TramaTec-Los aportes de la IA y su impacto en el aula- Clase 1

Introducción Objetivos Fundamentos y conceptos claves Aspectos generales que conforman la IA Cómo entender la inteligencia artificial. Aprendizaje Automático Asistente virtual Bibliografía Lección 1 de 8 Introducción

Lo que todos tenemos que hacer es asegurarnos de que estamos usando la IA de una manera que sea en beneficio de la humanidad, no en detrimento de la humanidad Tim Cook Existen muchos mitos en torno a la Inteligencia Artificial referidos a los que puede o no puede realizar. Lo cierto es que, aunque nos neguemos a ello, ya está a nuestro alrededor. Poco a poco nos va envolviendo con sus hilos para tejer una trama compleja. Hoy día existen numerosas aplicaciones desarrolladas aplicando IA que están al alcance de las personas, y en función de la formación académica podemos utilizarlas e incluirlas en nuestras prácticas cotidianas, impulsando el intercambio de ideas, propuestas, inclusive emociones que puedan generar en su inclusión Sabemos que las emociones juegan un papel fundamental en el aprendizaje, y es por eso que proponemos la investigación y la experimentación en el abordaje de estas aplicaciones. Hablamos de nuevos abordajes para crear pequeños grupos en los que las/os docentes puedan interactuar con algunas/os de sus estudiantes. La tecnología es nuestra aliada por lo que no es necesario estar ocupando un espacio presencial. Los contenidos en los que la IA está presente son muchos y variados, y los vamos a recorrer durante esta cursada. Por ejemplo, nos preguntamos como educadores, ¿Debemos formar al estudiantado desde la ética cuando hablamos de IA? Pensamos que es fundamental debido a que “Un gran poder requiere de mucha responsabilidad”. Sabemos que los algoritmos dependen de un ser humano que lo programe, por lo que siempre está presente el sesgo que pueda provocar. No es sencillo programar sin que nuestra propia subjetividad se cuele e impregne en el código. La tecnología debe estar al servicio de la sociedad posibilitando oportunidades para mejorar el contexto, y brindando oportunidades y experiencias inéditas. Este tema genera un gran debate, que creemos debe estar presente en las aulas. Trabajaremos estas semanas para hacernos muchas preguntas que, en muchos casos, aún no tienen respuesta. Es probable que mientras estén transitando el curso surjan nuevas formas de interactuar con la IA, porque estamos en un momento de explosión de esta tecnología. Uno de los objetivos de la educación es poder formar estudiantes que sean autónomos y responsables, pero si no les damos la oportunidad y libertad en la toma de decisiones es muy difícil que lo logren. Lección 2 de 8 Objetivos

“Nadie lo dice de esta manera, pero creo que la inteligencia artificial es casi una disciplina de humanidades. Es realmente un intento de entender la inteligencia humana y la cognición humana” Sebastian Thrun Al nalizar esta clase serás capaz de: 1 Conocer a qué llamamos inteligencia artificial 2 Identificar las diferentes categorías de la IA y del aprendizaje automático 3 Reflexionar sobre los diferentes usos que posee la IA y los alcances actuales 4 Analizar el funcionamiento de una de las aplicaciones más comunes de la IA, los asistentes virtuales. Lección 3 de 8 Fundamentos y conceptos claves

“En última instancia, las IA desmaterializarán, desmonetizarán y democratizarán todos estos servicios, mejorando drásticamente la calidad de vida de 8 mil millones de personas, empujándonos más cerca hacia un mundo de abundancia Peter Diamandis Comencemos... Si definimos en forma sencilla a la Inteligencia Artificial (IA) podemos decir que es la habilidad de las computadoras para aprender y, una vez definido uno o más objetivos, generar predicciones, recomendaciones o decisiones. Busca imitar comportamientos y capacidades humanas. A diferencia de los humanos, las máquinas adquieren inteligencia (aprenden) a través de algoritmos inspirados en dominios como la estadística, la optimización matemática y la ciencia cognitiva, y requieren del poder de procesamiento de las computadoras y de una gran cantidad de datos (Legg & Hutter, 2007). Pero... ¿qué es la inteligencia humana y cómo la adquirimos? expertos como Álvaro Barbero, Chief Data Scientist en el Instituto de Ingeniería del Conocimiento (IIC) explica: “aún estamos muy lejos de saber realmente cómo funciona nuestro cerebro y, por tanto, no sabemos cómo hacer sistemas inteligentes parecidos”.

