Mi reto
Para realizar mi reto, una de las páginas interesantes que me considereo útil si quiero inspeccionar más en el machine learning, és la del club de la tecnología.
Objetivo del NOOC
Desde hace ya algunos años la Inteligencia Artificial ha ido ganando protagonismo en los medios de comunicación hasta tal punto que sería difícil encontrar a alguien que no haya oído nombrar este término. Sin embargo no todo el mundo sabría explicar en qué consiste, en qué campos se utiliza ni en qué basa su funcionamiento. Es te NOOC nos permitirá comprender a grandes rasgos cómo funciona la Inteligencia Artificial, conocer algunas herramientas orientadas a su uso en el aula y lograr el objetivo del mismo: diseñar nuestro primer proyecto de programación, reproducible en el aula, que haga uso de la IA.
Ideas clave
¿Qué es la Inteligencia Artificial?
Cuando hablamos de Inteligencia Artificial nos referimos la capacidad de las máquinas de demostrar inteligencia en gracias a una serie de procesos y algoritmos enfocados que resuelvan problemas de forma autónoma, emulando de esta manera lo que abstractamente conocemos con inteligencia, a pesar de que actualmente no existe consenso sobre la definición de inteligencia. En el siguiente vídeo Nuria Oliver, reconocida experta internacional en IA, nos explica qué es la IA,sus potencialidades para mejorar nuestro mundo y las debilidades que presenta en la actualidad.
25 hitos de la inteligencia artificial
La IA, aunque es un tema de actualidad, se ha tratado en distintas épocas de la historia, ya que desde la antigüedad las personas han imaginado máquinas con la capacidad de pensar. En la Grecia clásica encontramoslos míticos autómatas construidos por Hefesto, Talos, para proteger la isla de Creta de los invasores, o la dos mujeres artificiales de oro que lo liberaban de parte de su trabajo. En el Antiguo Egipto se construían figuras mecánicas para sorprender a la multitud con gestos operados por sacerdotes. Existen registros de multitud de autómatas desde la Edad Media hasta la Edad Contemporánea, las famosas cabezas pensantes, autómatas humanoides que realizaban algunas tareas y otros ingenios que contribuyeron a sentar las bases de la tecnología, entre las que cabe destacar “El ajedrecista”, construído en 1912 por el español Leonardo Torres Quevedo, y que se considerada el primer autómata de la historia capaz de jugar al ajedrez. Sin embargo, no es hasta la segunda mitad del s. XX cuando se puede hacer realidad la idea de una Inteligencia Artificial. Haremos ahora un breve recorrido por la historia de la misma mediante 25 grandes hitos de la IA.
¿Cómo aprende una máquina?
El método para entrenar una Inteligencia Artificial para clasificar información y llegar a hacer predicciones es alimentarla con datos, cuantos más, mejor. Para este fin, la ciencia computacional busca desarrollar algoritmos y técnicas para construir modelos de predicción y clasificación a partir de datos conocidos. Esto es lo que se conoce como Aprendizaje Automático, Aprendizaje Automatizado o Aprendizaje de Máquinas (del inglés, Machine Learning).Entre los modelos de aprendizaje podemos encontrar:
- Aprendizaje supervisado, en el que se entrena al algoritmo mediante un conjunto de entradas o “preguntas”, a las que se llama caraterísticas, y las salidas o “respuestas” correctas, a las que se llama etiquetas con la finalidad de que el algoritmo pueda relacionarlas entre sí y hacer predicciones. Así, un modelo entrenado, al analizar las características de una entrada podrá clasificar el elemento dentro de una u otra etiqueta.
- Aprendizaje no supervisado, en el que proceso se sustenta únicamente en un conjunto de ejemplos formado tan solo por entradas (características) al sistema. No se tiene información sobre las categorías (etiquetas) de esos ejemplos, por lo que el sistema tiene que ser capaz de reconocer patrones para poder catalogar esas entradas por similitud y etiquetarlas.
- Aprendizaje semisupervisado, cuyos algoritmos combinan los dos algoritmos anteriores parapoder clasificar de manera adecuada.
- Aprendizaje por refuerzo, el más usado, en el que la información de entrada es el feedback o retroalimentación que obtiene del mundo exterior como respuesta a sus acciones, el sistema aprende a base de ensayo-error.
