Experience AI: glosario de términos

Este glosario explica los términos clave de inteligencia artificial (IA) y aprendizaje
automático (AA, Machine Learning o ML en inglés) que se utilizan en las Lecciones de
Experience AI y en otros materiales.

Ir al glosario

Estas explicaciones están dirigidas a docentes, y orientadas a un público joven. Con este
glosario, queremos ayudar a reforzar tus competencias sobre estos términos clave, así
como a mejorar tu conocimiento técnico.

El vocabulario es una parte importante del proceso de enseñanza-aprendizaje. Su uso

correcto puede ayudar al alumnado a desarrollar su conocimiento, mientras que un uso
incorrecto puede generar ideas erróneas que dificulten el aprendizaje. Consulta nuestra Guía
rápida sobre pedagogía para obtener más información sobre el concepto de ideas erróneas.
Como docente, un uso frecuente y coherente de vocabulario técnico y preciso puede ayudar
a que tu alumnado comprenda mejor los conceptos.

Hemos utilizado la teoría de las "olas semánticas" como referencia para redactar las
explicaciones. De este modo, cada definición sigue una misma estructura, dividida en tres
partes: la primera es una explicación más abstracta del término, la segunda desglosa el
significado del término utilizando un ejemplo común y la tercera vuelve a abordar el término
con un lenguaje más abstracto para conectar nuevamente con el vocabulario técnico.
Consulta nuestra Guía rápida sobre pedagogía para obtener información sobre el concepto
de olas semánticas.

Esta es la versión 1 del glosario. Este glosario se completará, revisará y actualizará

conforme evolucionen las lecciones de Experience AI.
Tabla de contenido

Alfabetización en IA
Aprendizaje automático
Aprendizaje no supervisado
Aprendizaje por refuerzo
Aprendizaje supervisado
Árbol de decisiones de aprendizaje automático
Característica de aprendizaje automático
Ciclo de vida del proyecto de IA
Clase de aprendizaje automático
Clasificación de aprendizaje automático
Datos de entrenamiento de aprendizaje automático
Datos de prueba de aprendizaje automático
Datos
Depuración de los datos
Entrenamiento de aprendizaje automático
Etiqueta de aprendizaje automático
Explicabilidad del aprendizaje automático
Fiabilidad del aprendizaje automático
IA generativa
Inteligencia artificial
Modelo de aprendizaje automático
Nodo de árbol de decisiones de aprendizaje automático
Precisión del aprendizaje automático
Predicción del aprendizaje automático
Sesgo de datos
Sesgo social
Sesgo
Tarjeta de modelo de aprendizaje automático
Tecnología basada en datos
Tecnología basada en reglas
Umbral de fiabilidad del aprendizaje automático
Visión artificial

Alfabetización en IA
La alfabetización en IA es un conjunto de competencias y formas de pensar que permite a las
personas interactuar de manera adecuada con las aplicaciones de IA, y comprender los contextos
en que se utilizan. Estas competencias incluyen la comprensión de la IA, la participación en el
desarrollo de sistemas de IA y los conocimientos informados sobre sus aplicaciones en el mundo.
Por ejemplo, una persona alfabetizada en IA podría evaluar el nivel de precisión de la información
que ofrece un chatbot. Además de interactuar con estas aplicaciones, la alfabetización en IA
también implica la capacidad de participar activamente en el proceso de decisión sobre cómo se
deberían utilizar los sistemas de IA en su entorno.

Aprendizaje automático
El aprendizaje automático (AA, conocido como “Machine Learning” o ML en inglés) es un enfoque
que se utiliza para diseñar y desarrollar sistemas de IA. A diferencia de los sistemas que siguen
instrucciones paso a paso, el AA se basa en ejemplos o datos para aprender y mejorar. En otras
palabras, las aplicaciones de AA están basadas en datos. Por ejemplo, una aplicación de AA
diseñada para reconocer el habla, se entrena con grabaciones de personas que hablan con
distintos acentos y tonos. Otras aplicaciones de AA son, por ejemplo, la identificación de objetos en
imágenes o los juegos complejos. Cada aplicación de AA está diseñada para resolver un problema
específico.