Algoritmo Otra de las palabras que hemos utilizado en la definición es algoritmos ¿Qué son? Un algoritmo informático es un conjunto de instrucciones definidas, ordenadas y acotadas para resolver un problema, realizar un cálculo o desarrollar una tarea. Es decir, un algoritmo es un procedimiento paso a paso para conseguir un fin. A partir de un estado e información iniciales, se siguen una serie de pasos ordenados para llegar a la solución de una situación. No obstante, los algoritmos no son algo exclusivo de los ámbitos de las matemáticas, la lógica y la computación. Utilizamos numerosos algoritmos para resolver problemas en nuestra vida cotidiana. Algunos de los ejemplos más habituales son los manuales de instrucciones o las recetas de cocina. En programación, un algoritmo supone el paso previo a ponerse a escribir el código. Primero debemos encontrar la forma de obtener la solución al problema (definir el algoritmo informático), para luego, a través del código, poder indicarle a la máquina qué acciones queremos que lleve a cabo. De este modo, un programa informático no sería más que un conjunto de algoritmos ordenados y codificados en un lenguaje de programación para poder ser ejecutados en una computadora. Hoy en día los algoritmos de aprendizaje automático ya forman parte de la vida cotidiana. Un ejemplo de esto son los sistemas de recomendación de las plataformas de entretenimiento: el algoritmo aprende de miles y miles de usuarios con determinadas características hasta que finalmente sabe qué películas o series prefiere y puede sugerir a los demás consumidores. Esto es algo relativamente simple, se pueden realizar tareas más complejas, por ejemplo, lo que se conoce como “deep fake”. En este tipo de tarea se predice cómo va a ser un video de una persona diciendo algo. Emmanuel Iarussi, ingeniero en informática, Investigador del Conicet del Laboratorio de Inteligencia Artificial de la Universidad Torcuato Di Tella aclara, entre risas, que el problema es que “¡funciona muy bien!”. Existen millones de videos de personas hablándole a una cámara: si se separa el audio y se entrena al algoritmo para que diga una frase determinada, el resultado es un video muy real de una persona diciendo algo que no ocurrió en la realidad. Las implicancias de esto son inimaginables, se puede poner en boca de personas frases que nunca dijeron y esto es sumamente creíble. En este contexto, formar a nuestros/as estudiantes en tecnología no solo se refiere a enseñar a programar, sino también a comprender las tecnologías de la inteligencia artificial y el entrenamiento de las computadoras. En el aprendizaje de IA, a diferencia de la programación, las/os estudiantes deben comprender el papel de los datos y cómo pueden influir en la forma en que las máquinas ejecutan los algoritmos (Cassell et al., 2000. Mioduser y Levy, 2010). Por otra parte, el trabajo con IA abre diversos interrogantes que exceden los aspectos técnicos del entrenamiento de los sistemas y que refieren a entender como los sistemas pueden amplificar el sesgo, el sexismo, el racismo y otras formas de discriminación, particularmente para aquellos en comunidades marginadas (Angwin et al., 2016; Buolamwini & Gebru, 2018). De esta manera, promover la comprensión crítica de la IA en los y las jóvenes es de vital importancia para que puedan aprovechar estos desarrollos y -al mismo tiempo- alentarlos a participar de la construcción de decisiones pragmáticas y éticas en el desarrollo de soluciones en el campo de la IA. Lección 4 de 8 Aspectos generales que conforman la IA

“La única manera de asegurarse de que no pierda su trabajo con la llegada de la IA, es hacer algo que la IA no puede hacer, y lo único que la inteligencia artificial no puede hacer, pero un humano puede, es ser original. Por lo tanto, hacer algo original y ninguna IA puede reemplazarte”. Abhijit Naskar “La inteligencia articial es, en ciencias de la computación, la disciplina que intenta replicar y desarrollar la inteligencia y sus procesos implícitos a través de computadoras” Wikipedia Un poco de historia Thank you for trying out H5P. To get started with H5P read our getting started guide  1941 Primera computadora