En este vídeo del canal Xpikuos podéis encontrar una explicación un poco más detallada de cada uno de los modelos:
Tipos de aprendizaje
La IA para el bien común: Potencialidades y desafíos
Como podemos inferir de lo expuesto hasta ahora, la Inteligencia Artificial contribuye actualmente y lo hará aún en mayor medida en el futuro a mejorar la vida de las personas y el entorno. Durante los últimos años, fruto de los avances en este campo y de de la detección de posibles retos a tener en cuenta en su aplicación, han surgido varias iniciativas a nivel mundial para promover el Big Data y la Inteligencia Artificial para el bien común. Iniciativas como Solve Global Challenges, promovido por el MIT y la Fundación Patrick J. McGovern, que buscan ejemplos del uso de la IA en ámbitos como la economía circular, la innovación impulsada por ciudadanía, el desarrollo de la infancia o las ciudades saludables. En el siguiente enlace podéis ver la gran cantidad de proyectos relacionados con la IA presentados a esta iniciativa.
Mejoras en agricultura
En el campo de la agricultura la IA y el uso de Big Data pretende lograr la máxima eficiencia en el aprovechamiento de los suelos en los cultivos, algo de vital importancia en un momento de la historia como el actual, en el que la creciente demanda de alimentos y de fuentes de energía como el biodiesel choca con preocupaciones globales como como el cambio climático y el agotamiento de los recursos naturales como el suelo, el agua o fuentes de energía no renovables para obtención de combustibles.
La aplicación de la IA en la agricultura permite un mejor balance en estas actividades, reduciendo el impacto de aspectos negativos (como la erosión del terreno o la contaminación) y mejorando la producción y la rentabilidad.
Calidad de vida de personas con discapacidad
La IA ha cambiado el modo en el que todas las personas realizamos muchas de las acciones de la vida cotidiana. Algunos avances que para cualquier persona han significado que una tarea sea más fácil o cómoda, para algunas personas con discapaciad ha supuesto una notable mejora en su autonomía, en su calidad de vida y en su integración social. Podemos encontrar múltiples ejemplos, desde asistentes de voz que facilitan el acceso a la tecnolgía eliminando la barrera que el teclado, el ratón o incluso una pantalla táctil suponen para algunas personas.
Por supuesto, también encontramos aplicaciones más específicas, como sillas de ruedas inteligentes capaces de interpretar órdenes mediante las expresiones faciales del usuario o sillas de ruedas autónomas para desplazarse por un hospital.
La IA también puede ayudar a los cuidadores con proyectos como Insension, que permite monitorizar los gestos y expresiones faciales de personas con discapacidad, principalmente menores, e identificar aquellos que considera relevantes y su significado para comunicar esta interpretación a los cuidadores.
Predicción de fenómenos climáticos
La aplicación de la IA puede ayudar a prevenir fenómenos o incluso catástrofes climáticas mediante el análisis de datos del clima y la elaboración de modelos climáticos. Por ejemplo, en este artículo se explica que las predicciones meteorológicas provienen de estaciones terrestres cuya cobertura puede variar significativamente dependiendo de la zona y no suelen estar disponibles en los océanos, por lo que un pronóstico basado en Machine Learning puede ser de gran utilidad complementando, o incluso sustituyendo a los métodos físicos utilizados hasta ahora.
Cuidades Inteligentes y sostenibles
La Inteligencia Artificial aplicada al día a día de las ciudades puede tener impacto en aspectos muy diferentes de las mismas. Podemos halar de edificios domotizados que faciliten las tareas diarias a las personas que habitan en ellos o los utilizan, de edificios autosuficientes que busquen un equilibrio entre la producción de energía y el consumo de ella. También se puede aplicar el Machine Learning a la movilidad, permitiendo una programación óptima de los semáforos en relación al tráfico existente, redes de vehículos de emergencias conectados a una IA que les ayuda a elegir las rutas con menos obstáculos o el análisis de los desplazamientos de los peatones que permite tomar decisiones más informadas en cuanto a los servicios e infaestructuras necesarias, o incluso de cara al turismo. Todo esto teniendo en cuenta que, además, las ciudades inteligentes tratan de procesar la información gasto de recursos como el agua y la energía para mejorar su eficiencia, métodos efectivos para reducir, reutilizar, reciclar y eliminar sus residuos, buscando reducir la huella de carbono y mejorar la conservación del Medio Ambiente. Podéis encontrar más información en el siguiente enlace.