Aprendizaje no supervisado
El aprendizaje no supervisado es un enfoque que se utiliza para entrenar modelos de aprendizaje
automático (AA, conocido como “Machine Learning” o ML en inglés) sin etiquetas previas en los
datos. En este tipo de aprendizaje, los desarrolladores entrenan modelos para organizar los datos
según sus similitudes, lo que permite descubrir patrones ocultos. Un ejemplo de problema de
aprendizaje no supervisado es la clasificación, donde los datos se organizan en “grupos” que no se
conocen de antemano. Por ejemplo, con respecto a la información de salud, el modelo podría
agrupar datos de pacientes para ayudar en el diagnóstico de enfermedades. Este tipo de
aprendizaje es útil en problemas en los que no se sabe de antemano qué patrones se buscan.

Aprendizaje por refuerzo

El aprendizaje por refuerzo es un enfoque que se utiliza para entrenar modelos de aprendizaje
automático (AA, conocido como “Machine Learning” o ML en inglés). En situaciones con un
objetivo claro, donde se emplean recompensas y penalizaciones para alcanzarlo. Este método es
útil en el diseño de vehículos autónomos y en juegos complejos. Por ejemplo, al crear una
aplicación de ajedrez, un modelo se entrenaría para predecir los movimientos que maximicen las
recompensas y minimicen las penalizaciones, con el fin de ganar el juego. Este tipo de aprendizaje
permite que el modelo descubra estrategias efectivas al recibir recompensas y penalizaciones a
medida que intenta alcanzar el objetivo.

Aprendizaje supervisado
El aprendizaje supervisado es un enfoque que se utiliza para entrenar modelos de aprendizaje
automático (AA, conocido como “Machine Learning” o ML en inglés) a partir de datos etiquetados
por personas con información relevante. La clasificación es un tipo de aprendizaje supervisado.
Por ejemplo, la identificación de tigres en estado salvaje es un problema de clasificación: el
conjunto de datos incluye numerosas imágenes, y las que contienen tigres están etiquetadas como
tales.
El modelo de AA se entrena con estas imágenes etiquetadas y aprende a predecir si hay un tigre en
nuevas imágenes. Disponer de etiquetas precisas permite al desarrollador evaluar la precisión de
las predicciones del modelo y ajustar su entrenamiento. Así, el modelo de AA podrá predecir con
fiabilidad la presencia de tigres en imágenes completamente nuevas. La efectividad del aprendizaje
supervisado depende de contar con suficientes datos etiquetados de manera precisa.

Árbol de decisiones de aprendizaje automático

El árbol de decisiones de aprendizaje automático (AA, conocido como “Machine Learning” o ML) es
un tipo de modelo de AA. Los desarrolladores de AA utilizan árboles de decisiones para estructurar
los conjuntos de condiciones en función de las cuales se puede hacer una predicción. Estas se
derivan de características de los datos. Por ejemplo, se podría utilizar un árbol de decisión para
desarrollar un sistema de recomendación de películas. El modelo de árbol de decisiones está se
entrena a partir de las preferencias cinematográficas de muchas personas. Durante el
entrenamiento, las condiciones se generan en función de características como el género de la
película, la duración o el actor o la actriz principal. El modelo de AA genera una predicción sobre las
películas que podrían gustar a alguien en función de cómo sus preferencias coinciden con las
condiciones del modelo. La estructura de los árboles de decisión de AA se genera a partir de
grandes volúmenes de datos y puede cambiar si se vuelve a entrenar con diferentes datos.

Característica de aprendizaje automático

En aprendizaje automático (AA, conocido como “Machine Learning” o ML en inglés), las
características representan rasgos asociados a los datos. Por ejemplo, un conjunto de datos
musicales puede tener características como el ritmo, el tono, la energía o el género. Algunos
modelos de AA se entrenan con estas características para encontrar similitudes en los datos,
mientras que otros, predicen nuevas características en los datos que no son fácilmente
observables por las personas. Elegir qué características usar al entrenar un modelo de AA puede
marcar la diferencia en el rendimiento del modelo.