Imagen de Alan Turing creada con Dalle-2 Alan Turing, el predecesor El primer trabajo que destaca para el avance de lo que posteriormente se conocería como inteligencia artificial fue realizado a mediados del siglo XX por el matemático de origen británico Alan Turing. En 1935, Turing describió una máquina de computación abstracta con memoria ilimitada que puede operar gracias a un escáner que se mueve hacia adelante y hacia atrás a través de la memoria. Esta memoria está representada en forma de símbolos, y el escáner lee lo que encuentra a su paso. Este dispositivo también es capaz de escribir más símbolos. En realidad, el escáner de la máquina de Turing sigue una serie de instrucciones grabadas. En su trabajo, Turing describe un concepto de memoria almacenada que tiene implícita la posibilidad de que la máquina opere de forma autónoma. De esta manera, la propia máquina podría modificar o mejorar su propio código. La máquina que planteaba Turing se conoce ahora simplemente como la máquina de Turing universal. nuestras computadoras no son más que una versión evolucionada de la máquina de Turing universal. Por esta razón, se considera a Turing como el padre teórico de las computadoras y el origen de la historia de la inteligencia artificial. Uno de los legados de Turing para la IA, es su enfoque al problema de las máquinas pensantes. Él propuso lo que se ha conocido como la prueba de Turing para determinar si una máquina era capaz de pensar. La prueba fue una adaptación de una competencia de estilo victoriano llamada el juego de imitación. Este juego implica aislar a un hombre y una mujer de un interrogador que tiene que adivinar cuál es cuál haciendo preguntas y estudiando respuestas escritas. El hombre pretende engañar al interrogador, mientras que la mujer trata de ayudarlo. El test de Turing es una prueba de la habilidad de una máquina para exhibir un comportamiento inteligente similar al de un ser humano. El formato de la prueba es la conversación. Una máquina que sea capaz de pasar el test de Turing correctamente, impedirá a un ser humano distinguir si las respuestas provienen de otra persona o de una máquina. En 1990, el empresario neoyorquino Hugh Loebner estableció un premio anual de $100,000 al creador de una máquina que pudiera pasar la prueba de Turing. Los jueces del Premio Loebner tienen cinco minutos para hacer preguntas para determinar quién es la computadora y quien la persona. Este premio aún no ha podido ser ganado, aunque todos los años diferentes aplicaciones ganan un premio menor por lograr confundir a uno o más de los jueces.

imagen generada por la IA de Canva John McCarthy, el padre del concepto Más adelante, un hito considerado como el momento fundacional de la “inteligencia artificial”, tanto del término como del campo de estudio, es una conferencia en Darmouth el año 1956 organizada por John McCarthy, Marvin Minsky, Claude Shannon y Nathaniel Rochester. En ella, los organizadores invitaron a unos diez investigadores para formalizar el concepto de inteligencia artificial como un nuevo campo de estudio científico. ¿Qué signica poseer IA? Podemos decir que una máquina está dotada de Inteligencia Artificial (IA) si hace lo siguiente: 1 Recoge o absorbe datos. Interpreta y aprende de esos datos. 2 23 Aplica el aprendizaje para ejecutar acciones. 4 Estos bloques de construcción se basan en algoritmos, que son conjuntos de acciones encaminadas a resolver un problema. Es aquella en la que un sistema se dedica a ejecutar acciones para resolver un IA Especíca IA General problema concreto, pero no sabe nada más allá de ese problema concreto. Ejemplo: reconocimiento facial. Es aquella que busca dotar a la máquina de una capacidad de razonamiento similar a la de un humano. Para saber si una IA es general, podemos hacer diferentes tests, siendo el más conocido el Test de Turing, del que hablamos Lección 5 de 8 Cómo entender la inteligencia articial.

“La investigación en IA puede tener repercusiones irreversibles en la vida de la especie humana, por lo que debemos pisar con cautela”. Abhijit Naskar

Los conjuntos de datos Los conjuntos de datos son grandes recopilaciones de información digital que se utilizan para formar a la inteligencia artificial. Pueden contener cualquier cosa, desde datos climáticos, como la presión y la temperatura del aire, hasta fotos, música o cualquier otra cosa que ayude a un sistema de IA a realizar la tarea que se le ha asignado. Igual que un niño aprende mediante ejemplos, lo mismo ocurre con las máquinas. Los conjuntos de datos son la base de este proceso de aprendizaje. Los equipos de diseño de inteligencia artificial tienen que considerar detenidamente los datos que eligen para formar a su IA, y pueden incorporar parámetros que ayuden al sistema a gestionar la información que se le proporciona. A causa de su escala y complejidad, estas recopilaciones pueden ser muy difíciles de crear y refinar, tanto si consisten en unos cientos de muestras de audio como si se trata de extensos mapas que abarcan todo el sistema solar conocido. Por este motivo, los equipos de diseño de IA a menudo comparten conjuntos de datos para beneficiar a toda la comunidad científica, lo cual facilita colaborar y contribuir en la investigación de otros colegas de profesión. Más adelante hablaremos de "sesgo algorítmico" un gran problema que depende del conjunto de datos brindado a la IA. Un ejemplo: "Los #gatitos y #atardeceres de Instagram alimentaron la inteligencia articial de Facebook". https://www.clarin.com/tecnologia/gatitos-atardeceres-instagram alimentaron-inteligencia-articial-facebook_0_By1ePqO6M.html La predicción El producto de un sistema de IA es la predicción de la probabilidad de que ocurra algo. Los informáticos a menudo se refieren al producto de los sistemas de IA como predicciones, aunque no haya ninguna conexión obvia con el futuro. Por ejemplo, cuando la inteligencia artificial te recomienda un libro está prediciendo que te gustará. Hoy en día, estos sistemas predictivos están en todas partes: desde simples sugerencias de películas o vídeos que te pueden gustar según tus preferencias anteriores, hasta una mayor precisión de la previsión meteorológica gracias al estudio de patrones climáticos anteriores. Las predicciones basadas en la inteligencia artificial ayudan a la gente a tomar decisiones cotidianas. Cuanto más grande sea el conjunto de datos, las predicciones nos van a permitir tomar decisiones con mayor certeza. Y no solo para decidir qué libros leer, sino en todos los ámbitos, desde una mejor preparación ante futuros desastres naturales hasta la administración de nuestras inversiones. Algoritmo de aprendizaje

