PENSAMIENTO COMPUTACIONAL

E INTELIGENCIA ARTIFICIAL
TEMA: HERRAMIENTAS DE INTELIGENCIA ARTIFICIAL EN EL
DESARROLLO ACADÉMICO Y CIENTÍFICO

1
PROPÓSITO DE LA CLASE
El propósito de esta presentación es explorar cómo las herramientas de
inteligencia artificial, como ChatGPT, Microsoft Copilot e IBM Watson
(ejemplos revolucionarios), están transformando el ámbito académico
y científico. Se analizarán su impacto en la mejora de la productividad,
el acceso y análisis de datos, la innovación en la enseñanza y los
avances en la investigación, así como los desafíos y consideraciones
éticas asociados.

La presentación busca proporcionar una visión comprensiva de las

oportunidades y retos que presenta la IA en estos campos.

2
CONTENIDO
1. IA, Desarrollo academico y cientifico
2. Áreas de aplicaciones y herramientas
3. Funcionamiento de ChatGPT
4. Futuro de la IA

3
INTRODUCCIÓN
La inteligencia artificial (IA) es un campo de la informática que se
centra en la creación de sistemas capaces de realizar tareas que
normalmente requieren inteligencia humana. Esto incluye capacidades
como el aprendizaje, la percepción, la toma de decisiones y la
resolución de problemas.

La IA tiene sus raíces en la cibernética y en los estudios sobre redes

neuronales de los años 40 y 50. El término "inteligencia artificial" fue
acuñado en 1956 por John McCarthy durante la Conferencia de
Dartmouth.

4
INTRODUCCIÓN
Subcampos de la IA:
• Aprendizaje Automático (Machine
Learning): Procesos mediante los
cuales las máquinas aprenden de
datos, ajustando modelos predictivos
sin ser programadas explícitamente
para cada tarea.
• Procesamiento del Lenguaje Natural
(PLN): Área de la IA que permite a las
computadoras comprender y generar
lenguaje humano.
• Visión por Computadora: Permite a las
máquinas interpretar y actuar sobre
datos visuales, como imágenes y
videos.
5
Video:

6
1. IA, Desarrollo academico y cientifico

7
Evolución de la IA y su Impacto
Desde los primeros programas como "Logic
Theorist" y "ELIZA" hasta los avances en
redes neuronales profundas y algoritmos de
aprendizaje por refuerzo.
La IA ha pasado por varias "primaveras" y
"inviernos", reflejando ciclos de optimismo y
escepticismo.
Desarrollo de algoritmos de Deep Learning
que han permitido mejoras en áreas como
reconocimiento de voz, visión por
computadora y juegos.
8
Impacto en Sectores Clave:
Educación: Personalización del
aprendizaje y automatización de tareas
administrativas.
Ciencia: Automatización de procesos de
investigación y análisis de grandes
volúmenes de datos.
Industria: Optimización de procesos
productivos y desarrollo de sistemas
autónomos.

9
 Desarrollo Académico
El desarrollo académico se refiere al
conjunto de estrategias y prácticas que
buscan mejorar el aprendizaje y la
enseñanza en un contexto educativo,
específicamente en la educación superior.
Fomentar la calidad educativa, apoyar el
desarrollo profesional del personal
docente, y mejorar la experiencia de
aprendizaje de los estudiantes.
Importancia en la Universidad: Es
fundamental para asegurar que las
instituciones educativas cumplan con su
misión de proporcionar educación de alta
calidad y de preparar a los estudiantes para
el mundo laboral. 10
Evolución del Desarrollo Académico
Métodos Tradicionales vs. Modernos:
Tradicional: Enfoques centrados en la
enseñanza, donde el profesor es la
fuente principal de conocimiento.
Moderno: Enfoques centrados en el
aprendizaje, donde se utiliza
tecnología para facilitar la autonomía
y personalización del aprendizaje.

11
Tecnología en la Educación
EdTech: Herramientas y plataformas que
soportan el aprendizaje digital.
Blended Learning: Combinación de
enseñanza presencial con recursos y
actividades en línea.
Cambio de Paradigma: La tecnología ha
permitido una transición de métodos de
enseñanza unidireccionales a modelos
interactivos y centrados en el estudiante.

