Conceptos básicos de IA

Introducción a la inteligencia
artificial
Completado100 XP
 2 minutos

La inteligencia artificial permite crear un software increíble que puede mejorar

la atención sanitaria, ayudar a las personas a superar desventajas físicas,
habilitar infraestructuras inteligentes, crear experiencias de entretenimiento
increíbles e incluso salvar el planeta.

Vea el vídeo siguiente para ver algunas maneras en las que se puede usar la
inteligencia artificial.

¿Qué es la inteligencia artificial?

En pocas palabras, la inteligencia artificial es el software que imita
comportamientos y capacidades humanas. Las cargas de trabajo clave incluyen:

 Aprendizaje automático: a menudo es la base de un sistema de IA

y es la forma de "enseñar" a un modelo informático a realizar
predicciones y obtener conclusiones a partir de los datos.
 Visión artificial: las funcionalidades dentro de la IA para poder
interpretar el mundo visualmente a través de cámaras, vídeos e
imágenes.
 Procesamiento de lenguaje natural: las funcionalidades dentro de
la IA para poder interpretar el lenguaje escrito o hablado, y responder
en consecuencia.
 Inteligencia de documentos: funcionalidades dentro de la IA que
se encargan de administrar, procesar y usar grandes volúmenes de
datos encontrados en formularios y documentos.
 Minería de conocimiento: funcionalidades dentro de la IA para
extraer información de grandes volúmenes de datos, a menudo, no
estructurados para crear un almacén de conocimiento que permite
realizar búsquedas.
 Inteligencia artificial generativa: funcionalidades dentro de la IA
que crean contenido original en una variedad de formatos, como
lenguaje natural, imagen, código, etc.
Descripción del aprendizaje
automático
Completado100 XP
 4 minutos

El aprendizaje automático es la base de la mayoría de soluciones de inteligencia

artificial. Desde los años 50, los investigadores, a menudo, conocidos
como científicos de datos, han trabajado en diferentes enfoques relacionados
con la inteligencia artificial. La mayoría de las aplicaciones modernas de IA
tienen sus orígenes en el aprendizaje automático, una rama de inteligencia
artificial que combina la informática y las matemáticas.

Para empezar, se examinará un ejemplo real de cómo se puede usar el

aprendizaje automático para solucionar un problema difícil.

Las técnicas agrícolas sostenibles son esenciales para maximizar la producción

alimentaria y proteger un medioambiente frágil. The Yield, una empresa de
tecnología agrícola australiana, usa sensores, datos y aprendizaje automático
para ayudar a los agricultores a tomar decisiones fundamentadas relacionadas
con las condiciones meteorológicas, del suelo y los cultivos.

Vea el vídeo siguiente para obtener más información.

Funcionamiento del aprendizaje automático

Entonces, ¿cómo aprenden las máquinas?

La respuesta es: a partir de los datos. En el mundo actual, se crean enormes

volúmenes de datos en el transcurso de la vida cotidiana. A partir de los
mensajes de texto, los correos electrónicos y las publicaciones en redes sociales
a las que se envían las fotografías y vídeos que se toman en los teléfonos, se
generan cantidades masivas de información. Millones de sensores crean todavía
más datos en hogares, automóviles, ciudades, infraestructura de transporte
público y fábricas.

Los científicos de datos pueden usar todos esos datos para entrenar modelos de
Machine Learning que pueden realizar predicciones e inferencias en función de
las relaciones que encuentran en los datos.

Los modelos de Machine Learning intentan capturar la relación entre los datos.
Por ejemplo, imagine que una organización de conservación del medioambiente
busca voluntarios para identificar y catalogar diferentes especies de flores
silvestres mediante una aplicación telefónica. En la animación siguiente se
muestra cómo se puede usar el aprendizaje automático para habilitar este
escenario.
 1. Un equipo de botánicos y científicos recopila datos sobre muestras de
flores silvestres.
2. El equipo etiqueta las muestras con la especie correcta.
3. Los datos etiquetados se procesan con un algoritmo que encuentra
relaciones entre las características de las muestras y las especies
etiquetadas.
4. Los resultados del algoritmo se encapsulan en un modelo.
5. Cuando los voluntarios encuentran muestras nuevas, el modelo
puede identificar la etiqueta de la especie correcta.