Para hablar de algoritmos de aprendizaje primero debemos identificar subcampos de la inteligencia artificial como el APRENDIZAJE AUTOMÁTICO (Machine Learning) y el APRENDIZAJE PROFUNDO (Deep Learning). Para ver el siguiente video, sugerimos activar los subtítulos en español. YOUTUBE How AIs, like ChatGPT, Learn How Machines Learn How do all the algorithms around us learn to do their jobs? OMG PLUSHIE BOTS!!: https://store.dftba.com/collections/cgp-grey/products/greybots-plushie Bot Wallpapers on Patreon: https://www.patreon.com/posts/15959388 Footnote: https://www.youtube.com/watch?v=wvWpdrfoEv0 Podcasts: https://www.youtube.com/user/HelloInternetPodcast https://www.youtube.com/channel/UCqoy014xOu7ICwgLWHd9BzQ Thank you to my supporters on Patreon: James Bissonette, James Gill, Cas Eliëns, Jeremy Banks, Thomas J Miller Jr MD, Jaclyn Cauley, David F Watson, Jay Edwards, Tianyu Ge, Michael Cao, Caron Hideg, Andrea Di Biagio, Andrey Chursin, Christopher Anthony, Richard Comish, Stephen W. VER EN YOUTUBE  Aprendizaje automático o Machine Learning El aprendizaje automático es esa rama de la informática que otorga a la IA la capacidad de aprender tareas. Para lograrlo, los programadores se basan en los algoritmos de aprendizaje. El aprendizaje automático es la capacidad de la computadora para aprender sin ser programada explícitamente. En su forma más básica, el aprendizaje automático utiliza algoritmos programados que reciben y analizan datos de entrada para predecir los valores de salida dentro de un rango aceptable. A medida que se introducen nuevos datos en estos algoritmos, aprenden y optimizan sus operaciones para mejorar el rendimiento, desarrollando “inteligencia” con el tiempo. La mayoría de los sistemas de IA que hoy conocemos, utiliza aprendizaje automático. ¿Cómo se enseña a la máquina? Hay diferentes maneras: Aprendizaje supervisado En el aprendizaje supervisado, la máquina se enseña con el ejemplo. De este modo, el operador proporciona al algoritmo de aprendizaje automático un conjunto de datos conocidos que incluye las entradas y salidas deseadas, y el algoritmo debe encontrar un método para determinar cómo llegar a esas entradas y salidas. Mientras el operador conoce las respuestas correctas al problema, el algoritmo identifica patrones en los datos, aprende de las observaciones y hace predicciones. El algoritmo realiza predicciones y es corregido por el operador, y este proceso sigue hasta que el algoritmo alcanza un alto nivel de precisión y rendimiento. Paso 1 Aprendizaje sin supervisión Aquí, el algoritmo de aprendizaje automático estudia los datos para identificar patrones. No hay una clave de respuesta o un operador humano para proporcionar instrucción. En cambio, la máquina determina las correlaciones y las relaciones mediante el análisis de los datos disponibles. En un proceso de aprendizaje no supervisado, se deja que el algoritmo de aprendizaje automático interprete grandes conjuntos de datos y dirija esos datos en consecuencia. Así, el algoritmo intenta organizar esos datos de alguna manera para describir su estructura. Esto podría significar la necesidad de agrupar los datos en grupos u organizarlos de manera que se vean más organizados. A medida que evalúa más datos, su capacidad para tomar decisiones sobre los mismos mejora gradualmente y se vuelve más refinada. Paso 2 Aprendizaje por refuerzo El aprendizaje por refuerzo se centra en los procesos de aprendizajes reglamentados, en los que se proporcionan algoritmos de aprendizaje automáticos con un conjunto de acciones, parámetros y valores finales. Al definir las reglas, el algoritmo de aprendizaje automático intenta explorar diferentes opciones y posibilidades, monitorizando y evaluando cada resultado para determinar cuál es el óptimo. En consecuencia, este sistema enseña la máquina a través del proceso de ensayo y error. Aprende de experiencias pasadas y comienza a adaptar su enfoque en respuesta a la situación para lograr el mejor resultado posible. Aprendizaje semisupervisado Las categorías se superponen un poco y son confusas, por lo que a veces puede ser difícil ubicar un método en particular en una categoría. Por ejemplo, como sugiere su nombre, el llamado aprendizaje semisupervisado es en parte supervisado y en parte no supervisado. Lección 6 de 8 Aprendizaje Automático

