.6C Usos de redes neuronales artificiales (contenido) y 5.3C Gestión de la contaminación y los desechos Una vez que haya estudiado la Sección 5.3C, pruebe esta actividad de indagación. Desafío: Investigue y describa el desafío global. Usar habilidades de investigación efectivas para identificar un desafío global relacionado con la gestión de la contaminación y los desechos. Describa el desafío en detalle. Intervención: Investigue y evalúe una intervención para este desafío. Investigue y evalúe esta intervención utilizando el marco de indagación ampliada del NS. Hacer una recomendación de pasos para acciones futuras. Presenta tu trabajo en forma de informe escrito. 3.6D Evolución de Al La inteligencia artificial ocupa un lugar destacado en la imaginación de muchos escritores famosos de ciencia ficción, que ofrecen una mirada futurista a nuestras vidas por venir. Una de las representaciones más violentas de un mundo dominado por Al fue No tengo boca y debo gritar, escrita por Harlan Ellison en 1967 en la que la inteligencia artificial mató a todos menos cinco de la raza humana. Ellison fue uno de los primeros escritores en comprender que una máquina con conciencia y emociones (una máquina sensible) enfrentaría los mismos horrores que un ser humano sensible. Pero, ¿cómo ha pasado la inteligencia artificial de la ciencia ficción a la realidad? Aunque se dice que la quinta generación en computación comenzó en 2010, las raíces de la ♦ Cibernética: El estudio inteligencia artificial comenzaron mucho antes. En el período comprendido entre las décadas de la comunicación y el control tanto en los seres de 1940 y 1960, hubo un fuerte deseo de unir la funcionalidad de las máquinas y los seres or- vivos como en las máqui- gánicos. La investigación en inteligencia artificial comenzó oficialmente en 1956 en la Conferen- nas, especialmente los cia de Dartmouth, cuyo objetivo era unificar la investigación en cibernética, automatización y sistemas de control auto- procesamiento complejo, permitiendo así que las máquinas “piensen”. Los investigadores clave mático como el sistema nervioso humano y los incluyen a Norbert Wiener, un pionero en cibernética, John McCarthy, Marvin Minsky y Claude sistemas de comunica- Shannon. ción mecánico-eléctricos. En la década de 1950, a Alan Turing se le atribuyó ser una de las primeras personas en tener la idea de que las máquinas podían pensar. Hablamos de él anteriormente en esta unidad. Si bien la tecnología siguió siendo prometedora, la popularidad de los desarrollos de inteligencia artificial ha tenido sus altibajos. Un invierno Al es un período en el que se reduce la financiación y el interés en la investigación y el desarrollo de la inteligencia artificial. El primer invierno de IA ocurrió entre 1974 y 1980. Los investigadores de ese momento habían hecho promesas sobre desarrollos de inteligencia artificial que no se materializaron. En consecuencia, muchas agen- cias recortaron su financiación. El siguiente pico de la inteligencia artificial fue el desarrollo de sistemas expertos. Se conside- raron un movimiento en la dirección correcta y se centraron en problemas muy específicos. El primer sistema experto, llamado Dendral, fue desarrollado para analizar compuestos químicos por Edward Feigenbaum y Joshua Lederberg en la Universidad de Stanford en 1965. Los siste- mas expertos se hicieron muy populares en la década de 1980. Atrajeron fondos de empresas de tecnología y del gobierno. Sin embargo, el mercado de los sistemas expertos colapsó y trajo consigo un segundo invierno de IA. En tecnología, a medida que ha evolucionado la inteligencia artificial, también lo ha hecho la preocupación por el futuro de la civilización. Dos pensadores clave de la época predijeron un futuro en el que el crecimiento de la tecnología estaría fuera de control y sería irreversible, con la eliminación de la frontera entre la humanidad y las computadoras. Este concepto y el término singularidad fueron popularizados por Vernor Vinge en 1993. Ray Kurzweil publicó su libro La singularidad está cerca en 2005, en el que predijo que la singularidad se lograría para el año 2045 utilizando una inteligencia artificial sobrehumana. Hubo otro auge a fines de la década de 2000 y principios de la de 2010, esta vez con los avan- ces en el aprendizaje automático y el aprendizaje profundo. Dos factores pueden explicar el nuevo auge en este ámbito. El primero fue la disponibilidad y el acceso a cantidades masivas de datos (big data) y el segundo fueron los desarrollos en las tarjetas gráficas de computadora y ♦ Multiplicidad: