Tema 8. Inteligencia artificial – Lope González.pdf

23/9/24, 11:30 Tema 8. Inteligencia artificial – Lope González Tema 8. Inteligencia artificial Lope González > ESO y Bachillerato > Computación y Robótica, 2º ESO > Tema 8. Inteligencia artificial...

23/9/24, 11:30 Tema 8. Inteligencia artificial – Lope González Tema 8. Inteligencia artificial Lope González > ESO y Bachillerato > Computación y Robótica, 2º ESO > Tema 8. Inteligencia artificial Currículo: esta unidad desarrolla todos los saberes básicos del Bloque H – Inteligencia artificial correspondiente a 2ºESO. Además, se evalúan los criterios que puedes encontrar al final de esta página. Tabla de contenidos 8.1. Historia de la inteligencia artificial 8.1.1. Década de 1950: los inicios 8.1.2. Década de 1960 y 1970: primeros avances, primeros problemas 8.1.3. Década de 1980: renacimiento y nuevos enfoques 8.1.4. Décadas de 1990 y 2000: avances significativos 8.1.5. Década de 2010: la era del aprendizaje profundo 8.1.6. Actualidad 8.2. Análisis sobre el uso ético de la IA 8.2.1. Importancia de la ética en la IA 8.2.2. Principios éticos en la IA 8.2.3. Desafíos éticos comunes 8.2.4. Responsabilidad social 8.3. Tipos de agentes inteligentes simples 8.3.1. Agentes reactivos 8.3.2. Agentes basados en modelos 8.3.3. Agentes basados en objetivos 8.3.4. Agentes basados en utilidad 8.3.5. Agentes de aprendizaje 8.4. Usos del aprendizaje automático 8.4.1. Procesamiento de lenguaje natural (PLN) 8.4.2. Reconocimiento de imágenes y visión por computador 8.4.3. Recomendaciones personalizadas 8.4.4. Detección de fraudes 8.4.5. Mantenimiento predictivo 8.4.6. Salud 8.5. Aplicaciones del aprendizaje supervisado y no supervisado 8.5.1. Aprendizaje supervisado 8.5.2. Aprendizaje no supervisado 8.5.3. Comparación de enfoques 8.6. Prácticas de inteligencia artificial 8.6.1. Reconocimiento de objetos con Google Teachable Machine 8.6.2. ¿Eres capaz de engañar a una IA? 8.6.3. Aprendizaje automático con texto El estudio de la inteligencia artificial en 2º ESO, tras haber conocido sus principios básicos en 1º de ESO, nos permite profundizar en los aspectos más históricos, técnicos y éticos de esta tecnología que está transformando el mundo. Además, profundizaremos en conceptos como la evolución y el desarrollo de la IA para ayudarnos a entender mejor su impacto actual en nuestra sociedad. 8.1. Historia de la inteligencia artificial La historia de la inteligencia artificial (IA) es un recorrido fascinante que abarca varias décadas de avances tecnológicos. Para entender mejor cómo hemos llegado a la situación actual de la IA, es útil revisar algunos de los hitos más importantes en su desarrollo. 8.1.1. Década de 1950: los inicios La idea de la inteligencia artificial comenzó a tomar forma en los años 50. Fue en esta década cuando Alan Turing , un matemático británico, propuso el famoso Test de Turing , una prueba para determinar si una máquina podía exhibir comportamiento inteligente indistinguible del de un humano. Este concepto sentó las bases para la investigación en IA. https://lopegonzalez.es/eso-y-bachillerato/computacion-y-robotica-2o-eso/tema-8-inteligencia-artificial/ 1/13 23/9/24, 11:30 Tema 8. Inteligencia artificial – Lope González Alan Turing En 1956, tuvo lugar la Conferencia de Dartmouth, donde se acuñó el término « inteligencia artificial ». Este evento se considera el nacimiento oficial del campo de la IA, ya que reunió a varios pioneros que discutieron cómo las máquinas podrían ser programadas para simular cualquier aspecto del aprendizaje o la inteligencia humana. John McCarthy, uno de los padres de la IA, que estuvo en la Conferencia de Dartmouth. 