Inteligencia

Artificial
Fredy Bustamante
 Definición
• La IA se define como la capacidad de las máquinas para
interpretar datos, aprender de ellos y tomar decisiones de
forma autónoma. Con técnicas como el aprendizaje
automático y profundo, simulando aspectos del
pensamiento humano para tareas como el reconocimiento
de voz, imágenes y procesamiento del lenguaje natural.
• Tecnología que le permite a una máquina “pensar” y actuar
espontáneamente sin que se le programe específicamente.
• Rama de la informática que se centra en el desarrollo de
sistemas y tecnologías que pueden realizar tareas que
normalmente requieren inteligencia humana, como el
reconocimiento de voz y de imágenes, el aprendizaje
automático, la toma de decisiones y el procesamiento de
lenguaje natural.
• Tecnología informática que introduce comportamientos de
la lógica racional humana en máquinas.
Machine Learning
• Permite a los ordenadores aprender sin necesidad de haber sido explícitamente
programados para ello. Funciona entrenando a los sistemas informáticos a utilizar
algoritmos para detectar patrones en los datos y posteriormente actuar de forma
predictiva.
• El reconocimiento de voz y lenguaje natural, la visión computarizada, las
recomendaciones en búsquedas y los filtros en los emails son algunos ejemplos de IA
que utilizan machine learning.
• Aprendizaje supervisado: se refiere al entrenamiento con datos etiquetados, por
ejemplo, mostrarle fotos de perros indicando que allí existe un perro.
• Aprendizaje no supervisado: se entrena a la máquina con datos y esta busca similitudes y
clasifica la información.
• Aprendizaje de refuerzo: se entrena por medio de prueba y error hasta decidir cuál es la
mejor manera de completar una tarea dada, se debe tener un objetivo y medidas de
nivel de éxito.
Deep Learning
• Es un tipo de machine learning inspirado en cómo las redes neuronales del
cerebro humano procesan la información. En estos sistemas, cada capa de
la red neuronal transforma los datos que recibe en una representación más
compleja.
• El objetivo es que el sistema alcance una comprensión muy detallada de los
datos que equivale a una forma de razonamiento inteligente.
• En el ejemplo de las fotos de perros, un sistema de este tipo empieza
analizando los píxeles de la imagen, luego detectaría los bordes y
contornos de los diferentes objetos, luego el objeto en sí (el perro) y así
sucesivamente hasta finalizar con la imagen completa.
• Modelos pre-entrenados facilitan la adaptación a nuevos problemas con
menos datos.
Redes neuronales
• Una red neuronal es un método de la inteligencia
artificial que enseña a las computadoras a procesar
datos de una manera que está inspirada en la forma
en que lo hace el cerebro humano.
• Está formada por neuronas artificiales que trabajan
juntas para resolver un problema. Las neuronas
artificiales son módulos de software, llamados nodos,
y las redes neuronales artificiales son programas de
software o algoritmos que, en esencia, utilizan
sistemas informáticos para resolver cálculos
matemáticos.
Redes neuronales
• La arquitectura de una red neuronal simple
consta de:
• Capa de entrada: La información del mundo exterior
entra en la red neuronal artificial desde la capa de
entrada. Los nodos de entrada procesan los datos, los
analizan o los clasifican y los pasan a la siguiente capa.
• Capa oculta: Las capas ocultas toman su entrada de la
capa de entrada o de otras capas ocultas.
• Capa de salida: Proporciona el resultado final de todo el
procesamiento de datos que realiza la red neuronal
artificial.
Redes neuronales tarjetas de video