Un los microprocesadores, que hicieron posible el aumento de las capacidades de procesamiento futuro en el que la in- necesarias para la inteligencia artificial. Estos desarrollos se convirtieron en el foco de atención teligencia artificial y los de muchas grandes empresas tecnológicas y desencadenaron un verano de IA. robots se desarrollen para trabajar junto a las Con Al Summers conduciendo a un aumento en el desarrollo de la inteligencia artificial, el públi- personas, en lugar de co se ha preocupado por lo que la inteligencia artificial podría significar para los trabajos futuros. reemplazarlas. Junto con las predicciones de singularidad, surgió la preocupación de que muchos trabajos hu- manos serían reemplazados por inteligencia artificial. Esto se ha visto en la industria manufac- turera, con muchas fábricas impulsadas por robots. Sin embargo, Ken Goldberg, especialista en robótica de la Universidad de California, Berkeley, cree que en lugar de que la inteligencia artificial y los robots reemplacen todos los trabajos en el futuro, se desarrollarán para trabajar junto con las personas. Llamó a esto multiplicidad.  2020 Microsoft presentó Turing Natural Language Generation (T-NLG) 1997 Deep Blue vence a Ga- rry Kasparov en el ajedrez 2006 Deep Learning desarrollado por la Uni- versidad de Toronto 2016 AlphaGo de Décadas de 1980 y 1990 Segundo Google vence al auge de la IA: sistemas expertos ca- campeón del mun- paces de copiar la toma de decisiones do de Go humana 2011 Watson, de IBM, gana Décadas de 1950—60 Primer el programa de televisión auge de la IA: desarrollo del Jeopardy prototipo de IA AI winter II AI winter I Cronología de los winter Al PREGUNTAS DE PRÁCTICA DEL EXAMEN Documento 2 Fuente A: Artículo Opinión sobre La Inteligencia Artificial General está sobrevalorada A principios de la década de 2010, uno de los líderes mundiales en inteligencia artificial, DeepMind, se refirió a que la inteligencia artificial general (AGI) se desarrollaría en algún momento en el futuro. Deep Mind cree que las máquinas que poseen AGI serían tan inteligentes como los humanos en todos los ámbitos. Sin embargo, los investigadores de Al (que desean permanecer en el anonimato) dicen que ciertas empresas exageraron declaraciones como estas y creen que la sociedad está entrando en un período en el que son es- pecialmente escépticos sobre AGI, y que estamos a punto de entrar en otro invierno de Al. Los investigadores de inteligencia artificial afirman que “hay una sensación general de estancamiento” y que “la inteligencia arti- ficial está entrando en una nueva fase [en la que] la percepción pública de la inteligencia artificial es cada vez más oscura: el público cree que la inteligencia artificial es una tecnología siniestra”. Cuando los reporteros solicitaron una respuesta a la afirmación, DeepMind adoptó una visión más optimista del potencial de la IA y sugirió que, hasta el momento, “solo estamos arañando la superficie de lo que podría ser posible”. Si bien AGI no se creará en el corto plazo, las máquinas han aprendido a dominar actividades complejas como: jugar el juego de mesa Go identificar rostros humanos, plantas y animales traducir texto a prácticamente todos los idiomas conducir automóviles. Adaptado de https://www.bbc.com/news/technology-51064369 PREGUNTAS DE PRÁCTICA DEL EXAMEN Documento 2 Fuente B Encuentre un artículo actual escrito por investigadores de inteligencia artificial sobre el “éxito de la inteligencia artificial general”. a. Identifique dos características de un ‘winter de IA’. [2 puntos] b. Explique la diferencia entre la inteligencia general artificial (IAG) y la inteligencia artificial de dominio específico. [4 puntos] c. Utilice la fuente anterior, su fuente adicional y su conocimiento de los usos de IA para comparar las afirmaciones y perspectivas hechas por los investigadores de inteligencia artificial y las empresas que crean soluciones de inteli- gencia artificial, y los impactos que la inteligencia artificial tendrá en la sociedad. [6 puntos] d. Con referencia a las dos fuentes y su conocimiento de la inteligencia artificial, discuta si los cambios en la inteligen- cia artificial han sido incrementales o radicales. [12 puntos] Consulta - Indagación 3.6D Evolución de Al (contenido) y 2.1 Cambio (conceptos) Investigue cómo los eventos, patrones o tendencias pasados en inteligencia artificial ayudarán a pronosticar los desa- rrollos futuros en inteligencia artificial. Explorar Explore y recopile información de fuentes relevantes ¿Estas otras fuentes brindan afirmaciones y perspectivas