8.1.2. Década de 1960 y 1970: primeros avances, primeros problemas Durante los años 60 y 70, se desarrollaron los primeros programas de IA que podían resolver problemas matemáticos y jugar a juegos como el ajedrez. Un ejemplo notable es el programa Logic Theorist, creado por Allen Newell y Herbert A. Simon, que podía demostrar teoremas matemáticos. Allen Newell y Herbert A. Simon. Sin embargo, estos primeros sistemas eran limitados y solo podían funcionar bien en tareas muy específicas. A pesar de los progresos, la comunidad de IA se enfrentó a varios handicaps. Los sistemas requerían una gran cantidad de memoria y procesamiento, lo cual era un problema debido a las limitaciones tecnológicas de la época. Además, se encontró que las expectativas eran demasiado altas, lo que llevó a un período de desilusión conocido como el « invierno de la IA » durante las décadas de 1970 y 1980, https://lopegonzalez.es/eso-y-bachillerato/computacion-y-robotica-2o-eso/tema-8-inteligencia-artificial/ 2/13 23/9/24, 11:30 Tema 8. Inteligencia artificial – Lope González cuando la financiación y el interés en la IA disminuyeron considerablemente. 8.1.3. Década de 1980: renacimiento y nuevos enfoques En los años 80, la IA experimentó un resurgimiento gracias a los avances en sistemas expertos. Estos sistemas eran programas diseñados para simular el razonamiento y el comportamiento de un experto humano en un campo específico. Uno de los más conocidos es MYCIN , desarrollado para diagnosticar infecciones bacterianas y recomendar tratamientos. Rudimentaria interfaz de usuario de MYCIN. Además, durante esta época, se comenzaron a utilizar nuevas técnicas, como las redes neuronales , inspiradas en el funcionamiento del cerebro humano. Aunque las redes neuronales ya habían sido propuestas en los años 50, fue en los 80 cuando se empezaron a aplicar de manera más efectiva gracias a mejoras en la teoría y la computación. Ilustración del concepto de red neuronal artificial. 8.1.4. Décadas de 1990 y 2000: avances significativos Las décadas de 1990 y 2000 trajeron consigo avances significativos en la IA, impulsados por el crecimiento exponencial de la capacidad de procesamiento de los ordenadores y la disponibilidad de grandes cantidades de datos. En 1997, el programa Deep Blue de IBM logró vencer al campeón mundial de ajedrez Garry Kasparov, demostrando la capacidad de las máquinas para competir en tareas complejas contra humanos. https://lopegonzalez.es/eso-y-bachillerato/computacion-y-robotica-2o-eso/tema-8-inteligencia-artificial/ 3/13 23/9/24, 11:30 Tema 8. Inteligencia artificial – Lope González Kasparov en una de las partidas que perdió contra Deep Blue. Además, se desarrollaron algoritmos de aprendizaje automático más sofisticados, que permitieron a las máquinas mejorar su rendimiento en diversas tareas a partir de la experiencia. Este periodo también vio la aparición de los primeros asistentes virtuales y sistemas de reconocimiento de voz , como los de Google y Apple. 8.1.5. Década de 2010: la era del aprendizaje profundo En la última década, la IA ha avanzado a pasos agigantados gracias al aprendizaje profundo (« deep learning »). Esta técnica utiliza redes neuronales artificiales con muchas capas (profundas) para procesar grandes cantidades de datos y aprender de manera muy efectiva. Un ejemplo notable es AlphaGo, un programa de IA desarrollado por DeepMind que venció al campeón mundial de Go en 2016, un juego mucho más complejo que el ajedrez. 🎬 Si te interesa este tema, TIENES QUE VER este interesantísimo documental: Los avances en hardware, como las unidades de procesamiento gráfico (GPUs fundamentalmente de nVidia) y los procesadores especializados en IA (como la TPU de Google), han permitido entrenar modelos de IA mucho más rápido y con mayor precisión. Por eso, no es ninguna sorpresa el crecimiento que han experimentado los principales fabricantes de GPUs (antes centrados en videojuegos y ahora plenamente dedicados al desarrollo IA) como nVidia: https://lopegonzalez.es/eso-y-bachillerato/computacion-y-robotica-2o-eso/tema-8-inteligencia-artificial/ 4/13 23/9/24, 11:30 Tema 8. Inteligencia artificial – Lope González 8.1.6. Actualidad Hoy en día, la IA se encuentra en una etapa de desarrollo y aplicación sin precedentes , impactando múltiples áreas como la medicina, la educación, el transporte y la comunicación. La historia de la IA muestra una evolución constante de ideas y tecnologías, desde simples programas capaces de realizar tareas específicas hasta sistemas avanzados que pueden aprender y adaptarse de manera autónoma. 