12
IA en el Desarrollo Académico
Transformación del Desarrollo Académico con IA: La IA está
cambiando la forma en que se enseña y se aprende, ofreciendo
herramientas para la personalización del aprendizaje, análisis de datos
educativos, y evaluación automatizada.
Plataformas Inteligentes: Herramientas que utilizan IA para ofrecer un
aprendizaje adaptativo, que se ajusta a las necesidades y progresos de
cada estudiante.
Innovación en Métodos de Enseñanza: La IA permite la creación de
experiencias de aprendizaje más dinámicas y efectivas, optimizando
tanto la enseñanza como el aprendizaje.

13
Desarrollo Científico
El desarrollo científico se refiere a
la progresión de conocimientos,
metodologías, y tecnologías que
expanden la comprensión humana
del mundo natural y artificial.
Avanzar en el conocimiento a
través de investigaciones rigurosas,
generación de teorías y modelos, y
aplicación de descubrimientos para
resolver problemas prácticos.
Importancia del Desarrollo
Científico: Es la base del progreso
tecnológico y social, influyendo en
todos los aspectos de la vida
moderna. 14
Evolución del Desarrollo Científico
Metodologías Científicas:
Tradicional: Método científico tradicional basado en observación,
hipótesis, experimentación, y conclusión.
Moderno: Incorporación de tecnologías avanzadas como simulaciones
por computadora y análisis de grandes volúmenes de datos.
Impacto de la Tecnología:
Nuevas Herramientas: Uso de software avanzado, modelado
matemático, y simulaciones que permiten explorar fenómenos que
antes eran inalcanzables.
Interdisciplinariedad: La ciencia moderna a menudo involucra la
colaboración entre múltiples disciplinas, con la tecnología como un
enlace común.
15
IA en el Desarrollo Científico
Aplicaciones de IA en la Investigación: La IA está
siendo utilizada para automatizar procesos de
investigación, analizar grandes volúmenes de
datos, y generar nuevas hipótesis.
Potencial Disruptivo: La IA tiene el potencial de
acelerar el ritmo de los descubrimientos científicos
y de abrir nuevas fronteras en áreas como la
biología computacional, la física teórica, y la
climatología.
Ejemplos de Uso: Herramientas de IA como
Watson de IBM que asisten a los científicos en la
búsqueda de patrones y la generación de hipótesis.

16
2. Áreas de aplicaciones y
herramientas

17
Asistentes Virtuales y Tutores Inteligentes
Asistentes virtuales son programas que interactúan
con los usuarios a través del lenguaje natural,
ayudando en tareas como el aprendizaje o la
organización personal. Los tutores inteligentes son
sistemas que proporcionan instrucción personalizada
y feedback en tiempo real.
Ejemplos de Herramientas:
Chatbots Educativos: Chatbots que guían a los
estudiantes a través de lecciones o tareas, ofreciendo
soporte en tiempo real. Ejemplos incluyen Duolingo y
Squirrel AI.
Plataformas de Tutoría Automatizada: Herramientas
como Knewton y Carnegie Learning que personalizan
las experiencias de aprendizaje de los estudiantes
basadas en sus necesidades individuales.
Ventajas: Mejora en la retención del conocimiento,
adaptación a diferentes estilos de aprendizaje, y
reducción de la carga de trabajo del docente. 18
Plataformas de Evaluación Automatizada
Plataformas que permiten la evaluación automatizada de exámenes,
ensayos, y otros trabajos académicos, ofreciendo feedback inmediato y
consistente.
Ejemplos:
Turnitin: Además de detección de plagio, permite evaluación
automatizada de ensayos.
Gradescope: Utilizado para la calificación de exámenes y tareas,
integrando algoritmos de IA para mejorar la eficiencia y precisión.
Impacto en el Aprendizaje: Reducción del tiempo necesario para la
evaluación, permitiendo a los docentes centrarse más en la enseñanza
y menos en tareas administrativas.
19
Herramientas de IA para la Investigación Científica
Herramientas que utilizan IA para facilitar el diseño, ejecución, y
análisis de experimentos científicos.
Ejemplos de Herramientas:
IBM Watson: Utilizado en biomedicina para identificar patrones y
generar hipótesis basadas en grandes volúmenes de datos.
Google DeepMind: Contribuciones en biología molecular, como la
predicción de estructuras de proteínas con AlphaFold.
Impacto en el Proceso Científico: Reducción del tiempo y costo de la
investigación, y generación de nuevos conocimientos que antes no eran
posibles con métodos tradicionales.
20
IA en la Revisión y Publicación de Investigación
Optimización del Proceso de Revisión: Herramientas que utilizan IA
para asistir en la revisión de manuscritos científicos, ayudando a
detectar errores, plagio, y mejorar la calidad de los trabajos.
Ejemplos de Herramientas:
StatReviewer: Analiza manuscritos en busca de errores estadísticos y
metodológicos.
Grammarly: Mejora la calidad lingüística de los manuscritos científicos.
Impacto en la Publicación Científica: Aceleración del proceso de
revisión por pares y mejora en la calidad general de los artículos
publicados.