Ciclo de vida del proyecto de IA

El ciclo de vida del proyecto de IA hace referencia a las distintas etapas necesarias para diseñar y
desarrollar un modelo de aprendizaje automático (AA, conocido como “Machine Learning” o ML en
inglés). Entre estas etapas se incluyen:- La definición del problema- La preparación de los datos- El
entrenamiento del modelo- Las pruebas- La evaluación- La explicación del modelo Por ejemplo, en
un proyecto para crear listas de reproducción de canciones, un desarrollador podría comenzar
definiendo el tipo de lista que se busca generar. A continuación, recopilaría y prepararía datos de
canciones, entrenaría el modelo con esta información y lo pondría a prueba. Finalmente, evaluaría
si el modelo funciona como se espera y explicaría cómo utilizarlo. El ciclo de vida de un proyecto
de IA suele ser constante, es decir, estas etapas se repiten para perfeccionar el modelo de forma
continua.
Clase de aprendizaje automático
Con el fin de entrenar a los modelos de clasificación, los desarrolladores de aprendizaje
automático (AA, conocido como “Machine Learning” o ML en inglés) organizan los datos en
grupos predefinidos que se conocen como “clases”. Las clases están definidas según los criterios
de agrupación que las personas consideran más útiles. Imaginemos una aplicación de AA diseñada
para identificar frutas en un supermercado. Los datos podrían organizarse en clases de manzanas,
plátanos, naranjas, arándanos, entre otros. Cada clase agrupa elementos que el modelo de
clasificación utiliza para identificar similitudes en los datos.

Clasificación de aprendizaje automático

La clasificación es el proceso de asignar elementos a los grupos predefinidos, también llamados
clases. Estas clases se establecen según criterios de agrupación que se consideran útiles. Un
ejemplo de problema de clasificación es el análisis de opiniones de reseñas de canciones.
Imaginemos que un modelo de aprendizaje automático (AA, conocido como “Machine Learning” o
ML en inglés) entrenado con reseñas etiquetadas como “positivas” o “negativas” por los usuarios.
Después del entrenamiento, el modelo puede predecir si una nueva reseña debería clasificarse
como “positiva” o “negativa”. De este modo, el modelo de clasificación es capaz de asignar una o
más etiquetas a los datos. Este enfoque de clasificación es útil para resolver problemas en los que
las respuestas pueden organizarse en grupos predefinidos.

Datos de entrenamiento de aprendizaje

automático
En aprendizaje automático (AA, conocido como “Machine Learning” o ML en inglés), los datos de
entrenamiento son los ejemplos utilizados para enseñar a los modelos a identificar patrones. Los
desarrolladores de AA construyen estos modelos para extraer patrones útiles de los ejemplos de
entrenamiento, permitiendo así generar predicciones sobre nueva información. Por ejemplo, en una
aplicación de reconocimiento de voz, los datos de entrenamiento pueden incluir muestras de habla
de personas con diferentes tonos y acentos. Cuanto más representativos de la realidad sean estos
ejemplos, mejor funcionará el modelo.

Datos de prueba de aprendizaje automático

En aprendizaje automático (AA, conocido como “Machine Learning” o ML en inglés), los datos de
prueba son ejemplos que se usan para evaluar el rendimiento de un modelo ya entrenado. Por
ejemplo, si un modelo ha sido entrenado para predecir diagnósticos médicos, antes de aplicarlo en
situaciones de la vida real, se prueba y evalúa con datos de prueba, que están separados de los
datos de entrenamiento originales. Estos datos de prueba permiten medir cómo responde el
modelo ante casos nuevos y determinar su precisión en situaciones reales.
Datos
Los datos son valores, mediciones, hechos u observaciones que los programas informáticos son
capaces de procesar. Existen muchos tipos de datos, como el texto, las imágenes o el sonido. Por
ejemplo, los mensajes que las personas intercambian con sus amigos y amigas en sus dispositivos
digitales, son datos de texto. En aprendizaje automático (AA, conocido como “Machine Learning” o
ML en inglés), los datos representan los ejemplos con los que se entrenan los modelos. La
recopilación, depuración y a estructuración de grandes cantidades de datos son pasos esenciales
en el diseño de modelos de AA.

Depuración de los datos

La depuración de los datos es un paso esencial en la preparación de información para entrenar un
modelo de aprendizaje automático (AA, conocido como “Machine Learning” o ML en inglés). Este
proceso consiste en identificar y corregir errores en los datos, como eliminar duplicados o corregir
errores tipográficos en datos de texto. En muchos casos, los datos pueden ser confusos y
requieren una depuración más exhaustiva antes de ser útiles para el modelo. Existen muchas
formas de depuración, que dependen del tipo de datos y del problema a resolver. Contar con datos
depurados es fundamental para crear modelos de AA precisos.