Conservación del Medio Ambiente
Hay múltiples aplicaciones de la IA para la conservación del medio ambiente. Por ejemplo para reconocer los patrones de comportamiento de la fauna, rastrear las migraciones, monitorizar la actividad o detectar concentraciones de individuos para mejorar la protección de los ecosistemas. En este artículo encontramos posibles aplicaciones orientadas a este fin: separación automática diferentes tipos de residuos reciclables (plásticos, metales, papel, vidrio, residuos electrónicos, etc.), de los que no lo son; procesamiento y reconocimiento automático de imágenes de flora y fauna, lo que podría ayudar al descubrimiento y clasificación de nuevas especies; predicción y simulación de impactos ambientales; prevención de la caza y la pesca furtiva. Como en tantos otros campos, encontramos tantas posibilidades como nuestra imaginación permita.
Prevención y actuación en catástrofes naturales
También encontramos aplicación de IA en la predicción de catástrofes naturales, como pueden ser la inundaciones, creando modelos que ayudan a predecir cuando un río puede verse desbordado, y en qué zonas, así como una estimación del impacto que llegaría a causar, como podemos ver en este artículo.
Así mismo encontramos vías de investigación abiertas a aplicar la IA en la predicción de terremotos, y en actuaciónes tras los movimientos sísmicos, mejorando la planificación para posibilitar que los servicios de emergencias aumenten sus posibilidades de encontrar y ayudar a las víctimas cuando ocurre una emergencia y detectando las zonas menos afectadas para planificar posibles rutas de escape en el futuro, como explica Yanbing Bai, investigador de la Universidad de Tohoku en esta entrevista.
Desafíos en la aplicación de la IA
No sería responsable terminar esta presentación de contenidos sin ver la otra cara de la moneda. Frente a las ventajas y beneficios que la IA nos aporta y aportará en el futuro debemos tener en cuenta que también hay desafíos a tener en cuenta. Como no es el objetivo de este NOOC, me limitaré a citar algunos de ellos que debemos tener presentes para hacer que el uso de la IA sea lo más plural y justo posible:
- Los conjuntos de datos para entrenar una IA son definidos por personas, por lo que pueden estar sesgados o ser incompletos, reflejando los prejuicios raciales, de ideología, de género, etc. de los diseñadores, lo que orientaría las decisiones de la IA a conclusiones sesgadas por dichos rasgos.
- Como todo proceso de automatización, el uso de la IA puede generar un impacto negativo en el empleo.
- Una IA no deja de ser software, y por tanto, dependiente de unos factores externos, como el acceso a internet y sensible a fallos como falta de suministro eléctrico, fallos de seguridad o ataques que traten de aprovechar estos fallos.
- Las distintas aplicaciones, cada vez más sofisticadas y accesibles, que utilizan la IA para generar vídeos o voces, pueden favorecer la desinformación generando fake news que afecten al posicionamiento de la opinión popular, influyan en decisiones tan importantes como unas elecciones o puedan llegar incluso a generar situaciones de conflicto internacional.
Ideas clave
¿Qué es la Inteligencia Artificial?
Cuando hablamos de Inteligencia Artificial nos referimos la capacidad de las máquinas de demostrar inteligencia en gracias a una serie de procesos y algoritmos enfocados que resuelvan problemas de forma autónoma, emulando de esta manera lo que abstractamente conocemos con inteligencia, a pesar de que actualmente no existe consenso sobre la definición de inteligencia. En el siguiente vídeo Nuria Oliver, reconocida experta internacional en IA, nos explica qué es la IA,sus potencialidades para mejorar nuestro mundo y las debilidades que presenta en la actualidad.
25 hitos de la inteligencia artificial
La IA, aunque es un tema de actualidad, se ha tratado en distintas épocas de la historia, ya que desde la antigüedad las personas han imaginado máquinas con la capacidad de pensar. En la Grecia clásica encontramoslos míticos autómatas construidos por Hefesto, Talos, para proteger la isla de Creta de los invasores, o la dos mujeres artificiales de oro que lo liberaban de parte de su trabajo. En el Antiguo Egipto se construían figuras mecánicas para sorprender a la multitud con gestos operados por sacerdotes. Existen registros de multitud de autómatas desde la Edad Media hasta la Edad Contemporánea, las famosas cabezas pensantes, autómatas humanoides que realizaban algunas tareas y otros ingenios que contribuyeron a sentar las bases de la tecnología, entre las que cabe destacar “El ajedrecista”, construído en 1912 por el español Leonardo Torres Quevedo, y que se considerada el primer autómata de la historia capaz de jugar al ajedrez. Sin embargo, no es hasta la segunda mitad del s. XX cuando se puede hacer realidad la idea de una Inteligencia Artificial. Haremos ahora un breve recorrido por la historia de la misma mediante 25 grandes hitos de la IA.