21
IA en el Análisis de Grandes Volúmenes de Datos Científicos
Los grandes volúmenes de datos científicos presentan desafíos únicos
en términos de almacenamiento, procesamiento y análisis. La IA
proporciona herramientas para superar estos desafíos, permitiendo el
análisis de datos a una escala sin precedentes.
Herramientas y Ejemplos:
Hadoop: Plataforma que permite el procesamiento de grandes
volúmenes de datos científicos.
TensorFlow: Utilizado en el análisis de datos científicos para entrenar
modelos de aprendizaje profundo.
Impacto en la Investigación: Permite a los científicos analizar datos a
una escala que antes era imposible, lo que conduce a nuevos
descubrimientos y avances en múltiples campos.
22
Optimización de Experimentos con IA
Uso de algoritmos de IA para optimizar el diseño y ejecución de
experimentos científicos, minimizando recursos y maximizando
resultados.
Herramientas y Ejemplos:
Optuna: Herramienta de optimización automática que se utiliza para
mejorar el rendimiento de experimentos científicos.
DeepChem: Plataforma que aplica técnicas de aprendizaje profundo
para optimizar la química computacional.
Impacto en la Investigación: Mejora la eficiencia de los experimentos
científicos y permite la exploración de una gama más amplia de
variables y condiciones experimentales. 23
IA en la Automatización de Laboratorios
La IA permite la automatización de procesos rutinarios en laboratorios
científicos, desde la preparación de muestras hasta la ejecución de
experimentos.
Ejemplos de Automatización:
RoboRXN de IBM: Plataforma de IA que permite la automatización de
síntesis química en laboratorios.
Labster: Plataforma de simulación de laboratorios que utiliza IA para
ofrecer experiencias de laboratorio virtuales.
Impacto en la Ciencia: Aumenta la eficiencia y reduce la posibilidad de
errores humanos, permitiendo que los científicos se concentren en
tareas más complejas y creativas.
24
IA en la Ciencia de Datos
La ciencia de datos es un campo interdisciplinario que utiliza métodos,
procesos, algoritmos y sistemas científicos para extraer conocimiento y
perspectivas de datos en diversas formas.
Herramientas de IA en Ciencia de Datos:
Pandas y Scikit-Learn: Herramientas populares para la manipulación y
análisis de datos.
Keras y PyTorch: Frameworks de IA utilizados para desarrollar modelos
de aprendizaje profundo.
Impacto en la Investigación Científica: Mejora la capacidad de los
científicos para manejar grandes volúmenes de datos y desarrollar
modelos predictivos más precisos.

25
fuente: [Link]

26
Modelado y Simulación con IA
Uso de modelos basados en IA para simular fenómenos complejos en
diversas disciplinas científicas, desde la física hasta la biología.
Herramientas y Ejemplos:
MATLAB con IA: Herramientas que integran IA para mejorar
simulaciones y análisis de datos.
Simulaciones en Climatología: Uso de IA para mejorar la precisión de
los modelos climáticos y prever escenarios futuros.
Impacto en la Investigación: Permite explorar hipótesis y escenarios
que serían imposibles o prohibitivamente costosos de investigar
mediante experimentos físicos.
27
IA en la Ingeniería de Software
Uso de IA para mejorar el desarrollo, pruebas, y mantenimiento de
software.
Herramientas y Ejemplos:
DeepCode: Utiliza IA para detectar errores y sugerir mejoras en el
código fuente.
GitHub Copilot: Asistente de codificación impulsado por IA que ayuda a
los desarrolladores a escribir código más rápido y con menos errores.
Impacto en la Ingeniería de Software: Mejora en la calidad del
software y en la eficiencia del proceso de desarrollo.

28
IA en la Seguridad Cibernética
Uso de IA para identificar y mitigar amenazas de seguridad cibernética
de manera más rápida y precisa.
Herramientas y Ejemplos:
Darktrace: Utiliza IA para detectar y responder automáticamente a
ciberataques.
Cylance: Plataforma de seguridad cibernética que emplea IA para
prevenir amenazas antes de que ocurran.
Impacto en la Protección de Datos: Mejora en la detección de
amenazas y en la capacidad de respuesta ante incidentes de seguridad.