8.2. Análisis sobre el uso ético de la IA La ética y la responsabilidad social son aspectos fundamentales que debemos tener muy en cuenta para garantizar que estas tecnologías beneficien a la sociedad de manera justa y equitativa. 8.2.1. Importancia de la ética en la IA La IA tiene el potencial de transformar muchas áreas de nuestras vidas, desde la medicina hasta la educación. Sin embargo, su uso también puede plantear problemas éticos. Estos desafíos surgen porque las decisiones tomadas por sistemas de IA pueden tener un impacto significativo en las personas. Por ejemplo, si una IA se utiliza para tomar decisiones de contratación o para determinar la elegibilidad para un préstamo, es fundamental que estas decisiones sean justas y no discriminatorias. 8.2.2. Principios éticos en la IA Para abordar estos problemas, se han desarrollado varios principios éticos que deben guiar el desarrollo y el uso de la IA: Transparencia : los sistemas de IA deben ser transparentes en cuanto a cómo toman decisiones. Esto significa que las personas deben poder entender cómo funciona la IA y por qué toma ciertas decisiones. Justicia : la IA debe ser justa y no discriminatoria. Debe garantizar que todos los grupos de personas sean tratados de manera equitativa y que no haya sesgos en las decisiones que toma. Responsabilidad : las personas que desarrollan y utilizan IA deben ser responsables de sus acciones. Esto incluye garantizar que los sistemas se utilicen de manera ética y que se tomen medidas para corregir cualquier problema que surja. Progreso : la IA debe ser utilizada para el beneficio de la sociedad. Esto significa que debe mejorar la calidad de vida de las personas y no causar daños. 8.2.3. Desafíos éticos comunes Existen varios desafíos éticos comunes en el uso de la IA, que incluyen: Privacidad : los sistemas de IA a menudo requieren grandes cantidades de datos para funcionar correctamente. Es importante garantizar que estos datos se recopilen y utilicen de manera que respete la privacidad de las personas. Transparencia : en muchos casos, los sistemas de IA son cajas negras, lo que significa que sus procesos internos no son fácilmente comprensibles. Es vital que las decisiones de la IA puedan ser explicadas de manera clara. Sesgo : si los datos utilizados para entrenar la IA contienen sesgos, el sistema de IA también puede perpetuar estos sesgos, resultando en decisiones injustas. https://lopegonzalez.es/eso-y-bachillerato/computacion-y-robotica-2o-eso/tema-8-inteligencia-artificial/ 5/13 23/9/24, 11:30 Tema 8. Inteligencia artificial – Lope González 8.2.4. Responsabilidad social La responsabilidad social en el uso de la IA implica considerar cómo las tecnologías de IA afectan a la sociedad en general, lo cual incluye: – Impacto social : evaluar cómo la IA afecta a diferentes grupos sociales y trabajar para minimizar cualquier impacto negativo. – Accesibilidad : asegurar que los beneficios de la IA estén disponibles para todos, no solo para aquellos que pueden permitírselo. – Concienciación : educar a la sociedad sobre la IA, sus beneficios y sus riesgos, para que las personas puedan tomar decisiones informadas sobre su uso. 8.3. Tipos de agentes inteligentes simples Los agentes inteligentes son sistemas de software o hardware que pueden percibir su entorno, procesar esta información y actuar de manera autónoma para alcanzar ciertos objetivos. En este apartado, analizaremos las diferentes tipologías de agentes inteligentes simples, entendiendo cómo se clasifican y sus características principales. Además, debes saber que cada tipo de agente tiene sus propias ventajas y limitaciones, y se eligen según las necesidades específicas de las tareas que deben realizar. 8.3.1. Agentes reactivos Los agentes reactivos son aquellos que responden de manera directa a los estímulos del entorno. No tienen una representación interna del mundo, lo que significa que actúan únicamente en función de la información que reciben en tiempo real. Son sencillos y rápidos, pero sus acciones son limitadas a respuestas predefinidas. Por ejemplo: sensores de luz que encienden o apagan una lámpara según la cantidad de luz ambiental; y termostatos que regulan la temperatura activando o desactivando un sistema de calefacción. 