IoT e Inteligencia Artificial aplicada

. ¿Qué es AWS IoT?

Un servicio de Amazon que conecta dispositivos IoT a la nube para enviar datos, procesarlos y gestionarlos.

¿Qué es Azure IoT Hub?

La plataforma de Microsoft que permite conectar, monitorear y administrar millones de dispositivos IoT.

¿Qué papel cumple la privacidad de datos en IoT?

Proteger la información personal de los usuarios para evitar filtraciones o usos no autorizados.

¿Qué significa análisis predictivo en Big Data?

Usar datos históricos + algoritmos para predecir eventos futuros.

¿Cómo se usa Big Data en vehículos conectados?

Para monitorear sensores, evitar fallas, optimizar rutas y analizar hábitos del conductor.

¿Ventajas de la analítica en tiempo real?

Respuestas instantáneas, detección de fallas al momento y toma rápida de decisiones.

¿Diferencia entre datos estructurados y no estructurados?

Estructurados: organizados (tablas).
No estructurados: sin formato fijo (videos, textos, imágenes).

¿Papel de los Data Lakes en IoT?

Guardan grandes cantidades de datos crudos de sensores sin necesidad de estructurarlos.

¿Herramientas para ingerir datos?

Kafka, Flume, NiFi, MQTT, Kinesis.

¿Importancia de la veracidad en Big Data?

Que los datos sean reales y confiables para evitar malos análisis.

¿Qué significa escalabilidad en entornos IoT?

Soportar miles o millones de dispositivos sin que el sistema se caiga.

¿Oportunidades de negocio del IoT?

Casas inteligentes, agricultura, industria 4.0, salud digital, transporte conectado.

¿Cómo ayuda Big Data al mantenimiento predictivo industrial?

Detecta patrones que anticipan fallas antes de que ocurran.

¿Riesgos éticos del Big Data?

Vigilancia excesiva, uso indebido de datos, discriminación algorítmica.

¿Qué significa interoperabilidad en IoT?

Que dispositivos de marcas diferentes puedan comunicarse entre sí.

Relación entre IA y bases de datos

La IA necesita datos para entrenarse, y las bases permiten organizarlos y procesarlos.

¿Por qué las BD son fundamentales en la IA?

Porque almacenan los enormes volúmenes de datos usados por los modelos.

Papel de la calidad de los datos en el aprendizaje automático

Datos limpios = mejores predicciones; datos sucios = errores.

¿Qué es Machine Learning?

Rama de la IA donde los algoritmos aprenden a partir de datos.

Diferencia entre Machine Learning y Deep Learning

ML usa modelos más simples; Deep Learning usa redes neuronales profundas.

Modelos del aprendizaje supervisado

Regresión, árboles de decisión, random forest, SVM, redes neuronales.

Modelos del aprendizaje no supervisado

Clustering (K-means), reducción de dimensionalidad, análisis de patrones.

Rol de la BD en el entrenamiento de modelos

Proveer datos limpios, etiquetados y organizados.

¿Qué es la extracción de características?

Seleccionar los datos más importantes para que el modelo aprenda bien.

¿Qué es un dataset?

Conjunto de datos usado para entrenar o evaluar modelos.

Papel del preprocesamiento de datos

Limpiar, normalizar y preparar los datos para evitar errores en el modelo.

¿Qué es normalización de datos?

Escalar los valores a un mismo rango para mejorar el aprendizaje.

¿Por qué eliminar valores atípicos?

Porque pueden distorsionar los resultados del modelo.

Datos estructurados vs no estructurados en IA

Estructurados: tablas.
No estructurados: imágenes, texto, audio, video.

¿Qué es una red neuronal?

Modelo inspirado en el cerebro que aprende patrones complejos.

¿Qué representa un nodo en una red neuronal?

Una neurona artificial que recibe datos y produce una salida.

¿Qué son los pesos sinápticos?

Valores que deciden la importancia de cada dato dentro de la red.

¿Función del aprendizaje por refuerzo?

Aprender mediante recompensas y castigos (tipo “probar y mejorar”).

¿Qué es una base de datos inteligente?

Una BD que usa IA para optimizar consultas, seguridad y rendimiento.

¿Qué es analítica aumentada?

Usar IA para automatizar análisis de datos y generar insights.

¿Cómo la IA optimiza consultas?

Predice índices, reorganiza datos y genera planes de ejecución más rápidos.

Rol de la IA en la detección de fraudes

Identifica patrones sospechosos y actividades anómalas en tiempo real.

Relación entre IA y minería de datos

La minería extrae patrones; la IA los usa para tomar decisiones.

¿Qué es un modelo predictivo?

Un modelo que usa datos pasados para anticipar resultados futuros.

¿Qué son los sistemas expertos aplicados a datos?

Programas que imitan decisiones humanas usando reglas y bases de conocimiento.

Herramientas que integran IA con SQL

BigQuery ML, SQL Server ML Services, Oracle Machine Learning.

¿Qué es TensorFlow?

Framework de Google para crear y entrenar modelos de IA.

¿Qué es PyTorch?

Framework de IA desarrollado por Meta, muy usado para investigación.

Papel del almacenamiento vectorial en IA

Guardar vectores para búsquedas semánticas (como hace ChatGPT o buscadores modernos).

IA para mantenimiento automático de índices

Analiza consultas y decide cuándo crear o actualizar índices.

¿Ventajas de automatizar consultas con IA?

Respuestas más rápidas, menos carga en el servidor y menor trabajo manual.

¿Desafíos éticos de la IA en BD?

Privacidad, discriminación y uso injusto de los datos.

¿Qué es el sesgo algorítmico?

Cuando un modelo aprende patrones injustos debido a datos mal equilibrados.

¿Qué seguridad necesita la IA con datos sensibles?

Cifrado, control de acceso, anonimización y auditoría.

Futuro de la integración IA–BD

Bases más autónomas, optimización automática, consultas inteligentes y análisis en tiempo real.