“Ninguna tecnología conectada a Internet es inhackeable”. Abhijit Naskar El aprendizaje automático permite que los sistemas de IA encuentren sus propias soluciones, en lugar de estar preprogramados con un conjunto de respuestas. Tiene una amplia gama de usos, desde el ltrado de spam hasta la predicción del precio de las acciones. En la programación tradicional, si se deseaba enseñar a una computadora a dibujar un pez, se debía explicar el proceso de dibujo con exactitud. Con el aprendizaje automático, se alimenta un sistema de IA con miles de bocetos de peces para que los analice para que busque patrones por sí misma. Con el tiempo, empieza a reconocer las características que conforman un pez, como las aletas y las escamas, y desarrolla una comprensión más flexible y con más matices de lo que representa un dibujo de pez. Con esta capacidad de detección de patrones, el aprendizaje automático ayuda a los sistemas de IA a procesar grandes cantidades de datos. El aprendizaje automático puede completar ciertas tareas a gran velocidad y escala. Los ecologistas lo usan para analizar meses de grabaciones subacuáticas y determinar patrones de migración de ballenas, mientras que los médicos especialistas en diagnóstico lo utilizan para examinar distintas imágenes simultáneamente e identificar los primeros signos de una enfermedad. Ya hablamos de los tipos de aprendizaje automático Tipos de modelo en el aprendizaje automático Aprendizaje Supervisado - Clasicación – Uno de los usos más comunes del aprendizaje automático es clasificar los datos en diferentes categorías. Por ejemplo, podemos utilizar el aprendizaje automático para clasificar los correos electrónicos en spam o no spam, o para clasificar las imágenes en diferentes categorías, como animales, plantas u objetos. Uno de los beneficios del aprendizaje automático para este tipo de tareas es que la computadora puede aprender a hacerlas mejor que un humano. Por ejemplo, un humano podría distinguir entre un perro y un gato, pero una computadora puede aprender esto con mucha mayor precisión, porque puede procesar muchos más datos mucho más rápido que un humano. Un uso común de la clasificación es en la detección de spam. Los correos electrónicos no deseados se pueden detectar analizando el cuerpo del correo electrónico y la dirección de correo electrónico del remitente. Si el cuerpo del correo electrónico contiene ciertas palabras clave, y la dirección de correo está asociada con spam, es probable que sea spam. Aprendizaje Supervisado - Regresión – La regresión es una técnica de aprendizaje automático utilizada para predecir eventos futuros. Se basa en la suposición de que los eventos pasados permiten predicciones sobre eventos futuros. La regresión se puede usar para predecir cualquier cosa, desde el clima hasta los precios de las acciones y el resultado de las elecciones. Uno de los usos más comunes de la regresión es predecir las ventas futuras de un producto. Esto se puede hacer analizando los datos de ventas anteriores para identificar patrones. Por ejemplo, si los datos de ventas anteriores muestran que las ventas de un producto aumentan cuando la temperatura está por encima de cierto umbral, entonces el algoritmo de regresión se puede usar para predecir las ventas futuras del producto en función de la temperatura actual. Aprendizaje No Supervisado - Clustering – Uno de los usos más comunes del aprendizaje automático no supervisado es el clustering, es decir, agrupar objetos similares. Esto se puede usar para todo, desde organizar nuestra colección de música, hasta organizar nuestra bandeja de entrada de correo electrónico. Uno de los algoritmos de agrupamiento / clustering más populares es el algoritmo k-means. Este algoritmo asigna un conjunto de elementos de datos a un grupo en función de sus similitudes. A continuación, vuelve a agrupar los datos que más se parecen a los