Entrenamiento de aprendizaje automático

Los modelos de aprendizaje automático (AA, conocido como “Machine Learning” o ML en inglés)
se entrenan con ejemplos en forma de datos para identificar patrones y crear predicciones. Durante
el entrenamiento, estos patrones se ajustan para mejorar la precisión de las predicciones. Por
ejemplo, un desarrollador de ML podría crear un modelo para recomendar canciones. Para ello, el
modelo se entrenaría en las elecciones de canciones de muchas personas, buscando similitudes
en las preferencias de reproducción. Cuanta mayor variedad de canciones se incluya en el
entrenamiento, más precisa será la recomendación. Existen diferentes métodos para entrenar los
modelos, dependiendo del problema y de los datos disponibles. El desarrollador debe elegir entre
los tipos de entrenamiento disponibles en función del problema que se intenta resolver y los datos
disponibles para solucionarlo. La calidad del entrenamiento depende en gran medida de la calidad
de los datos utilizados.

Etiqueta de aprendizaje automático

En el aprendizaje supervisado, los modelos de aprendizaje automático (AA, conocido como
“Machine Learning” o ML en inglés) se entrenan con datos etiquetados. Cada dato tiene una o más
etiquetas anotadas que describen su contenido. Por ejemplo, si tenemos un modelo diseñado para
identificar sonidos de pájaros, cada grabación de sonido estaría etiquetada con el nombre del
pájaro correspondiente. Al entrenar el modelo con estos sonidos etiquetados, el modelo podrá
predecir la etiqueta (nombre del pájaro) en nuevas grabaciones. Generalmente, las personas se
encargan de etiquetar los datos para proporcionar ejemplos precisos con los que entrenar los
modelos.
Explicabilidad del aprendizaje automático
La explicabilidad hace referencia a la capacidad de algo para ser entendido. En aprendizaje
automático (AA, conocido como “Machine Learning” o ML en inglés), la explicabilidad permite a las
personas comprender cómo se produjo una predicción. Por ejemplo, los modelos de árbol de
decisiones son explicables, ya que sus pasos (nodos) se pueden analizar de una manera
comprensible. No todos los modelos de AA son completamente explicables, y algunos son más
explicables que otros. Mejorar la explicabilidad de un modelo ayuda a resolver problemas y a
reducir el sesgo.

Fiabilidad del aprendizaje automático

La fiabilidad se refiere a la seguridad que ofrece algo. En aprendizaje automático (AA, conocido
como “Machine Learning” o ML en inglés), la fiabilidad mide el grado de certeza de una predicción.
Por ejemplo, un modelo de clasificación diseñado para predecir si lloverá mañana, podría hacerlo
con un 90 % de fiabilidad, lo que significa que hay un 90 % de certeza en esa predicción. Evaluar la
fiabilidad de las predicciones ayuda a valorar la calidad de un modelo de AA.

IA generativa
La IA generativa es un tipo de inteligencia artificial diseñada para crear contenido, como texto,
imágenes o sonido. Tiene múltiples aplicaciones, como la producción de arte o música, o la
generación de texto para chatbots. Por ejemplo, las aplicaciones de arte de IA generativa puede
crear una imagen a partir de una solicitud, como “crea una imagen de un dragón leyendo un libro”.
Este tipo de arte se crea mediante modelos de aprendizaje automático (AA, conocido como
“Machine Learning” o ML en inglés) entrenados con millones de imágenes de obras de arte
existentes. Las imágenes generadas pueden imitar el estilo de un artista, sin su conocimiento o
aprobación. Las aplicaciones de IA generativa son cada vez más comunes y, a menudo, resulta
imposible distinguir si se ha utilizado IA generativa para crear un contenido.

Inteligencia artificial
La inteligencia artificial se refiere al diseño y estudio de sistemas que imitan comportamientos
inteligentes. Algunas aplicaciones de IA funcionan a partir de reglas predefinidas, aunque hoy en
día se desarrollan cada vez más mediante aprendizaje automático (AA, conocido como “Machine
Learning” o ML en inglés), lo que permite que “aprendan” a partir de ejemplos en forma de datos.
Por ejemplo, algunas aplicaciones de IA están diseñadas para responder preguntas o ayudar a
diagnosticar enfermedades, mientras que otras pueden tener fines dañinos, como la difusión de
noticias falsas. Sin embargo, las aplicaciones de IA no piensan; están diseñadas para realizar
tareas de una forma que aparenta ser inteligente.
Modelo de aprendizaje automático
Las aplicaciones de aprendizaje automático (AA, conocido como “Machine Learning” o ML en
inglés) utilizan los modelos para realizar tareas o resolver problemas. Un modelo de AA es una
representación del problema que se busca resolver. Los desarrolladores entrenan estos modelos
con grandes cantidades de datos específicos para que aprendan a detectar patrones. El resultado
del entrenamiento es un modelo, que se utiliza para hacer predicciones sobre nuevos datos en
contextos similares. Por ejemplo, los vehículos autónomos se desarrollan utilizando modelos de
AA capaces de predecir cuándo detenerse. Los modelos se entrenan con millones de ejemplos de
situaciones en las que los automóviles deben parar. Existen numerosos tipos de modelos que
emplean diferentes tipos de datos y distintos métodos de entrenamiento. Todos los modelos de
ML están entrenados para detectar patrones en los datos de entrenamiento y realizar predicciones
sobre nuevos datos.