¿Cómo aprende una máquina?
El método para entrenar una Inteligencia Artificial para clasificar información y llegar a hacer predicciones es alimentarla con datos, cuantos más, mejor. Para este fin, la ciencia computacional busca desarrollar algoritmos y técnicas para construir modelos de predicción y clasificación a partir de datos conocidos. Esto es lo que se conoce como Aprendizaje Automático, Aprendizaje Automatizado o Aprendizaje de Máquinas (del inglés, Machine Learning).Entre los modelos de aprendizaje podemos encontrar:
- Aprendizaje supervisado, en el que se entrena al algoritmo mediante un conjunto de entradas o “preguntas”, a las que se llama caraterísticas, y las salidas o “respuestas” correctas, a las que se llama etiquetas con la finalidad de que el algoritmo pueda relacionarlas entre sí y hacer predicciones. Así, un modelo entrenado, al analizar las características de una entrada podrá clasificar el elemento dentro de una u otra etiqueta.
- Aprendizaje no supervisado, en el que proceso se sustenta únicamente en un conjunto de ejemplos formado tan solo por entradas (características) al sistema. No se tiene información sobre las categorías (etiquetas) de esos ejemplos, por lo que el sistema tiene que ser capaz de reconocer patrones para poder catalogar esas entradas por similitud y etiquetarlas.
- Aprendizaje semisupervisado, cuyos algoritmos combinan los dos algoritmos anteriores parapoder clasificar de manera adecuada.
- Aprendizaje por refuerzo, el más usado, en el que la información de entrada es el feedback o retroalimentación que obtiene del mundo exterior como respuesta a sus acciones, el sistema aprende a base de ensayo-error.
En este vídeo del canal Xpikuos podéis encontrar una explicación un poco más detallada de cada uno de los modelos:
Tipos de aprendizaje
La IA para el bien común: Potencialidades y desafíos
Como podemos inferir de lo expuesto hasta ahora, la Inteligencia Artificial contribuye actualmente y lo hará aún en mayor medida en el futuro a mejorar la vida de las personas y el entorno. Durante los últimos años, fruto de los avances en este campo y de de la detección de posibles retos a tener en cuenta en su aplicación, han surgido varias iniciativas a nivel mundial para promover el Big Data y la Inteligencia Artificial para el bien común. Iniciativas como Solve Global Challenges, promovido por el MIT y la Fundación Patrick J. McGovern, que buscan ejemplos del uso de la IA en ámbitos como la economía circular, la innovación impulsada por ciudadanía, el desarrollo de la infancia o las ciudades saludables. En el siguiente enlace podéis ver la gran cantidad de proyectos relacionados con la IA presentados a esta iniciativa.
Mejoras en agricultura
En el campo de la agricultura la IA y el uso de Big Data pretende lograr la máxima eficiencia en el aprovechamiento de los suelos en los cultivos, algo de vital importancia en un momento de la historia como el actual, en el que la creciente demanda de alimentos y de fuentes de energía como el biodiesel choca con preocupaciones globales como como el cambio climático y el agotamiento de los recursos naturales como el suelo, el agua o fuentes de energía no renovables para obtención de combustibles.
La aplicación de la IA en la agricultura permite un mejor balance en estas actividades, reduciendo el impacto de aspectos negativos (como la erosión del terreno o la contaminación) y mejorando la producción y la rentabilidad.
Calidad de vida de personas con discapacidad
La IA ha cambiado el modo en el que todas las personas realizamos muchas de las acciones de la vida cotidiana. Algunos avances que para cualquier persona han significado que una tarea sea más fácil o cómoda, para algunas personas con discapaciad ha supuesto una notable mejora en su autonomía, en su calidad de vida y en su integración social. Podemos encontrar múltiples ejemplos, desde asistentes de voz que facilitan el acceso a la tecnolgía eliminando la barrera que el teclado, el ratón o incluso una pantalla táctil suponen para algunas personas.
Por supuesto, también encontramos aplicaciones más específicas, como sillas de ruedas inteligentes capaces de interpretar órdenes mediante las expresiones faciales del usuario o sillas de ruedas autónomas para desplazarse por un hospital.