8.3.2. Agentes basados en modelos Los agentes basados en modelos tienen una representación interna del entorno, lo que les permite tomar decisiones basadas en experiencias pasadas y en la predicción de futuros estados. Este modelo interno ayuda al agente a entender las consecuencias de sus acciones. Por ejemplo: robots aspiradores que mapean la distribución de una casa para mejorar su eficiencia en la limpieza; y sistemas de navegación GPS que predicen el tráfico para sugerir la mejor ruta. https://lopegonzalez.es/eso-y-bachillerato/computacion-y-robotica-2o-eso/tema-8-inteligencia-artificial/ 6/13 23/9/24, 11:30 Tema 8. Inteligencia artificial – Lope González 8.3.3. Agentes basados en objetivos Los agentes basados en objetivos no solo reaccionan a su entorno y usan un modelo interno, sino que también tienen objetivos específicos que tratan de alcanzar. Estos agentes planifican sus acciones para lograr sus metas, evaluando distintas opciones y seleccionando las más adecuadas. Por ejemplo: asistentes virtuales que organizan tareas y calendarios para alcanzar objetivos de productividad; y sistemas de logística que planifican rutas de entrega óptimas para minimizar el tiempo y el coste. 8.3.4. Agentes basados en utilidad Los agentes basados en utilidad van un paso más allá al tener en cuenta las preferencias y prioridades. No solo tienen objetivos, sino que también evalúan las posibles acciones en función de una medida de utilidad, que puede considerarse como una escala de valor o beneficio. Estos agentes eligen las acciones que maximicen su utilidad. Por ejemplo: sistemas de recomendación que sugieren productos a los usuarios basándose en sus preferencias y comportamientos anteriores; y aplicaciones financieras que asesoran en inversiones para maximizar el rendimiento de la cartera de un usuario. 8.3.5. Agentes de aprendizaje Los agentes de aprendizaje tienen la capacidad de mejorar su desempeño con el tiempo a través de la experiencia. Utilizan técnicas de aprendizaje automático para ajustar sus comportamientos, aprendiendo de sus errores y éxitos pasados. Por ejemplo: algoritmos de «trading» que ajustan sus estrategias basándose en los resultados del mercado; o los «chatbots» que mejoran sus respuestas mediante el análisis de las conversaciones previas con los usuarios. 8.4. Usos del aprendizaje automático El aprendizaje automático o « machine learning » es una técnica de inteligencia artificial que permite a los sistemas aprender y mejorar automáticamente a partir de la experiencia. Veamos sus usos más comunes. 8.4.1. Procesamiento de lenguaje natural (PLN) El procesamiento de lenguaje natural es una de las áreas más visibles del aprendizaje automático. Permite a las máquinas entender, interpretar y generar lenguaje humano de manera efectiva. https://lopegonzalez.es/eso-y-bachillerato/computacion-y-robotica-2o-eso/tema-8-inteligencia-artificial/ 7/13 23/9/24, 11:30 Tema 8. Inteligencia artificial – Lope González Por ejemplo: asistentes virtuales como Siri, Alexa y Google Assistant que comprenden y responden a nuestras preguntas; traducción automática de idiomas, como la que ofrece Google Translate; o análisis de sentimientos en redes sociales para entender las opiniones y emociones de los usuarios. 8.4.2. Reconocimiento de imágenes y visión por computador El aprendizaje automático ha revolucionado la capacidad de las máquinas para identificar y analizar imágenes y vídeos. Estas técnicas se utilizan en múltiples aplicaciones que requieren la interpretación visual. Por ejemplo: reconocimiento facial en sistemas de seguridad y desbloqueo de dispositivos móviles; diagnóstico médico mediante el análisis de imágenes de rayos X o resonancias magnéticas; y automóviles autónomos que utilizan visión por computador para identificar objetos y personas en la carretera. 