Nodo de árbol de decisiones de aprendizaje

automático
Los árboles de decisión de aprendizaje automático (AA, conocido como “Machine Learning” o ML
en inglés) están formados por nodos que, a su vez, se conectan para crear una estructura capaz de
generar predicciones. Existen dos tipos de nodos: los nodos de decisión y los nodos de hoja. Por
ejemplo, en un árbol de decisiones diseñado para predecir tipos de estrellas en nuestro sistema
solar, los nodos de decisión representan las características de los datos, como la temperatura, el
radio, el color o el brillo de las estrellas. Los nodos de hoja, en cambio, representan las categorías
de predicción, como “Enana roja”, “Enana blanca” o “Enana marrón”. Esta estructura de nodos
permite que el modelo de AA realice predicciones de manera efectiva.

Precisión del aprendizaje automático

La precisión se refiere a la exactitud de un resultado. En aprendizaje automático (AA, conocido
como “Machine Learning” o ML en inglés), la precisión mide cuán a menudo un modelo realiza
predicciones correctas. Por ejemplo, si un modelo de clasificación está diseñado para identificar
manzanas y clasifica correctamente 90 de cada 100 imágenes, la precisión del modelo es del 90 %.
La precisión es una medida útil para evaluar el rendimiento de los modelos de AA, y a menudo se
combina con otras métricas para obtener una evaluación completa de su calidad.

Predicción del aprendizaje automático

Los modelos de aprendizaje automático (AA, conocido como “Machine Learning” o ML en inglés)
están entrenados para hacer predicciones. La predicción que produce un modelo de AA sugiere lo
que representan los datos o lo que podría resultar útil para una tarea específica. Por ejemplo, un
desarrollador de AA podría entrenar un modelo para predecir qué película querrá ver un usuario en
función de sus hábitos de visualización. Así, el modelo generará una predicción basada en las
elecciones de películas de muchas personas. La función principal de los modelos de ML es hacer
predicciones, incluso si en algunos casos estas no son evidentes para el usuario.

Sesgo de datos
El sesgo de datos hace referencia a los prejuicios presentes en los datos usados para entrenar los
modelos de aprendizaje automático (AA, conocido como “Machine Learning” o ML en inglés). Este
sesgo puede llevar a que los modelos generen predicciones también sesgadas. Por ejemplo,
algunos modelos de reconocimiento facial pueden mostrar un sesgo hacia ciertos tonos de piel si
se han entrenado principalmente con imágenes de rostros de un solo tono de piel. Las causas del
sesgo en los datos incluyen datos incompletos o que reflejan prejuicios sociales. Detectar y
corregir el sesgo en los datos es fundamental para evitar que los modelos de AA produzcan
predicciones sesgadas.

Sesgo social
El sesgo social se refiere a los prejuicios que existen dentro de un gran grupo de personas o en la
sociedad en general. Existen muchos tipos de prejuicios sociales, como el prejuicio racial, de
género o étnico. Por ejemplo, un sesgo de género sería la creencia de que las mujeres están menos
capacitadas que los hombres para las carreras de ingeniería. Los datos recopilados de grandes
grupos de personas pueden reflejar estos sesgos sociales, lo que puede derivar en un sesgo de
datos. Si se utilizan datos con sesgo social para entrenar modelos de aprendizaje automático (AA,
conocido como “Machine Learning” o ML en inglés), esto podría dar lugar a modelos que generan
predicciones sesgadas. En AA, es fundamental mitigar el sesgo social en los datos de
entrenamiento para evitar resultados discriminatorios o injustos.