La IA también puede ayudar a los cuidadores con proyectos como Insension, que permite monitorizar los gestos y expresiones faciales de personas con discapacidad, principalmente menores, e identificar aquellos que considera relevantes y su significado para comunicar esta interpretación a los cuidadores.
Predicción de fenómenos climáticos
La aplicación de la IA puede ayudar a prevenir fenómenos o incluso catástrofes climáticas mediante el análisis de datos del clima y la elaboración de modelos climáticos. Por ejemplo, en este artículo se explica que las predicciones meteorológicas provienen de estaciones terrestres cuya cobertura puede variar significativamente dependiendo de la zona y no suelen estar disponibles en los océanos, por lo que un pronóstico basado en Machine Learning puede ser de gran utilidad complementando, o incluso sustituyendo a los métodos físicos utilizados hasta ahora.
Cuidades Inteligentes y sostenibles
La Inteligencia Artificial aplicada al día a día de las ciudades puede tener impacto en aspectos muy diferentes de las mismas. Podemos halar de edificios domotizados que faciliten las tareas diarias a las personas que habitan en ellos o los utilizan, de edificios autosuficientes que busquen un equilibrio entre la producción de energía y el consumo de ella. También se puede aplicar el Machine Learning a la movilidad, permitiendo una programación óptima de los semáforos en relación al tráfico existente, redes de vehículos de emergencias conectados a una IA que les ayuda a elegir las rutas con menos obstáculos o el análisis de los desplazamientos de los peatones que permite tomar decisiones más informadas en cuanto a los servicios e infaestructuras necesarias, o incluso de cara al turismo. Todo esto teniendo en cuenta que, además, las ciudades inteligentes tratan de procesar la información gasto de recursos como el agua y la energía para mejorar su eficiencia, métodos efectivos para reducir, reutilizar, reciclar y eliminar sus residuos, buscando reducir la huella de carbono y mejorar la conservación del Medio Ambiente. Podéis encontrar más información en el siguiente enlace.
Conservación del Medio Ambiente
Hay múltiples aplicaciones de la IA para la conservación del medio ambiente. Por ejemplo para reconocer los patrones de comportamiento de la fauna, rastrear las migraciones, monitorizar la actividad o detectar concentraciones de individuos para mejorar la protección de los ecosistemas. En este artículo encontramos posibles aplicaciones orientadas a este fin: separación automática diferentes tipos de residuos reciclables (plásticos, metales, papel, vidrio, residuos electrónicos, etc.), de los que no lo son; procesamiento y reconocimiento automático de imágenes de flora y fauna, lo que podría ayudar al descubrimiento y clasificación de nuevas especies; predicción y simulación de impactos ambientales; prevención de la caza y la pesca furtiva. Como en tantos otros campos, encontramos tantas posibilidades como nuestra imaginación permita.
Prevención y actuación en catástrofes naturales
También encontramos aplicación de IA en la predicción de catástrofes naturales, como pueden ser la inundaciones, creando modelos que ayudan a predecir cuando un río puede verse desbordado, y en qué zonas, así como una estimación del impacto que llegaría a causar, como podemos ver en este artículo.
Así mismo encontramos vías de investigación abiertas a aplicar la IA en la predicción de terremotos, y en actuaciónes tras los movimientos sísmicos, mejorando la planificación para posibilitar que los servicios de emergencias aumenten sus posibilidades de encontrar y ayudar a las víctimas cuando ocurre una emergencia y detectando las zonas menos afectadas para planificar posibles rutas de escape en el futuro, como explica Yanbing Bai, investigador de la Universidad de Tohoku en esta entrevista.
Desafíos en la aplicación de la IA
No sería responsable terminar esta presentación de contenidos sin ver la otra cara de la moneda. Frente a las ventajas y beneficios que la IA nos aporta y aportará en el futuro debemos tener en cuenta que también hay desafíos a tener en cuenta. Como no es el objetivo de este NOOC, me limitaré a citar algunos de ellos que debemos tener presentes para hacer que el uso de la IA sea lo más plural y justo posible:
- Los conjuntos de datos para entrenar una IA son definidos por personas, por lo que pueden estar sesgados o ser incompletos, reflejando los prejuicios raciales, de ideología, de género, etc. de los diseñadores, lo que orientaría las decisiones de la IA a conclusiones sesgadas por dichos rasgos.
- Como todo proceso de automatización, el uso de la IA puede generar un impacto negativo en el empleo.
- Una IA no deja de ser software, y por tanto, dependiente de unos factores externos, como el acceso a internet y sensible a fallos como falta de suministro eléctrico, fallos de seguridad o ataques que traten de aprovechar estos fallos.