• La arquitectura de una red neuronal

Sistema experto
• Software de inteligencia artificial diseñado para emular la toma de
decisiones y el razonamiento humano en un dominio de
conocimiento específico basado en bases de conocimiento y
modelos de inferencia.
• Se componen de:
• Base de conocimiento: base de datos que almacena
información y reglas sobre un dominio de conocimiento
específico.
• Motor de inferencia: es el núcleo del sistema experto y se
encarga de aplicar las reglas de la base de conocimiento para
llegar a conclusiones o tomar decisiones basadas en la
información proporcionada.
• Interfaz de usuario: Proporciona la forma en que los usuarios
interactúan con el sistema.
Sistemas generativos
Se basan en modelos estadísticos y redes neuronales profundas para
aprender patrones y estructuras a partir de conjuntos de datos de
entrenamiento y luego generar nuevas muestras que sigan estos patones.
Ejemplos:
• Generación de texto: GPT (Generative Pre-Trained Transformer)
• Generación de imágenes: GANs (Redes Generativas Adversariales)
• Generación de música
• Generación de video
• Generación de voz
• Generación de datos sintéticos (a partir de datos reales generar
datos similares)
 Razonamiento en Generadores de Texto
• Capacidades de Razonamiento:
• Chain-of-Thought (Cadena de Pensamiento): Los modelos de lenguaje actuales
(por ejemplo, GPT-4 o R1 de DeepSeek) utilizan técnicas de "chain-of-thought"
para simular razonamientos en múltiples pasos. Esto significa que, al desglosar un
problema en partes, el modelo es capaz de generar respuestas más coherentes y
detalladas.
• Habilidades emergentes: Aunque estos modelos no “razonan” de la misma
manera que los humanos, sus respuestas se basan en patrones estadísticos
extraídos de enormes volúmenes de datos. Estas “habilidades emergentes” les
permiten resolver problemas complejos, generar explicaciones y adaptarse a
diferentes contextos.
• Limitaciones y consideraciones: Es importante destacar que, a pesar de su
aparente razonamiento, los generadores de texto carecen de consciencia y
comprensión profunda. Su “razonamiento” es el resultado de correlaciones y
patrones, lo que puede llevar a errores o respuestas poco fiables en contextos
muy específicos (referencias inventadas, confusión entre versiones de
documentos o aplicaciones, etc..
 IA: realidad vs ficción
• Robots no necesariamente debe tener IA
• Conciencia de la IA
• R2D2
• Película IA
• Skynet
• ¿Nos reemplazarán las
máquinas?
• Peligros de la sobreutilización de
la IA
 La ética en la IA
La IA en realidad no piensa y tampoco es consciente
de los principios y normas morales por lo que
debemos estar atentos a temas como:
• Sesgos y discriminación: los algoritmos pueden
heredar sesgos y discriminación presentes en los
datos de entrenamiento por lo que puede afectar
si la utilizamos para selección de empleados,
justicia criminal, evaluación crediticia, etc.
• Privacidad: al analizar gran cantidad de datos se
pueden incluir datos personales y, si no se
supervisa, podría exponer esos datos.
• Responsabilidad y rendición de cuentas: ¿a quién
se le atribuye la responsabilidad en caso de
decisiones erróneas o acciones perjudiciales?
 La ética en la IA
• Transparencia: Se debe conocer la forma en que la
IA llega a ciertas conclusiones e indicar a las
partes interesadas cuando se utiliza IA y para qué
tareas.
• Beneficios y perjuicios sociales: El impacto de la IA
para obtener beneficios sociales como la atención
médica debería maximizarse mientras se
minimizan los perjuicios sociales como la pérdida
de empleos y la ampliación de la brecha digital.
• Autonomía y toma de decisiones: ¿Realmente es
correcto que la IA tome decisiones importantes?
Por ejemplo, en vehículos y armas autónomas.
• Límites de la IA: ¿Cuál debería ser el límite
adecuado para la creación y utilización de la IA?
 Usos de la IA
• Asistentes de voz
• Análisis de datos y big data
• Vehículos autónomos
• Generadores de contenido
• Mantenimiento predictivo
• Optimización de cadena de
suministro
• Salud
• Y un largo etcétera………
IA Multimodal
• Es una tecnología que combina y procesa datos de diferentes modalidades o
tipos, como texto, imágenes, audio, video y más, para ofrecer resultados más
completos y contextualmente relevantes.
• A diferencia de los sistemas de IA que se centran en una sola modalidad, la IA
multimodal puede entender y generar respuestas que integran múltiples fuentes
de información.
• Un ejemplo práctico es cuando una IA puede analizar tanto una imagen como una
descripción de texto para ofrecer una respuesta más precisa o para crear
contenido que combine texto e imágenes de manera coherente.
• Esta capacidad es especialmente útil en áreas como la educación, donde se
pueden crear experiencias de aprendizaje más ricas y personalizadas, o en la
atención al cliente, donde se pueden entender mejor las consultas de los
usuarios.
 Tendencias y futuro de la IA
• Mejoras de los modelos actuales: nuevas versiones más eficaces y eficientes y/o con más formas de uso e
interacción.
• IA generativa y automatización creativa: impacto en diseño gráfico, producciones audiovisuales y
contenido digital.
• Explicabilidad y transparencia: Entender el proceso de toma de decisiones y que estas sean compatibles
con el entorno en el que se utiliza.
• Ética, regulación y responsabilidad: Marcos normativos y éticos.
• Aprendizaje con retroalimentación humana: Alinear los modelos con la expectativa ética y de seguridad
además de mejorar la calidad de las respuestas.
• Edge AI y computación distribuida: Ejecutar AI en dispositivos del usuario (Edge) para no depender de la
nube y no requerir compartir datos confidenciales.
• Avances en hardware y optimización de modelos: Hardware especialmente diseñado para IA y modelos
optimizados para diferentes entornos.
• Colaboración humano-IA: La IA se está configurando como una herramienta que potencia la toma de
decisiones humanas en lugar de reemplazarlas.