Sesgo
El sesgo es una preferencia a favor o en contra de algo. Por ejemplo, un estudiante que prefiere la
asignatura de inglés a la de matemáticas, podría dedicar más tiempo a sus tareas de inglés,
mostrando así un sesgo hacia esa materia. Existen distintos tipos de sesgo, como el sesgo social y
el sesgo de datos. Los desarrolladores de aprendizaje automático (AA, conocido como “Machine
Learning” o ML en inglés) deben evaluar cuidadosamente si los datos que van a utilizar para
entrenar a los modelos de AA presentan algún tipo de sesgo, ya que este puede favorecer a ciertos
conjuntos de ideas o creencias en detrimento de otros.

Tarjeta de modelo de aprendizaje automático

Una tarjeta de modelo de aprendizaje automático (AA, conocido como “Machine Learning” o ML en
inglés) es una forma de documentar información clave sobre un modelo de AA. Los
desarrolladores crea estas tarjetas para que tanto personas expertas como sin experiencia técnica
puedan entender el modelo. Por ejemplo, si se desarrolla una aplicación de AA para traducir
idiomas, como del árabe al francés, la tarjeta de modelo podría incluir información sobre la
precisión de la traducción y su rendimiento con el argot, la jerga y los dialectos. También puede
detallar el tipo de modelo, diferentes indicadores de rendimiento e incluso sesgos conocidos. Las
tarjetas de modelo se crean durante la etapa de explicación del ciclo de vida del proyecto de IA,
para comunicar de manera accesible las capacidades y limitaciones del modelo.

Tecnología basada en datos

La tecnología basada en datos permite diseñar sistemas que utilizan datos en lugar de
instrucciones paso a paso. Por ejemplo, diagnosticar ciertas enfermedades puede ser complicado,
pero existen muchos datos médicos de casos previos que pueden ayudar en el proceso. Por esta
razón, los diseñadores emplean datos médicos de personas afectadas para ayudar en el
diagnóstico de estas enfermedades. A diferencia de los sistemas basados en reglas, los sistemas
basados en datos son especialmente adecuados para resolver problemas en los que es difícil crear
reglas que cubran todas las situaciones posibles. En su lugar, se recopilan suficientes ejemplos que
permiten fundamentar una solución.

Tecnología basada en reglas

La tecnología basada en reglas permite diseñar sistemas mediante un conjunto de reglas
predefinidas. Por ejemplo, los programas de tres en raya se crean con reglas que determinan los
movimientos necesarios para intentar ganar el juego. Estas reglas las definen personas expertas
en el problema que se busca resolver. Los sistemas de inteligencia artificial desarrollados con este
enfoque también se conocen como “IA tradicional”, A diferencia de los sistemas basados en datos,
que utilizan ejemplos para aprender a resolver problemas, los sistemas basados en reglas son
útiles cuando se pueden establecer y seguir reglas que cubren la mayoría de las situaciones
posibles.

Umbral de fiabilidad del aprendizaje automático

El umbral de fiabilidad es un valor que define cuándo se considera aceptable la predicción de
cualquier modelo de aprendizaje automático (AA, conocido como “Machine Learning” o ML en
inglés). Este umbral lo establece el desarrollador durante el diseño del modelo. Por ejemplo, si un
modelo de AA predice con un 50 % de fiabilidad que mañana habrá una tormenta de nieve, pero el
umbral de fiabilidad se establece en un 60 %, la predicción se consideraría inexacta. Es decir, solo
se aceptan predicciones con una fiabilidad del 60 % o más. El umbral se elige en función de la
importancia del problema; por ejemplo, los diagnósticos médicos requieren un umbral de fiabilidad
más alto que las recomendaciones de canciones. Este valor determina qué nivel de fiabilidad se
considera suficiente en cada contexto.

Visión artificial
La visión artificial es el estudio de sistemas diseñados para procesar información a partir de
imágenes o vídeos digitales. El reconocimiento facial, los sistemas de diagnóstico médico por
imagen o la videovigilancia son ejemplos de aplicaciones que emplean visión artificial. En el caso
de vehículos autónomos, la visión artificial se emplea para detectar y evitar colisiones con otros
 objetos. Estos sistemas suelen utilizar modelos de aprendizaje automático (AA, conocido como
“Machine Learning” o ML en inglés) para identificar patrones en datos visuales. La visión artificial
es útil cuando la información de imágenes o vídeos puede ayudar a resolver un problema
específico.

Este recurso dispone de licencia de Raspberry Pi Foundation otorgada bajo licencia pública internacional de
Reconocimiento-NoComercial-SinObraDerivada 4.0 de Creative Commons (CC BY-NC-ND 4.0). Consulta
creativecommons.org/licenses/by-nc-nd/4.0 para obtener más información sobre esta licencia.