datos del nuevo clúster. Este proceso se repite hasta que todos los datos estén en un clúster. Una de las ventajas del algoritmo k-means es que es relativamente rápido y puede procesar una gran cantidad de datos. También es relativamente fácil de implementar, lo que lo convierte en una opción popular para muchas aplicaciones. Aprendizaje No Supervisado - Detección de anomalías – La detección de anomalías es la identificación de elementos, eventos u observaciones que no coinciden con un patrón esperado u otros elementos en un conjunto de datos. La detección de anomalías se utiliza en una variedad de campos, incluidos seguridad, finanzas, fabricación y atención médica. Por ejemplo, en el campo de la seguridad, la detección de anomalías se puede utilizar para detectar intrusos o actividad maliciosa. En finanzas, se puede utilizar para identificar transacciones inusuales. Existe una variedad de técnicas de detección de anomalías, incluidas la inferencia bayesiana, los árboles de decisión y las máquinas de vectores de soporte. Uno de los beneficios de la detección de anomalías es que puede detectar eventos que no han ocurrido previamente. Esto puede ser útil para detectar ciberataques u otra actividad maliciosa nueva o inesperada. Otro beneficio de la detección de anomalías es que se puede utilizar para identificar valores atípicos en un conjunto de datos. Los valores atípicos son elementos que quedan fuera del patrón esperado. La identificación de valores atípicos puede ayudar a identificar problemas o errores en un sistema. Clasificación vs clustering Aunque ambas técnicas tienen ciertas similitudes, la diferencia está en el hecho de que la clasificación se sirve de unas clases predefinidas en las que se asignan los objetos, mientras que la clusterización identifica similitudes entre objetos, que agrupa según esas características en común y que les diferencian de los otros grupos de objetos. Estos grupos se conocen como “clústeres” o “clusters”. Redes neuronales Las redes neuronales son un tipo de algoritmo de inteligencia artificial que emula el funcionamiento del cerebro humano. Está compuesta por capas de "neuronas" que procesan información y aprenden de los datos para realizar tareas específicas, como reconocimiento de imágenes o procesamiento de lenguaje natural. En una red neuronal, cada "neurona" recibe una entrada, la procesa mediante una función de activación y envía una salida a otras neuronas. Cada capa de neuronas procesa la información de forma más compleja, permitiendo la detección de patrones y características en los datos. La red neuronal se entrena con un conjunto de datos para ajustar los pesos entre las neuronas y mejorar su capacidad para realizar la tarea deseada. A medida que se alimenta más datos a la red, su capacidad para aprender y mejorar aumenta. Aprendizaje profundo Es una evolución del aprendizaje automático que crea modelos jerárquicos cada vez más complejos destinado a imitar los procesos de pensamiento en el cerebro humano más que los simples modelos de aprendizaje automático. En este caso, las redes neuronales son profundas, con varias capas. El aprendizaje profundo es una generación más allá del aprendizaje automático, sin dejar de ser un subconjunto de la IA y una evolución del machine learning. Netflix, Mercado Libre, utilizan aprendizaje profundo para sus recomendaciones personalizadas. Para resumir, con la IA basada en reglas y el aprendizaje automático, un sistema de datos científico tiene la responsabilidad principal de decidir qué reglas y que características del conjunto de datos se incluirán en los modelos, lo que determina cómo van a operar esos modelos. Con el aprendizaje profundo, los científicos de datos envían datos sin procesar en un algoritmo. El sistema analiza esos datos y, basado en lo que sabe y lo que puede inferir de los nuevos datos presentados, hace una predicción.