Los enfoques relacionados con la IA han mejorado para completar tareas de

mayor complejidad. Estos modelos complejos forman la base de las
funcionalidades de la IA.

Aprendizaje automático en Microsoft Azure

Microsoft Azure proporciona el servicio Azure Machine Learning, una
plataforma basada en la nube para crear, gestionar y publicar modelos de
Machine Learning. Azure Machine Learning Studio ofrece varias
experiencias de creación, como:

 Aprendizaje automático automatizado: esta característica

permite a los usuarios no expertos crear con rapidez un modelo de
Machine Learning efectivo a partir de datos.
 Diseñador de Azure Machine Learning: una interfaz gráfica que
permite el desarrollo sin necesidad de código de las soluciones de
aprendizaje automático.
 Visualización de métricas de datos: analice y optimice los
experimentos con visualización.
  Notebooks: escriba y ejecute su propio código en servidores de
Jupyter Notebook administrados que estén integrados directamente
en Studio.

Descripción de la visión informática

Completado100 XP
 5 minutos

La visión informática es un área de la inteligencia artificial que trata el

procesamiento visual. Ahora se explorarán algunas de las posibilidades que
ofrece.

La aplicación Seeing AI es un buen ejemplo del potencial de la visión

informática. Diseñada para usuarios invidentes y con visión reducida, la
aplicación Seeing AI aprovecha la eficacia de la inteligencia artificial para abrir
el mundo visual y describir personas, texto y objetos cercanos.

Vea el vídeo siguiente para obtener más información sobre Seeing AI.

Para obtener más información, visite la página web de Seeing AI.

Modelos y funciones de Computer Vision

La mayoría de las soluciones de visión artificial se basan en modelos de Machine
Learning que se pueden aplicar a la entrada visual de cámaras, videos o
imágenes. En la tabla siguiente se describen aplicaciones comunes de visión
informática.

Tarea Descripción
Clasificación de
imágenes

La clasificación de imágenes implica entrenar un modelo de Machine

Learning para clasificar imágenes en función de sus contenidos. Por
Tarea Descripción
ejemplo, en una solución de control del tráfico, podría usar un modelo de
clasificación de imágenes para clasificar las imágenes según el tipo de
vehículo que contienen, como taxis, autobuses, ciclistas, etc.
Detección de
objetos

Los modelos de Machine Learning de detección de objetos están entrenados

para clasificar objetos individuales dentro de una imagen, y para identificar
su ubicación con un rectángulo delimitador. Por ejemplo, una solución de
control del tráfico podría usar la detección de objetos para identificar la
ubicación de diferentes clases de vehículos.
Segmentación
semántica

La segmentación semántica es una técnica avanzada de aprendizaje

automático en la que los píxeles individuales de la imagen se clasifican
según el objeto al que pertenecen. Por ejemplo, una solución de control del
tráfico podría superponer imágenes de tráfico con capas de "máscara" para
resaltar diferentes vehículos mediante colores concretos.
Tarea Descripción
Análisis de
imágenes

Puede crear soluciones que combinen modelos de Machine Learning con

técnicas avanzadas de análisis de imágenes para extraer información de las
imágenes, incluidas "etiquetas" que podrían ayudar a catalogar la imagen o
incluso subtítulos descriptivos que resuman la escena que se muestra en la
imagen.
Detección, análisis
y reconocimiento
de caras

La detección de caras es una forma especializada de detección de objetos

que busca caras humanas en una imagen. Esto se puede combinar con
técnicas de clasificación y análisis de geometría facial para reconocer a los
individuos en función de sus rasgos faciales.
Tarea Descripción
Reconocimiento
óptico de caracteres
(OCR)

El reconocimiento óptico de caracteres es una técnica que se usa para

detectar y leer texto en imágenes. Puede usar OCR para leer texto en
fotografías (por ejemplo, señales de tráfico o escaparates de tiendas), o bien
para extraer información de documentos escaneados, como cartas, facturas o
formularios.