- Las distintas aplicaciones, cada vez más sofisticadas y accesibles, que utilizan la IA para generar vídeos o voces, pueden favorecer la desinformación generando fake news que afecten al posicionamiento de la opinión popular, influyan en decisiones tan importantes como unas elecciones o puedan llegar incluso a generar situaciones de conflicto internacional.
Ideas clave
En esta ocasión, os vamos a proponer tres niveles distintos de reto. Cada uno de ellos se construye sobre el anterior, de modo que si completas el primero y quieres tener una experiencia más completa con el Machine Learning, puedes aprovechar el trabajo anterior para completar el nivel 2 en unos minutos. Y si quieres ponerte a prueba tienes el nivel 3, donde el límite solo lo pondrán tus ganas e imaginación. ¿Cuál se adapta mejor a tus intereses? ¡Tú decides!
Ten en cuenta que la rúbrica de evaluación solo contempla el nivel 1. Los niveles 2 y 3 debes tomarlos como una “ampliación” o caminos a explorar para aquellas personas con ganas de profundizar un poco más.
Cuando hablamos de Inteligencia Artificial nos referimos la capacidad de las máquinas de demostrar inteligencia en gracias a una serie de procesos y algoritmos enfocados que resuelvan problemas de forma autónoma, emulando de esta manera lo que abstractamente conocemos con inteligencia, a pesar de que actualmente no existe consenso sobre la definición de inteligencia. En el siguiente vídeo Nuria Oliver, reconocida experta internacional en IA, nos explica qué es la IA,sus potencialidades para mejorar nuestro mundo y las debilidades que presenta en la actualidad.
25 hitos de la inteligencia artificial
La IA, aunque es un tema de actualidad, se ha tratado en distintas épocas de la historia, ya que desde la antigüedad las personas han imaginado máquinas con la capacidad de pensar. En la Grecia clásica encontramoslos míticos autómatas construidos por Hefesto, Talos, para proteger la isla de Creta de los invasores, o la dos mujeres artificiales de oro que lo liberaban de parte de su trabajo. En el Antiguo Egipto se construían figuras mecánicas para sorprender a la multitud con gestos operados por sacerdotes. Existen registros de multitud de autómatas desde la Edad Media hasta la Edad Contemporánea, las famosas cabezas pensantes, autómatas humanoides que realizaban algunas tareas y otros ingenios que contribuyeron a sentar las bases de la tecnología, entre las que cabe destacar “El ajedrecista”, construído en 1912 por el español Leonardo Torres Quevedo, y que se considerada el primer autómata de la historia capaz de jugar al ajedrez. Sin embargo, no es hasta la segunda mitad del s. XX cuando se puede hacer realidad la idea de una Inteligencia Artificial. Haremos ahora un breve recorrido por la historia de la misma mediante 25 grandes hitos de la IA.
¿Cómo aprende una máquina?
El método para entrenar una Inteligencia Artificial para clasificar información y llegar a hacer predicciones es alimentarla con datos, cuantos más, mejor. Para este fin, la ciencia computacional busca desarrollar algoritmos y técnicas para construir modelos de predicción y clasificación a partir de datos conocidos. Esto es lo que se conoce como Aprendizaje Automático, Aprendizaje Automatizado o Aprendizaje de Máquinas (del inglés, Machine Learning).Entre los modelos de aprendizaje podemos encontrar:
- Aprendizaje supervisado, en el que se entrena al algoritmo mediante un conjunto de entradas o “preguntas”, a las que se llama caraterísticas, y las salidas o “respuestas” correctas, a las que se llama etiquetas con la finalidad de que el algoritmo pueda relacionarlas entre sí y hacer predicciones. Así, un modelo entrenado, al analizar las características de una entrada podrá clasificar el elemento dentro de una u otra etiqueta.
- Aprendizaje no supervisado, en el que proceso se sustenta únicamente en un conjunto de ejemplos formado tan solo por entradas (características) al sistema. No se tiene información sobre las categorías (etiquetas) de esos ejemplos, por lo que el sistema tiene que ser capaz de reconocer patrones para poder catalogar esas entradas por similitud y etiquetarlas.
- Aprendizaje semisupervisado, cuyos algoritmos combinan los dos algoritmos anteriores parapoder clasificar de manera adecuada.
- Aprendizaje por refuerzo, el más usado, en el que la información de entrada es el feedback o retroalimentación que obtiene del mundo exterior como respuesta a sus acciones, el sistema aprende a base de ensayo-error.