que serán útiles en la investigación? ¿Ha recopilado diversos contenidos de investigaciones secundarias y primarias? ¿Puede justificar claramente la utilidad de tres fuentes principales para la investigación? Use sus habilidades de investigación para encontrar tres fuentes para mejorar su comprensión de esta consulta. Su elección final de fuentes debe poder ayudarlo a obtener una comprensión más profunda de este tema, proporcio- nar un equilibrio de afirmaciones y perspectivas, y estar integrado en el contenido (inteligencia artificial) y el concepto (cambio). Escriba un breve informe para justificar las fuentes elegidas y su utilidad en esta investigación. Su informe debe incluir: una discusión sobre el origen y el propósito de cada fuente, incluidos los posibles sesgos o limitaciones del uso de la fuente una discusión de las ideas principales que se presentan en cada fuente y qué características de la fuente se usaron para respaldar la afirmación que se hace una discusión sobre cómo las fuentes corroboran o contradicen, y cómo le ha ayudado a obtener una comprensión más profunda de esta pregunta una entrada de bibliografía para cada fuente al final del informe. Consejos Cuando se trabaja en el Documento 2, siempre habrá más de una fuente para analizar. Practica reuniendo fuentes con diferentes perspectivas para que puedas leer puntos de vista similares u opuestos. 3.6E Dilemas de la IA Anteriormente en esta unidad discutimos los diferentes algoritmos y usos de la inteligencia artificial, y cómo han evolucionado. El desarrollo de la inteligencia artificial es importante por muchas razones. En primer lugar, permite automatizar el descubrimiento de datos y puede automatizar determinadas tareas informáticas de forma más fiable y sin cansarse. Por ejemplo, al detectar transacciones fraudulentas, la inteligencia artificial puede operar las 24 horas del día, los 7 días de la semana y enviar alertas para la intervención humana. La inteligencia artificial también puede agregar inteligencia a productos existen- tes, como nuestros electrodomésticos o inteligencia de seguridad en el lugar de trabajo. Dado que la inteligencia artificial se adapta a través del aprendizaje y puede analizar datos con ma- yor profundidad, puede ser más confiable para clasificar y hacer predicciones. Los desarrollos en el aprendizaje profundo han hecho que los sistemas de inteligencia artificial sean más precisos y, en con- secuencia, se utilizan ampliamente en el campo de la medicina, por ejemplo, analizando resonancias magnéticas para el cáncer. Los datos ahora son más importantes que nunca. Con los datos correctos y una inteligencia artificial sofisticada, cada vez se brindan más respuestas. Sin embargo, el diseño y uso de la inteligencia artificial está creando una serie de dilemas globales. Tipos de aprendizaje automático Una limitación de la inteligencia artificial es que aprende de los conjuntos de datos que se introducen en el sistema. Esto significa que cualquier imprecisión en los datos se reflejará en los resultados. Esto ha sido particularmente evidente con los sistemas diseñados sobre conjuntos de datos o algoritmos sesgados. Es el papel de los diseñadores y desarrolladores de inteligencia artificial minimizar el sesgo algorítmico a través de la investigación y la recopilación de datos que representan a toda la población. EJEMPLO DEL MUNDO REAL Twitter En mayo de 2021, un estudio de 10,000 imágenes encontró sesgos en lo que el algoritmo de recorte de fotos de Twitter eligió resaltar. El algoritmo fue más confiable en la selección de caras de piel más clara en comparación con las de piel más oscura. Twitter dejó de usar la herramienta en su aplicación móvil luego del descubrimien- to. https://www.wired.com/story/twitter-photo-crop-algorithm-favors-white-fa- ces-women/  Responsabilidad en el diseño y uso En el desarrollo de la inteligencia artificial, los desarrolladores son responsables de los diseños, desarro- llos, resultados e impacto que el sistema tiene en el mundo. Esto se vuelve cada vez más difícil cuando se considera la gama de usos y los diferentes tipos de inteligencia artificial que se están desarrollando. Al discutir la rendición de cuentas, se deben hacer varias preguntas: 1. ¿Cómo cambia la responsabilidad si el usuario final tiene más influencia sobre un sistema de inteli- gencia artificial?. EJEMPLO DEL MUNDO REAL Tay Al chatbot Tay de Microsoft hizo declaraciones inapropiadas en Twitter y se desconectó después de solo 16 horas. Tay fue programado para imitar el lenguaje de los millennials de 18 a 24 años y