Servicios de visión artificial en Microsoft Azure

Puede usar Visión de Azure AI de Microsoft para desarrollar soluciones de
visión por ordenador. Las características de servicio están disponibles para su
uso y pruebas en Azure Vision Studio y otros lenguajes de programación.
Algunas características de Visión de Azure AI son:

 Análisis de imagen: funcionalidades para analizar imágenes y

vídeos y extraer descripciones, etiquetas, objetos y texto.
 Face: funcionalidades que permiten crear soluciones de detección de
caras y reconocimiento facial.
 Reconocimiento óptico de caracteres (OCR): funcionalidades
para extraer texto impreso o manuscrito de imágenes, lo que permite
el acceso a una versión digital del texto escaneado.

Descripción del procesamiento de

lenguaje natural
Completado100 XP
 4 minutos
El procesamiento del lenguaje natural (PNL) es el área de la IA que se ocupa de
crear software capaz de entender el lenguaje escrito y hablado.

PNL permite crear software que puede hacer lo siguiente:

 Analizar e interpretar texto en documentos, mensajes de correo

electrónico y otros orígenes.
 Interpretar el lenguaje hablado y sintetizar las respuestas del habla.
 Traducir automáticamente frases habladas o escritas entre idiomas.
 Interpretar comandos y determinar las acciones apropiadas.

Por ejemplo, Starship Commander es un juego de realidad virtual (VR) de

Human Interact, que tiene lugar en un mundo de ciencia ficción. En el juego se
usa el procesamiento de lenguaje natural para permitir que los jugadores
controlen la narración e interactúen con los personajes y los sistemas de naves
del juego.

Vea el vídeo siguiente para obtener más información.

Procesamiento de lenguaje natural en

Microsoft Azure
Puede usar el Lenguaje de Azure AI de Microsoft para crear soluciones de
procesamiento de lenguaje natural. Algunas características del Lenguaje de
Azure AI son la comprensión y el análisis de texto, el entrenamiento de modelos
de lenguaje conversacional que pueden comprender comandos hablados o
basados en texto, y la creación de aplicaciones inteligentes.

Voz de Azure AI de Microsoft es otro servicio que se puede usar para crear
soluciones de procesamiento de lenguaje natural. Entre las características de
Voz de Azure AI se incluyen el reconocimiento de voz y la síntesis, las
traducciones en tiempo real, las transcripciones de conversaciones y mucho
más.

El Traductor de Azure IA de Microsoft usa un modelo de traducción

automática neuronal (NMT) para la traducción, que analiza el contexto
semántico del texto para ofrecer, como resultado, una traducción más precisa y
completa.

Puede explorar las características de Lenguaje de Azure AI en las características

de Azure Language Studio y Voz de Azure AI en Azure Speech Studio. Las
características de servicio están disponibles para su uso y pruebas en los
estudios y otros lenguajes de programación.
Descripción de la minería de
conocimiento e inteligencia de
documentos
Completado100 XP
 3 minutos

La inteligencia de documentos es el área de la inteligencia artificial que se

ocupa de la administración, el procesamiento y el uso de grandes volúmenes de
datos diversos encontrados en formularios y documentos. La inteligencia de
documentos le permite crear software que pueda automatizar el procesamiento
de contratos, documentos de salud, formularios financieros y mucho más

Inteligencia de documentos en Microsoft Azure

Puede usar Documento de inteligencia de Azure AI de Microsoft para crear
soluciones que administren y aceleren la recopilación de datos a partir de
documentos escaneados. Las características de Documento de inteligencia de
Azure AI ayudan a automatizar el procesamiento de documentos en
aplicaciones y flujos de trabajo, mejorar las estrategias controladas por datos y
enriquecer las funcionalidades de búsqueda de documentos. Se pueden usar
modelos precompilados para agregar procesamiento inteligente de documentos
para facturas, recibos, tarjetas de seguros de salud, formularios fiscales, etc.
También se puede usar Documento de inteligencia de Azure AI para crear
modelos personalizados con sus propios conjuntos de datos etiquetados. Las
características de servicio están disponibles para su uso y pruebas
en Document Intelligence Studio y otros lenguajes de programación.
Minería de conocimientos
La minería de conocimiento es el término que se usa para describir
soluciones que implican la extracción de información de grandes volúmenes de
datos, a menudo no estructurados, para crear un almacén de conocimiento
indexado.