En este vídeo del canal Xpikuos podéis encontrar una explicación un poco más detallada de cada uno de los modelos:
Tipos de aprendizaje
La IA para el bien común: Potencialidades y desafíos
Como podemos inferir de lo expuesto hasta ahora, la Inteligencia Artificial contribuye actualmente y lo hará aún en mayor medida en el futuro a mejorar la vida de las personas y el entorno. Durante los últimos años, fruto de los avances en este campo y de de la detección de posibles retos a tener en cuenta en su aplicación, han surgido varias iniciativas a nivel mundial para promover el Big Data y la Inteligencia Artificial para el bien común. Iniciativas como Solve Global Challenges, promovido por el MIT y la Fundación Patrick J. McGovern, que buscan ejemplos del uso de la IA en ámbitos como la economía circular, la innovación impulsada por ciudadanía, el desarrollo de la infancia o las ciudades saludables. En el siguiente enlace podéis ver la gran cantidad de proyectos relacionados con la IA presentados a esta iniciativa.
Mejoras en agricultura
En el campo de la agricultura la IA y el uso de Big Data pretende lograr la máxima eficiencia en el aprovechamiento de los suelos en los cultivos, algo de vital importancia en un momento de la historia como el actual, en el que la creciente demanda de alimentos y de fuentes de energía como el biodiesel choca con preocupaciones globales como como el cambio climático y el agotamiento de los recursos naturales como el suelo, el agua o fuentes de energía no renovables para obtención de combustibles.
La aplicación de la IA en la agricultura permite un mejor balance en estas actividades, reduciendo el impacto de aspectos negativos (como la erosión del terreno o la contaminación) y mejorando la producción y la rentabilidad.
Calidad de vida de personas con discapacidad
La IA ha cambiado el modo en el que todas las personas realizamos muchas de las acciones de la vida cotidiana. Algunos avances que para cualquier persona han significado que una tarea sea más fácil o cómoda, para algunas personas con discapaciad ha supuesto una notable mejora en su autonomía, en su calidad de vida y en su integración social. Podemos encontrar múltiples ejemplos, desde asistentes de voz que facilitan el acceso a la tecnolgía eliminando la barrera que el teclado, el ratón o incluso una pantalla táctil suponen para algunas personas.
Por supuesto, también encontramos aplicaciones más específicas, como sillas de ruedas inteligentes capaces de interpretar órdenes mediante las expresiones faciales del usuario o sillas de ruedas autónomas para desplazarse por un hospital.
La IA también puede ayudar a los cuidadores con proyectos como Insension, que permite monitorizar los gestos y expresiones faciales de personas con discapacidad, principalmente menores, e identificar aquellos que considera relevantes y su significado para comunicar esta interpretación a los cuidadores.
Predicción de fenómenos climáticos
La aplicación de la IA puede ayudar a prevenir fenómenos o incluso catástrofes climáticas mediante el análisis de datos del clima y la elaboración de modelos climáticos. Por ejemplo, en este artículo se explica que las predicciones meteorológicas provienen de estaciones terrestres cuya cobertura puede variar significativamente dependiendo de la zona y no suelen estar disponibles en los océanos, por lo que un pronóstico basado en Machine Learning puede ser de gran utilidad complementando, o incluso sustituyendo a los métodos físicos utilizados hasta ahora.
Cuidades Inteligentes y sostenibles
La Inteligencia Artificial aplicada al día a día de las ciudades puede tener impacto en aspectos muy diferentes de las mismas. Podemos halar de edificios domotizados que faciliten las tareas diarias a las personas que habitan en ellos o los utilizan, de edificios autosuficientes que busquen un equilibrio entre la producción de energía y el consumo de ella. También se puede aplicar el Machine Learning a la movilidad, permitiendo una programación óptima de los semáforos en relación al tráfico existente, redes de vehículos de emergencias conectados a una IA que les ayuda a elegir las rutas con menos obstáculos o el análisis de los desplazamientos de los peatones que permite tomar decisiones más informadas en cuanto a los servicios e infaestructuras necesarias, o incluso de cara al turismo. Todo esto teniendo en cuenta que, además, las ciudades inteligentes tratan de procesar la información gasto de recursos como el agua y la energía para mejorar su eficiencia, métodos efectivos para reducir, reutilizar, reciclar y eliminar sus residuos, buscando reducir la huella de carbono y mejorar la conservación del Medio Ambiente. Podéis encontrar más información en el siguiente enlace.