para hablar e interactuar con la gente, aprendiendo de las conversaciones de los usuarios. Sin embargo, los usuarios provocaron a propósito a Tay con conversaciones inapropiadas, que luego Tay repitió. https://www.analyticsinsight.net/famous-ai-gone-wrong-examples-in-the-real-world-we-need-to-know/ 2. ¿Cómo cambia la responsabilidad si la inteligencia artificial se utiliza para respaldar la toma de de- cisiones o tomar decisiones por sí sola? EJEMPLO DEL MUNDO REAL Los vehículos autónomos de Uber La prueba de Uber de autos autónomos en el mundo real en San Francisco en 2016 informó que el vehículo autónomo había tomado la decisión de no detenerse en seis semáforos en rojo cuando estaba siendo probado. Las pruebas incluyeron el uso de sensores de vehículos, software de mapeo en red y un conductor en caso de que el vehículo autónomo se saliera de control. Este ejemplo muestra cómo es difícil determinar quién es responsable cuando la tecnología falla. En el momento de la prueba, Uber informó que fue culpa del conductor. https://www.ibm.com/design/ai/ethics/accountability/ ACTIVIDAD ATL Pensamiento En grupo, realice una investigación más amplia sobre el tema de la responsabilidad en el diseño y uso de la inteligencia artificial. Organice una discusión para abordar cada pre- gunta. 1. ¿Cómo cambia la responsabilidad si el usuario final tiene más influencia sobre un sistema de inteligencia artificial? 2. ¿Cómo cambia la rendición de cuentas si la inteligencia artificial se utiliza para respal- dar la toma de decisiones o tomar decisiones por sí sola?.  Transparencia en el diseño y uso La inteligencia artificial debe diseñarse de manera que los humanos puedan comprender fácilmente su proceso de toma de decisiones. La solución a esto es la transparencia. A medida que aumentan las capacidades de la inteligencia artificial, también aumenta el impacto que tiene en la sociedad. En consecuencia, debería ser posible explicar clara- mente a la gente su toma de decisiones, y que la gente vea cómo se han formado sus conclusiones y recomendacio- nes. Esto es esencial si los desarrolladores quieren que los usuarios finales confíen en los sistemas. Las personas deben ser conscientes de que están interactuando con un sistema de inteligencia artificial en todo momento, incluso si a los diseñadores les gustaría una experiencia impecable. Sin embargo, a medida que los algoritmos de aprendizaje profundo evolucionan con el tiempo, es muy posible que los desarrolladores no puedan explicar la naturaleza de “caja negra” del sistema de inteligencia artificial. A diferencia de los programas tradicionales, los desarrolladores no pueden simplemente examinar el código para probarlo en busca de errores para hacerlos más confiables o para ver claramente el proceso de toma de decisiones. Como usuarios de tecnología de inteligencia artificial, si no está funcionando como se esperaba, nos gustaría saber por qué. Hay cuatro problemas principales: 1. Algoritmos inexplicables: cuando la inteligencia artificial está sacando una conclusión, ya sea durante la clasifica- ción o la regresión, no hay una comprensión visible de cómo se llegó a ella. 2. Falta de visibilidad en los conjuntos de datos de entrenamiento: no siempre está claro de dónde provienen los da- tos de entrenamiento, si se han limpiado o incluso si son accesibles. 3. Falta de visibilidad en los métodos de selección de datos: Incluso si los desarrolladores tuvieran acceso a datos de entrenamiento, esto podría ser petabytes de datos. Sin embargo, es posible que no sepan qué aspectos de los da- tos se usaron realmente. Para mayor transparencia, uno querría saber cómo se usaron los datos de entrenamiento. 4. Gestión deficiente del control de versiones del modelo: dado que los modelos se desarrollan continuamente, a veces es difícil hacer un seguimiento de qué versión se está utilizando. A medida que la sociedad lucha por una mayor transparencia, también puede tener sus debilidades. Si las personas pueden entender cómo una inteligencia artificial toma sus decisiones, plantea dos amenazas: es más fácil para los piratas informáticos tratar de evitar el sistema es más fácil para los competidores robar los algoritmos de inteligencia artificial. EJEMPLO DEL MUNDO REAL Servicio de tarjeta de crédito de Apple En noviembre de 2019, el regulador financiero de EE. UU. inició una investigación sobre las afirmaciones de que el servicio de tarjetas de crédito de Apple ofrecía diferentes límites de crédito para hombres y mujeres. La causa de esta discriminación no es- taba clara, pero se especuló que se debió a conjuntos de datos sesgados o falta de transparencia en la forma en que los algo- ritmos determinaban cuál debería ser el límite de crédito final. https://www.bbc.com/news/business-50365609 ACTIVIDAD ATL Pensamiento Prepárese para un debate sobre la transparencia de los algoritmos de inteligencia artificial. Divide tu grupo de amigos en dos: un lado está a favor de la transparencia, el otro en contra. Investigar más a fondo sobre la transparencia de la inteligencia artificial. Dirija el debate. Al final del debate, como grupo voten si la inteligencia artificial debería ser más transparente.  