Lección 7 de 8 Asistente virtual

“Cada máquina tiene inteligencia artificial. Y cuanto más avanzada se pone una máquina, más avanzada será la inteligencia artificial. Pero, una máquina no puede sentir lo que está haciendo. Solo sigue las instrucciones – nuestras instrucciones – de los seres humanos” Abhijit Naskar El avance de los últimos años en procesamiento del lenguaje natural, interfaces de conversación, automatización y procesos de machine learning y deep learning, ha permitido que los asistentes virtuales sean cada vez más inteligentes y útiles. PLN - Procesamiento del Lenguaje Natural Entendemos por lenguaje natural al lenguaje humano que ha surgido a lo largo de la historia de manera espontánea y a través del cual las personas le dan sentido al mundo. Las lenguas naturales permiten comunicar ideas y emociones por medio de un sistema de sonidos articulados que hace posible la relación y el entendimiento entre las personas. El lenguaje humano permite la expresión del pensamiento y la exteriorización de los deseos y afectividad mediante diversos signos: palabras, sonidos, gestos. Como tal, tiene algunas características que dan cuenta de su complejidad: es multicultural (hay miles de lenguas vivas en el mundo), es tanto verbal como no verbal (está compuesto por palabras, pero también por gestos y sonidos), es dinámico (las lenguas están vivas y en constante transformación), es ambiguo (una misma palabra o expresión puede ser interpretada de muchas maneras) y contextual (cada situación implica modos distintos de comunicarnos). Tratar computacionalmente una lengua implica un proceso de modelización matemática. Las computadoras y sistemas informáticos solo entienden de dígitos y los programadores pueden “hablar” con los sistemas empleando lenguajes de programación como Python o Java, entre otros. De la tarea de procesamiento de la lengua humana para que sea “comprendida” por los sistemas se encarga el PLN. El procesamiento del lenguaje natural (PLN o NLP, del inglés natural language processing) es la rama de la IA que se encarga de la interacción entre las máquinas y el lenguaje humano e incluye técnicas específicas como generación del lenguaje, traducción automática, comprensión del lenguaje y síntesis de textos, entre otras. En sus inicios, el lenguaje natural era traducido a reglas que se codificaban de forma manual. Más recientemente, el PLN ha utilizado técnicas de aprendizaje automático y aprendizaje profundo, que posibilitan realizar análisis más complejos, captar ambigüedades y variaciones. De todas formas, es común que se integren o combinen varias técnicas a la vez. El machine learning se aplica al PLN. Revisemos sus tres componentes básicos: la IA necesita de grandes conjuntos de datos a partir de los cuales, mediante un algoritmo, realiza determinadas predicciones. En este caso, se recogen colecciones de datos (corpus de textos, tanto escritos como orales) y a partir de ellos se calculan las frecuencias de diferentes unidades lingüísticas (letras, palabras, oraciones) y su probabilidad de aparecer en un contexto determinado. A partir de esta probabilidad, se predice cuál será la siguiente unidad en un contexto dado, sin recurrir a reglas gramaticales explícitas. Aplicaciones más populares de PLN Traducción de textos. Los idiomas no pueden ser traducidos de forma literal. Por esto, los primeros traductores automáticos se enfrentaban a esta dificultad y muchas veces arrojaban resultados sin sentido. Hoy los traductores funcionan cada vez con mayor precisión, incluso reconocen el idioma del texto introducido de manera automática. Un ejemplo clásico de esto es el traductor de Google. Clasificación de documentos o textos. Esta técnica permite clasificar informes, correos electrónicos, tickets, etc. Por ejemplo, los filtros de correo electrónico que permiten identificar si un e-mail es correo no deseado o una promoción. Corrección de textos. La IA no solo permite corregir faltas de ortografía, sino que también puede ofrecer sugerencias de estilo para mejorar la redacción. Por ejemplo, cuando usamos Google Docs. Generación y clonación de voz. Chatbots personalizados, líneas de atención telefónica, audiolibros, lectores de texto, entre otros. Recuperación y extracción de información. Por ejemplo, en los resultados que arroja un motor de búsqueda. Esto incluye reconocer qué se está intentando buscar y predecir a partir de búsquedas populares. Análisis de tendencias. Mediante esta técnica se pueden detectar temas o tendencias de conversación entre personas. Se emplea para el reconocimiento de las opiniones y emociones de los usuarios en relación con productos o servicios. Sistemas conversacionales y asistentes. El asistente virtual representa un uso cada vez más común de la IA. Responde a comandos y preguntas para ayudar a las personas a completar sus tareas. Por ejemplo, Google Assistant, Siri o Alexa. Profundizaremos un poco más sobre ellos

Imagen creada por IA de Canva Los asistentes virtuales son en esencia una versión digital de un asistente humano. Los ejemplos más reconocibles son los asistentes de voz de los smartphones y los altavoces inteligentes. Día tras día, estos asistentes ayudan a buscar información en Internet, reproducen música o responden a preguntas básicas. Los asistentes virtuales colaboran con el ser humano automatizando y realizando tareas con la mínima interacción hombre-máquina. La interacción que se da entre un asistente virtual y una persona debe ser natural: Una persona se comunica usando la voz y el asistente virtual lo procesa, interpreta y responde de la misma manera. Estas tareas o servicios están basados en datos de entrada de usuario, reconocimiento de ubicación y la habilidad de acceder a información de una variedad de recursos en línea: Clima, tráfico, noticias, precios de acciones, horario del usuario, precios al por menor, etc.