29
fuente: [Link] 30
3. Funcionamiento de ChatGPT

31
¿Qué es GPT (Generative Pre-trained
Transformer)?
GPT es una familia de modelos de lenguaje generativo desarrollados
por OpenAI. "Pre-trained" significa que estos modelos han sido
entrenados previamente en grandes cantidades de texto, y
"Transformer" se refiere a la arquitectura en la que se basa el modelo.
Arquitectura del Transformer: La arquitectura Transformer se compone
de capas de atención y feed-forward, que permiten al modelo procesar
palabras en paralelo, mejorando la eficiencia y la precisión en la
predicción del texto.
Ventajas de GPT: GPT puede generar texto coherente y contextualizado
porque entiende patrones y relaciones complejas en el lenguaje
natural.
32
Entrenamiento de ChatGPT
Proceso de Preentrenamiento: ChatGPT se entrena inicialmente en un
proceso llamado preentrenamiento, donde se expone a grandes
volúmenes de texto de internet. Durante este proceso, el modelo
aprende patrones lingüísticos, contextos y asociaciones semánticas.
Datos de Entrenamiento: Se utilizan datos masivos que incluyen libros,
artículos, sitios web, y otros textos públicos para enseñar al modelo a
comprender y generar lenguaje natural.
Ajuste Fino (Fine-Tuning): Tras el preentrenamiento, el modelo pasa
por un ajuste fino utilizando datasets más específicos para mejorar su
rendimiento en tareas particulares, adaptándose mejor a situaciones
de uso real.

33
34
Generación de Texto en ChatGPT
Proceso de Inferencia: ChatGPT genera texto prediciendo la próxima
palabra en una secuencia basada en el contexto dado. Este proceso se
llama inferencia, y se realiza token por token hasta que se completa la
secuencia.
Técnicas de Decodificación: Para controlar cómo se genera el texto, se
pueden utilizar varias técnicas de decodificación como Greedy Search
(búsqueda por fuerza bruta), Beam Search (búsqueda en haz), y
muestreo top-k/top-p, que permiten controlar la creatividad y
diversidad de la salida.
Ejemplo de Generación: Cómo ChatGPT respondería a la pregunta
"¿Qué es la inteligencia artificial?", mostrando cómo se predicen y
seleccionan las palabras más probables.

35
Controlando la Salida del Modelo
Temperatura: La temperatura es un parámetro que controla la
aleatoriedad en las respuestas generadas. Una temperatura baja hace
que el modelo elija palabras más probables, mientras que una alta
introduce más creatividad y variación.
Longitud de la Respuesta: Puedes controlar la longitud de la salida
limitando la cantidad de tokens (fragmentos de palabras) que se
generan.
Ejemplo Comparativo: Mostrar cómo una misma pregunta podría
generar diferentes respuestas con ajustes de temperatura y longitud,
demostrando el impacto de estos parámetros.

36
4. Futuro de la IA

37
Futuro de la IA en el Desarrollo Académico y Científico
Tendencias Futuras:
IA Explicativa: Desarrollo de modelos de IA que no solo son precisos,
sino también interpretables y explicativos.
Ética en la IA: Consideraciones éticas en el uso de IA en la educación y
la investigación científica.
IA Colaborativa: Sistemas de IA que facilitan la colaboración entre
investigadores y educadores.
Desafíos y Oportunidades: Equilibrar el potencial de la IA con los
desafíos éticos y prácticos, como la privacidad, la equidad y el acceso a
la tecnología.
Impacto a Largo Plazo: Cómo la IA podría redefinir el futuro del
desarrollo académico y científico.
38
Video:

39
Actividad en clase
Objetivo:
Fomentar la comprensión y aplicación de las herramientas de inteligencia
artificial (IA) en el desarrollo académico y científico, mediante el análisis y
presentación de ejemplos prácticos en un entorno colaborativo.
Instrucciones:
Formación de Grupos: Organícense en grupos de 3 a 4 personas.
Selección del Tema: Cada grupo debe elegir un tema relacionado con el uso
de herramientas de IA en el desarrollo académico o científico.
Los temas disponibles son:
• Automatización de Tareas Académicas
• Personalización del Aprendizaje
• Optimización de Experimentos
• Análisis de Grandes Volúmenes de Datos Científicos
• IA en la Modelización del Cambio Climático