La huella de carbono de la IA La Universidad de Massachusetts Amherst completó un trabajo de investigación que estimó que las emisiones de carbono al entrenar una red neuronal son las mismas que las de un automóvil. Los facto- res que influyen en la huella de carbono incluyen: el algoritmo y su tiempo de entrenamiento la unidad de procesamiento la eficiencia energética del centro de datos el tipo de energía utilizada en los centros de datos. CodeCarbon, un proyecto de código abierto, se está desarrollando para estimar la huella de carbono de la informática. El objetivo del proyecto es ayudar a los científicos de datos a tomar decisiones más respetuosas con el medio ambiente. Leyes, reglamentos y gobernanza desiguales y subdesarrolla- dos El rápido ritmo de adopción de la inteligencia artificial ha creado una presión sobre las regulaciones existentes, con leyes que luchan por mantenerse al día. A principios de la década de 2020, Cognilytica publicó un informe basado en una investigación sobre las acciones realizadas por países de todo el mundo. Llegó a la conclusión de que muchos países no se apresuraban a desarrollar leyes y reglamen- tos sobre inteligencia artificial, sino que esperaban ver cómo se usaba la tecnología antes de elaborar una ley significativa. Otra área investigada fue el nivel de discusión sobre las restricciones de los sis- temas letales de armas autónomas (LAWS). En el momento del informe, solo un país, Bélgica, había aprobado legislación al respecto, con 13 países involucrados en discusiones. Mientras tanto, esto deja a las empresas de tecnología en un dilema, porque sin las leyes, su tecnología puede no ser legal para operar. Por ejemplo, para que se permitan vehículos autónomos en las carrete- ras, se deben redactar leyes que lo permitan. En este informe, solo 24 países tenían leyes que permitían la operación de vehículos autónomos. Otro aspecto de la inteligencia artificial que está ganando atención regulatoria son los derechos de datos de los usuarios. Dado que los desarrollos en inteligencia artificial requieren grandes conjuntos de datos para entrenar, no sorprende que estos conjuntos de datos puedan incluir datos de personas, recopilados por los sistemas de TI en los que se han registrado. Esto hace que sea aún más importante que las organizaciones cumplan con las leyes de protección de datos. ACTIVIDAD ATL Investigación Llevar a cabo investigaciones en línea efectivas sobre la legislación de inteligencia artificial. Investigue la legislación sobre inteligencia artificial existente en dos países (donde usted vive y otro país). Centrarse en la legislación en una de estas tecnologías de inteligencia artificial: reconocimiento facial vehículos autónomos inteligencia artificial conversacional, como chatbots LEYES. Comparar y contrastar la legislación de cada país. Sugiera las razones de cualquier diferencia.  Automatización y desplazamiento de humanos en múlti- ples contextos y roles Junto con el rápido desarrollo de la inteligencia artificial, surge la preocupación sobre cómo el uso generalizado de la inteligencia artificial afectará el empleo. ¿Reemplazará puestos de tra- bajo, apoyará los puestos de trabajo existentes o creará nuevos puestos de trabajo? Una limitación de la inteligencia artificial es que solo es capaz de tareas o inteligencia limitadas; los humanos poseen una inteligencia más generalizada que seguirá siendo importante. El Foro Económico Mundial concluyó que los avances en inteligencia artificial podrían poten- cialmente reemplazar una gran proporción de puestos de trabajo. Se prevé que la inteligencia artificial utilizada para automatizar tareas reemplace 75 millones de puestos de trabajo para ♦ Automatización: El 2025. En 2020, se encontraron 2,7 millones de robots industriales en la fabricación, comple- mayor uso de la tecnolo- tando trabajos pesados o completando tareas con alta precisión. La preparación de alimentos gía en un proceso, lo que fue otra área en la que