8.4.3. Recomendaciones personalizadas Muchas plataformas digitales utilizan aprendizaje automático para ofrecer recomendaciones personalizadas a sus usuarios. Estos sistemas analizan el comportamiento y las preferencias para sugerir productos, contenido y servicios. https://lopegonzalez.es/eso-y-bachillerato/computacion-y-robotica-2o-eso/tema-8-inteligencia-artificial/ 8/13 23/9/24, 11:30 Tema 8. Inteligencia artificial – Lope González Por ejemplo: servicios de streaming como Netflix y Spotify que sugieren películas y canciones basadas en los gustos del usuario; tiendas online como Amazon que recomiendan productos en función de las compras previas; y redes sociales que muestran contenido relevante en el feed de los usuarios. 8.4.4. Detección de fraudes El aprendizaje automático es una herramienta muy útil en la identificación de actividades fraudulentas. Analiza patrones de comportamiento para detectar anomalías que podrían indicar fraude. Por ejemplo: bancos que monitorizan transacciones en tiempo real para detectar movimientos sospechosos; compañías de seguros que analizan reclamaciones para identificar posibles fraudes; y plataformas de comercio electrónico que verifican pagos y actividades de cuentas para prevenir fraudes. 8.4.5. Mantenimiento predictivo En industrias que requieren el mantenimiento de maquinaria, el aprendizaje automático se utiliza para predecir fallos y optimizar el rendimiento. Por ejemplo: producción industrial donde se predicen fallos de máquinas antes de que ocurran, evitando costosos tiempos de inactividad; mantenimiento de infraestructura como redes eléctricas o sistemas de transporte, asegurando un funcionamiento continuo; y gestión de flotas donde se optimiza el uso de vehículos y se programan mantenimientos preventivos. https://lopegonzalez.es/eso-y-bachillerato/computacion-y-robotica-2o-eso/tema-8-inteligencia-artificial/ 9/13 23/9/24, 11:30 Tema 8. Inteligencia artificial – Lope González 8.4.6. Salud El aprendizaje automático tiene un impacto muy significativo en la mejora de la salud, proporcionando herramientas para el diagnóstico, el tratamiento y la gestión de pacientes. Por ejemplo: diagnóstico asistido por computador que ayuda a los médicos a identificar enfermedades basándose en datos y patrones previos; desarrollo de fármacos donde se aceleran las pruebas y se identifican nuevas combinaciones de medicamentos; gestión de registros médicos para mejorar la eficiencia y la precisión en el tratamiento de los pacientes. Como has podido ver en esta pequeñísima muestra, esta tecnología está transformando la forma en que interactuamos con el mundo, al tiempo que mejora nuestra capacidad para resolver problemas complejos. 8.5. Aplicaciones del aprendizaje supervisado y no supervisado El aprendizaje automático se divide en varios tipos, entre ellos el aprendizaje supervisado y el no supervisado. Cada uno de ellos tiene diferentes aplicaciones prácticas que demuestran su utilidad en multitud de sectores. https://lopegonzalez.es/eso-y-bachillerato/computacion-y-robotica-2o-eso/tema-8-inteligencia-artificial/ 10/13 23/9/24, 11:30 Tema 8. Inteligencia artificial – Lope González Repasemos las aplicaciones de ambos tipos de aprendizaje. 8.5.1. Aprendizaje supervisado El aprendizaje supervisado es un enfoque donde el modelo de IA se entrena con datos etiquetados. Esto significa que el sistema aprende a partir de ejemplos en los que las respuestas correctas ya se conocen. Aquí, el objetivo es que el modelo pueda predecir la etiqueta correcta para nuevos datos no vistos durante el entrenamiento. Ejemplos de aplicaciones: Clasificación de correos electrónicos : los sistemas de filtrado de spam utilizan aprendizaje supervisado para distinguir entre correos legítimos y correos no deseados, basándose en ejemplos etiquetados de ambos tipos. Diagnóstico médico : los algoritmos supervisados pueden analizar imágenes médicas (como radiografías o resonancias) para detectar enfermedades específicas, aprendiendo de ejemplos previos de imágenes etiquetadas como sanas o enfermas. Reconocimiento de voz : los asistentes virtuales como Siri o Alexa utilizan aprendizaje supervisado para entender y transcribir el habla humana, mejorando su precisión con el tiempo a medida que se les proporcionan más datos etiquetados. Predicción de ventas : en el ámbito empresarial, el aprendizaje supervisado se usa para predecir las ventas futuras basándose en datos históricos etiquetados, ayudando a las empresas a planificar mejor su inventario