Minería de conocimientos en Microsoft Azure

Una solución de minería del conocimiento de Microsoft es Búsqueda de Azure
AI, una solución de búsqueda empresarial privada que incluye herramientas
para crear índices. Los índices se pueden usar solo internamente o para
habilitar contenido que permita búsquedas en recursos de Internet de acceso
público.

Búsqueda de Azure AI puede usar las funcionalidades integradas de inteligencia

artificial de servicios de Azure AI, como el procesamiento de imágenes, la
inteligencia de documentos y el procesamiento del lenguaje natural para
extraer datos. Gracias a las funcionalidades de inteligencia artificial del
producto, se pueden indexar documentos que antes no permitían búsquedas y
acceder rápidamente a información de grandes cantidades de datos.
Descripción de la inteligencia
artificial generativa
Completado100 XP
 2 minutos

La IA generativa describe una categoría de funcionalidades dentro de la

inteligencia artificial que crean contenido original. Las personas interactúan
normalmente con la IA generativa que se ha integrado en aplicaciones de chat.
Las aplicaciones de IA generativa toman entradas de lenguaje natural y
devuelven respuestas adecuadas en una variedad de formatos, como lenguaje
natural, imagen, código y audio.

Inteligencia artificial generativa en

Microsoft Azure
En Microsoft Azure, puede usar el servicio Azure OpenAI para crear
soluciones de IA generativas. Azure OpenAI Service es la solución en la nube de
Microsoft para implementar, personalizar y hospedar modelos de inteligencia
artificial generativa. Reúne lo mejor de los modelos y las API de vanguardia de
OpenAI, pero con la seguridad y la escalabilidad de la plataforma de nube de
Azure.

Azure OpenAI admite muchas opciones de modelos básicos que pueden

satisfacer diferentes necesidades. Las características de servicio están
disponibles para su uso y pruebas en Estudio de IA de Azure y otros
lenguajes de programación. Puede usar la interfaz de usuario de Estudio de IA
de Azure para administrar, desarrollar y personalizar modelos de IA generativa.
 Desafíos y riesgos con la
inteligencia artificial
Completado100 XP
 3 minutos

La Inteligencia artificial es una herramienta poderosa que se puede usar para

beneficiar enormemente al mundo. Pero como cualquier herramienta, se debe
utilizar de manera responsable.

En la tabla siguiente se muestran algunos de los posibles desafíos y riesgos a

los que se enfrenta un desarrollador de aplicaciones de inteligencia artificial.

esafío o riesgo Ejemplo

sesgo puede afectar a los resultados. Un modelo de aprobación de préstamos discrimina por sexo debido a
un sesgo en los datos con los que se entrenó.
os errores pueden causar daños. Un vehículo autónomo experimenta un error del sistema y provoca una
colisión.
podrían exponer datos. Un bot de diagnóstico médico se entrena con datos confidenciales de
pacientes, que se almacenan de forma insegura.
posible que las soluciones no funcionen Un asistente de automatización del hogar no proporciona ninguna salida
ra todos los usuarios. de audio para usuarios con discapacidades visuales.
os usuarios deben confiar en un sistema Una herramienta financiera basada en inteligencia artificial realiza
mplejo. recomendaciones de inversión: ¿en qué se basan?
Quién es responsable de las decisiones Se condena a una persona inocente de un crimen basándose en las
sadas en la inteligencia artificial? evidencias del reconocimiento facial: ¿quién es responsable?
Descripción de la inteligencia
artificial responsable
Completado100 XP
 10 minutos

En Microsoft, el desarrollo de software de inteligencia artificial se guía por un

conjunto de seis principios diseñados para garantizar que las aplicaciones de
inteligencia artificial ofrezcan soluciones sorprendentes a problemas difíciles sin
consecuencias negativas no deseadas.