40
Actividad en clase
Investigación y Discusión:
Discutan en grupo cómo las herramientas de IA elegidas impactan en el área
seleccionada.
Investigen ejemplos reales de cómo estas herramientas se utilizan en el
campo, incluyendo beneficios y desafíos.
Elaboración del Resumen:
Elaboren un resumen conciso que explique:
• La importancia del tema en el desarrollo académico o científico.
• Ejemplos de herramientas de IA específicas utilizadas en ese campo.
• El impacto de estas herramientas en la mejora de los procesos
académicos o científicos.
Asegúrense de que todos los miembros del grupo comprendan el contenido.
Tiempo Total:
Investigación y Elaboración del Resumen: 25 minutos.
41
Conclusiones
• Transformación del Aprendizaje: La inteligencia artificial está
redefiniendo el desarrollo académico, personalizando el aprendizaje y
automatizando tareas administrativas, lo que permite una educación más
inclusiva y eficiente.
• Avances en la Investigación: En el ámbito científico, la IA facilita el
manejo de grandes volúmenes de datos, optimiza experimentos y
acelera descubrimientos en diversas disciplinas, ampliando los límites del
conocimiento humano.
• Impacto Transversal: Aunque la IA ofrece soluciones innovadoras, su
implementación debe considerarse cuidadosamente, abordando desafíos
éticos y técnicos para garantizar su sostenibilidad y equidad en el acceso
a estas tecnologías.
• Futuro Prometedor: La evolución continua de la IA sugiere un futuro en el
que estas herramientas serán esenciales para el progreso académico y
científico, con un impacto profundo y duradero en cómo aprendemos,
investigamos y resolvemos problemas complejos.
42
Bibliografía
Anderson, M. H., & Gerbing, D. W. (1988). Structural Equation Modeling in Practice: A Review
and Recommended Two-Step Approach. Psychological Bulletin, 103(3), 411-423.

Fan, J., Han, F., & Liu, H. (2014). Challenges of Big Data Analysis. National Science Review,
1(2), 293-314.

Frey, C. B., & Osborne, M. A. (2017). The Future of Employment: How Susceptible Are Jobs to
Computerisation? Technological Forecasting and Social Change, 114, 254-280.

Koonin, E. V., & Makarova, K. S. (2019). CRISPR-Cas: Evolution and New Applications. Nature
Reviews Microbiology, 17(5), 307-321.

McKinney, W. (2010). Data Structures for Statistical Computing in Python. Proceedings of the
9th Python in Science Conference, 51-56.

43
Bibliografía
Menzies, T., & Pecheur, C. (2005). Verification and Validation and Artificial Intelligence. AI
Magazine, 26(4), 83-98.

Meuwissen, T. H., Hayes, B. J., & Goddard, M. E. (2001). Prediction of Total Genetic Value
Using Genome-Wide Dense Marker Maps. Genetics, 157(4), 1819-1829.

Snoek, J., Larochelle, H., & Adams, R. P. (2012). Practical Bayesian Optimization of Machine
Learning Algorithms. Advances in Neural Information Processing Systems, 25, 2951-2959.

Sommer, P., & Brown, I. (2011). Reducing Systemic Cybersecurity Risk. Organisation for
Economic Co-operation and Development (OECD) Working Paper.

Wang, K., & Zhou, L. (2015). The State-of-the-Art in Power Grid Optimization with Big Data
and AI. IEEE Transactions on Smart Grid, 7(5), 2361-2372.

44
Bibliografía
Eyring, V., Bony, S., Meehl, G. A., Senior, C. A., Stevens, B., Stouffer, R. J., & Taylor, K. E. (2016).
Overview of the Coupled Model Intercomparison Project Phase 6 (CMIP6) Experimental Design
and Organization. Geoscientific Model Development, 9(5), 1937-1958.

Bostrom, N., & Yudkowsky, E. (2014). The Ethics of Artificial Intelligence. In The Cambridge
Handbook of Artificial Intelligence (pp. 316-334). Cambridge University Press.

Coley, C. W., Green, W. H., & Jensen, K. F. (2019). Machine Learning in Computer-Aided
Synthesis Planning. Accounts of Chemical Research, 51(5), 1281-1289.
OpenAI. (2023). ChatGPT: Optimizing language models for dialogue. Retrieved from
[Link]
Eloundou, T., Manning, S., Mishkin, P., & Rock, D. (2023). GPTs are GPTs: An early look at the
labor market impact potential of large language models. OpenAI. Retrieved from
[Link]
45