y sus estrategias de marketing. https://lopegonzalez.es/eso-y-bachillerato/computacion-y-robotica-2o-eso/tema-8-inteligencia-artificial/ 11/13 23/9/24, 11:30 Tema 8. Inteligencia artificial – Lope González 8.5.2. Aprendizaje no supervisado El aprendizaje no supervisado no utiliza datos etiquetados. En lugar de eso, el modelo debe encontrar patrones ocultos en los datos por sí mismo. Este tipo de aprendizaje es útil para tareas donde las etiquetas no están disponibles o son difíciles de obtener. Ejemplos de aplicaciones: Segmentación de clientes : las empresas utilizan aprendizaje no supervisado para agrupar a sus clientes en diferentes segmentos basándose en sus comportamientos y también en sus características, lo que les permite personalizar sus estrategias de marketing. Detección de anomalías : en seguridad informática, los algoritmos no supervisados pueden identificar actividades inusuales que podrían indicar un ciberataque, analizando grandes volúmenes de datos sin necesidad de etiquetas. Reducción de dimensionalidad : técnicas como el análisis de componentes principales (PCA) se utilizan para reducir la cantidad de variables en un conjunto de datos mientras se preserva la información importante. Esto es útil en áreas como la visualización de datos y el preprocesamiento. Agrupamiento de imágenes : en el campo de la visión por computador, el aprendizaje no supervisado puede agrupar imágenes similares sin necesidad de etiquetas, lo que es útil en aplicaciones como la organización automática de grandes bibliotecas de imágenes. 8.5.3. Comparación de enfoques La elección entre aprendizaje supervisado y no supervisado depende de la naturaleza del problema y la disponibilidad de datos etiquetados. Si hay una gran cantidad de datos etiquetados disponibles, el aprendizaje supervisado suele ser más efectivo. En caso contrario, el aprendizaje no supervisado es una opción viable. Si el objetivo es predecir una etiqueta específica o una categoría conocida, el aprendizaje supervisado es la mejor opción. Si el objetivo es explorar datos y descubrir patrones desconocidos, el aprendizaje no supervisado es más adecuado. En problemas complejos donde las etiquetas pueden ser difíciles de definir o inconsistentes, el aprendizaje no supervisado puede proporcionar información valiosa que luego se puede usar para guiar enfoques supervisados. Estos métodos nos permiten analizar grandes volúmenes de datos de manera eficiente y tomar decisiones informadas basadas en los resultados. 8.6. Prácticas de inteligencia artificial Ahora realizaremos algunos pequeños proyectos para que puedas sentirte el protagonista de la creación de inteligencias artificiales. 8.6.1. Reconocimiento de objetos con Google Teachable Machine En este proyecto aprendemos a crear y entrenar un modelo de Inteligencia Artificial con la herramienta Google Teachable Machine que sea capaz de reconocer una variedad de objetos de nuestro interés. Ver proyecto https://lopegonzalez.es/eso-y-bachillerato/computacion-y-robotica-2o-eso/tema-8-inteligencia-artificial/ 12/13 23/9/24, 11:30 Tema 8. Inteligencia artificial – Lope González 8.6.2. ¿Eres capaz de engañar a una IA? En este proyecto tendremos que poner toda nuestra creatividad a pleno rendimiento para intentar engañar a una IA que se encarga de identificar objetos. Trabajaremos con un juego llamado Google Scavenger Hunt , aquí abajo tienes cómo funciona. Ver proyecto 8.6.3. Aprendizaje automático con texto Para terminar con el aprendizaje automático vamos a probar otra de las herramientas educativas que son un referente, como Machine Learning For Kids , para que entendamos la importancia que tiene para la eficacia de estos algoritmos, entrenar modelos con una cantidad de datos lo más grande posible. Ver proyecto Deja una respuesta Tu dirección de correo electrónico no será publicada. Los campos obligatorios están marcados con * Comentario * Nombre * Correo electrónico * Web Guarda mi nombre, correo electrónico y web en este navegador para la próxima vez que comente. Publicar el comentario https://lopegonzalez.es/eso-y-bachillerato/computacion-y-robotica-2o-eso/tema-8-inteligencia-artificial/ 13/13