se perdieron puestos de trabajo debido a la automatización, así como reduce la necesidad de trabajos de construcción y conducción. participación humana. El grupo de personas más vulnerable que probablemente perderá su trabajo debido a la inteli- gencia artificial son aquellos con calificaciones de nivel inferior. Se requerirá que los empleados más educados se adapten a los cambios tecnológicos o estarán en roles de alta gerencia que aún requieren juicio humano. El mismo informe del Foro Económico Mundial predijo que la inteligencia artificial también crea- rá 133 millones de nuevos puestos de trabajo. Los empleos en sectores como la salud, la edu- cación, los servicios científicos y técnicos se verán menos afectados, y las oportunidades de empleo se basarán en lo que la inteligencia artificial y los robots no son capaces de hacer. Los trabajos que requieren cuidado y comprensión, por ejemplo, el cuidado de personas mayores, seguirán siendo demandados, especialmente en países con una población que envejece. EJEMPLO DEL MUNDO REAL Hotel FlyZoo de Alibaba Desarrollado por Alibaba, un hotel de 290 habitaciones en Hangzhou, China, promete ser el hotel del futuro. Utiliza muchas tecnologías que ya se han establecido en otros hoteles, incluidos quioscos de autoservicio para registrarse, aplicaciones impulsadas por inteligencia artificial para permitir a los viajeros reservar su estadía y reconocimiento facial para acceder a habitaciones y ascensores. Cada habitación tiene un asistente inteligente activado por voz que puede ayudar a los huéspedes a personalizar la temperatura, la iluminación y el entretenimiento de su habitación, y los robots pueden brindar servicio a la habitación o realizar otros servicios de conserjería. El objetivo principal de este nivel de automatización es brindar un mejor servicio a los huéspedes, reducir los costos de personal y liberar al personal empleado para brindar un servicio más individua- lizado. https://hoteltechnologynews.com/2019/03/flyzoo-hotel-the-hotel-of-the-future-or-just-more-technology-hype/ ACTIVIDAD ATL Investigación Busque relevancia personal en esta actividad de investigación. Investigue la industria en la que planea tener una carrera. ¿Cómo se utiliza la inteligencia artificial en esta industria? ¿Qué trabajos están siendo reemplazados por inteligencia artificial? ¿Qué puestos de trabajo ha creado la inteligencia artificial? Consulta - Indagación 3.6E Al dilemas (contenido) y 4.4A Medicina y salud (contextos) Analizar Analizar los impactos y las implicaciones para las personas y comunidades relevantes ¿Su pregunta de indagación está respaldada por preguntas adicionales a considerar para el análi- sis y la evaluación? ¿Se enfoca su análisis en los impactos e implicaciones para las personas y las comunidades? ¿Es su análisis efectivo, sostenido y bien respaldado por evidencia? Evaluar Evaluar los impactos y las implicaciones para las personas y comunidades relevantes ¿Se basa su evaluación en su análisis? ¿Su evaluación se enfoca en los impactos e implicaciones para las personas y las comunidades? ¿Es su evaluación efectiva, sostenida y bien respaldada por evidencia? Seleccione un dilema de inteligencia artificial e investigue cómo está afectando la entrega de diagnósticos médicos, la investigación médica o el control de la salud y el bienestar. Discuta cómo la inteligencia artificial está causando el dilema. Discuta el impacto que este dilema está teniendo en dos partes interesadas, por ejemplo, los pacientes y los traba- jadores de la salud. Evaluar la importancia del dilema. Comunicar Presentación ¿Está su presentación organizada de manera lógica y se utilizan los medios para comunicar de manera efectiva? ¿Conduce su presentación a responder la pregunta de indagación? ¿Incluye su presentación hallazgos, tendencias emergentes, desarrollos futuros y perspectivas adicionales? Presente sus hallazgos en una presentación multimedia. Actividad: Consulta ampliada del NS 3.6 Inteligencia artificial (contenido) y 5.1C El futuro del trabajo Una vez que haya estudiado la Sección 5.1 C, pruebe esta actividad de indagación. Desafío: Investigue y describa el desafío global. Usar habilidades de investigación efectivas para identificar un desafío global relacionado con el futuro del trabajo. Describa el desafío en detalle. Intervención: Investigue y evalúe una intervención para este desafío. Investigue y evalúe esta intervención utilizando el marco de indagación ampliada del NS. Hacer una recomendación de pasos para acciones futuras.. Presenta tu trabajo en forma de informe escrito.