Item 1 Lorem ipsum dolor sit amet, consectetur adipiscing elit. In purus velit, tincidunt ac nibh quis, sollicitudin varius libero. Nullam at mi felis. Donec a scelerisque augue, sit amet porttitor nibh. Suspendisse at lorem ut elit placerat blandit. Nunc vitae neque mattis elit ullamcorper euismod vel eu quam. Vivamus et dolor sit amet justo tempus faucibus. Integer quis nulla laoreet, consectetur felis in, ullamcorper ligula. La IA y la Geolocalización Pensemos en la utilidad en un incendio forestal. Ubicación (latitud y longitud) de los incendios. Fecha en que se originaron los fuegos. Superficie quemada en cada incendio (en hectáreas). Gastos y pérdidas ocasionadas. Recursos humanos y materiales empleados en su extinción. Número de personas heridas y fallecidas. Tiempo que se tarda en controlar y extinguir el fuego. Causa que origina los incendios. Horas de sol. Precipitación acumulada en la zona. Watson Vs Azure Ambos desarrollos de IBM y de Microsoft compiten por dar mejor servicio en la nube Mitos de la IA Mito 1: la inteligencia artificial son sólo robots. Mito 2: la IA va a acabar con puestos de trabajo. Mito 3: la IA sobrehumana ya está aquí. Mito 4: las máquinas no cometen errores Detectar Spam La IA detecta el spam con tanta rapidez debido al aprendizaje automático de patrones, pero de momento necesita la supervisión de los humanos para su efectividad

A través de la voz Su receptividad a las órdenes de voz no solo hace que estos asistentes sean fáciles y eficientes de usar, sino que además beneficia a aquellas personas que tienen dificultades con los teclados, ya sea por problemas de alfabetización, discapacidad u otros motivos. La mejor ruta A través de Sistemas de ubicación, los asistentes virtuales pueden encontrar aquellos que necesitas indicándome como llegar utilizando el mejor camino Respuestas automáticas Al responder un correo surgen respuestas automáticas como sugerencias que se puede utilizar clicleando en ellas. Tareas cotidianas Los asistentes actuales ya pueden llevar a cabo acciones sofisticadas, como encender la calefacción antes de que llegues a casa, pedir tu comida favorita o informar a los viajeros sobre cambios en su vuelo antes de llegar al aeropuerto. Lección 8 de 8 Bibliografía

“Algunas personas llaman a esto inteligencia artificial, pero la realidad es que esta tecnología nos mejorará. Así que en lugar de inteligencia artificial, creo que aumentaremos nuestra inteligencia” Ginni Rometty 1 Casella, M. (2015). Historia y evolución de la Inteligencia Artificial. Marco Casella. 2 Seguritecnia 493. (s. f.). https://www.seguritecnia.es/revistas/seg/493/2/index.html 3 Contreras Contreras, G. F., Medina Delgado, B., Acevedo Jaimes, B. R., & Guevara Ibarra, D. (2022). Metodología de desarrollo de técnicas de agrupamiento de datos usando aprendizaje automático. Tecnura, 26(72), 5-6. 4 Peñafiel Benítez, N. J. (2022). Análisis para la aplicación de los clasificadores en el aprendizaje automático (Bachelor's thesis, Babahoyo: UTB-FAFI. 2022). Páginas consultadas 1 https://www.pagina12.com.ar/424503-inteligencia-artificial-para-que-sirve-el-aprendizaje automa? gclid=Cj0KCQiAtbqdBhDvARIsAGYnXBPTTkJljgVNXtVQ0JAT6wqFqtJ_E_tyj_TYuPHfI_glXRzN8 7UuLPYaAh8gEALw_wcB 2 https://www.iic.uam.es/innovacion/aprender-sobre-inteligencia-artificial-por-donde empezamos/ 3 https://profile.es/blog/que-es-un-algoritmo-informatico/ 4 http://www.chicos.net/HumanIA 5 https://www.fundacionaquae.org/wiki/alan-turing-padre-la-inteligencia-artificial/ 6 https://atozofai.withgoogle.com/intl/es/datasets/ 7 https://www.apd.es/algoritmos-del-machine-learning/ 8 https://blog.bismart.com/la-clasificación-y-la-clusterización-una-explicación-práctic 9 https://data.barcelona/2022/03/24/ejemplos-de-aplicaciones-de-aprendizaje-automatico/