Imparcialidad
Los sistemas de IA deberían tratar a todas las personas de manera equitativa.
Por ejemplo, imagine que crea un modelo de Machine Learning para admitir una
solicitud de aprobación de préstamo para un banco. El modelo debe predecir si
el préstamo se debe aprobar o denegar sin sesgo. Este sesgo podría estar
basado en el sexo, la etnia u otros factores que den lugar a una ventaja o
desventaja injusta a determinados grupos de solicitantes.

Azure Machine Learning incluye la capacidad de interpretar modelos y

cuantificar en qué medida cada característica de los datos influye en la
predicción del modelo. Esta capacidad ayuda a los científicos y desarrolladores
de datos a identificar y mitigar sesgos en el modelo.

Otro ejemplo es la implementación de Microsoft de Inteligencia artificial

responsable con el servicio Face, que retira las funcionalidades de
reconocimiento facial que se pueden usar para intentar deducir los estados
emocionales y los atributos de identidad. Estas funcionalidades, si se usan
incorrectamente, pueden someter a personas a estereotipos, discriminación o
denegación de servicio injusta.

Para obtener más información sobre las consideraciones de imparcialidad, vea

el vídeo siguiente.

Confiabilidad y seguridad
Los sistemas de inteligencia artificial deben funcionar de manera confiable y
segura. Por ejemplo, considere un sistema de software basado en IA para un
vehículo autónomo; o bien, un modelo de Machine Learning que diagnostica los
síntomas del paciente y recomienda recetas. La falta de confiabilidad en este
tipo de sistemas puede resultar en un riesgo sustancial para la vida humana.
El desarrollo de aplicaciones de software basadas en inteligencia artificial debe
someterse a rigurosos procesos de prueba y administración de
implementaciones para garantizar que funcionen de la forma esperada antes de
su lanzamiento.

Para obtener más información sobre consideraciones de fiabilidad y seguridad,

vea el siguiente vídeo.

Privacidad y seguridad
Los sistemas de inteligencia artificial deben ser seguros y respetar la privacidad.
Los modelos de Machine Learning en los que se basan los sistemas de
inteligencia artificial dependen de grandes volúmenes de datos, que pueden
contener datos personales que deben mantenerse privados. Incluso después de
entrenar los modelos y estar el sistema en producción, es necesario tener en
cuenta la privacidad y la seguridad. A medida que el sistema usa nuevos datos
para realizar predicciones o tomar medidas, tanto los datos como las decisiones
tomadas a partir de los datos pueden estar sujetos a problemas de privacidad o
seguridad.

Para obtener más información sobre las consideraciones de privacidad y

seguridad, vea el vídeo siguiente.

Inclusión
Los sistemas de inteligencia artificial deben empoderar a todos e involucrar a
las personas. La inteligencia artificial debería aportar beneficios a todos los
sectores de la sociedad, independientemente de su capacidad física, género,
orientación sexual, origen étnico u otros factores.

Para obtener más información sobre las consideraciones de inclusividad, vea el

vídeo siguiente.

Transparencia
Los sistemas de inteligencia artificial deben ser comprensibles. Los usuarios
deben ser plenamente conscientes del propósito del sistema, su funcionamiento
y las limitaciones que se pueden esperar.

Para obtener más información sobre las consideraciones de transparencia, vea

el vídeo siguiente.

Responsabilidad
Las personas deberían ser responsables de los sistemas de inteligencia artificial.
Los diseñadores y desarrolladores de soluciones basadas en IA deben trabajar
dentro de un marco de principios organizacionales y de gobernanza que
garanticen que la solución cumpla con los estándares éticos y legales que están
claramente definidos.

Para obtener más información sobre las consideraciones de responsabilidad,

vea el vídeo siguiente.

Los principios de la inteligencia artificial responsable pueden ayudarle a

entender algunos de los desafíos a los que se enfrentan los desarrolladores a
medida que intentan crear soluciones éticas de inteligencia artificial.

Recursos adicionales
Para obtener más recursos que le ayuden a poner en práctica los principios de
IA, vea [Link]

Para ver estas directivas en acción, puede leer el marco de Microsoft para crear
sistemas de inteligencia artificial de forma responsable.