Conservación del Medio Ambiente
Hay múltiples aplicaciones de la IA para la conservación del medio ambiente. Por ejemplo para reconocer los patrones de comportamiento de la fauna, rastrear las migraciones, monitorizar la actividad o detectar concentraciones de individuos para mejorar la protección de los ecosistemas. En este artículo encontramos posibles aplicaciones orientadas a este fin: separación automática diferentes tipos de residuos reciclables (plásticos, metales, papel, vidrio, residuos electrónicos, etc.), de los que no lo son; procesamiento y reconocimiento automático de imágenes de flora y fauna, lo que podría ayudar al descubrimiento y clasificación de nuevas especies; predicción y simulación de impactos ambientales; prevención de la caza y la pesca furtiva. Como en tantos otros campos, encontramos tantas posibilidades como nuestra imaginación permita.
Prevención y actuación en catástrofes naturales
También encontramos aplicación de IA en la predicción de catástrofes naturales, como pueden ser la inundaciones, creando modelos que ayudan a predecir cuando un río puede verse desbordado, y en qué zonas, así como una estimación del impacto que llegaría a causar, como podemos ver en este artículo.
Así mismo encontramos vías de investigación abiertas a aplicar la IA en la predicción de terremotos, y en actuaciónes tras los movimientos sísmicos, mejorando la planificación para posibilitar que los servicios de emergencias aumenten sus posibilidades de encontrar y ayudar a las víctimas cuando ocurre una emergencia y detectando las zonas menos afectadas para planificar posibles rutas de escape en el futuro, como explica Yanbing Bai, investigador de la Universidad de Tohoku en esta entrevista.
Desafíos en la aplicación de la IA
No sería responsable terminar esta presentación de contenidos sin ver la otra cara de la moneda. Frente a las ventajas y beneficios que la IA nos aporta y aportará en el futuro debemos tener en cuenta que también hay desafíos a tener en cuenta. Como no es el objetivo de este NOOC, me limitaré a citar algunos de ellos que debemos tener presentes para hacer que el uso de la IA sea lo más plural y justo posible:
- Los conjuntos de datos para entrenar una IA son definidos por personas, por lo que pueden estar sesgados o ser incompletos, reflejando los prejuicios raciales, de ideología, de género, etc. de los diseñadores, lo que orientaría las decisiones de la IA a conclusiones sesgadas por dichos rasgos.
- Como todo proceso de automatización, el uso de la IA puede generar un impacto negativo en el empleo.
- Una IA no deja de ser software, y por tanto, dependiente de unos factores externos, como el acceso a internet y sensible a fallos como falta de suministro eléctrico, fallos de seguridad o ataques que traten de aprovechar estos fallos.
- Las distintas aplicaciones, cada vez más sofisticadas y accesibles, que utilizan la IA para generar vídeos o voces, pueden favorecer la desinformación generando fake news que afecten al posicionamiento de la opinión popular, influyan en decisiones tan importantes como unas elecciones o puedan llegar incluso a generar situaciones de conflicto internacional.
RETO
En esta ocasión, os vamos a proponer tres niveles distintos de reto. Cada uno de ellos se construye sobre el anterior, de modo que si completas el primero y quieres tener una experiencia más completa con el Machine Learning, puedes aprovechar el trabajo anterior para completar el nivel 2 en unos minutos. Y si quieres ponerte a prueba tienes el nivel 3, donde el límite solo lo pondrán tus ganas e imaginación. ¿Cuál se adapta mejor a tus intereses? ¡Tú decides!
Ten en cuenta que la rúbrica de evaluación solo contempla el nivel 1. Los niveles 2 y 3 debes tomarlos como una “ampliación” o caminos a explorar para aquellas personas con ganas de profundizar un poco más.
La importancia de la generalización, categorías y ejemplos
Antes de lanzarnos a programar un proyecto con IA hay que tener en cuenta una de las características más importantes a la hora de generar un modelo de Machine Learning: la generalización.
Que un modelo tenga la capacidad de generalizar quiere decir que a partir de los ejemplos de datos con los que le entrenemos sea capaz de reconocer entradas distintas a aquellas con las que le hemos entrenado.
El algoritmo trata de buscar relaciones entre los ejemplos que hemos introducido para entrenarlo, e intenta reconocerlos en las nuevas entradas que le proponemos, clasificándolas en las diferentes categorías o etiquetas en función de esos patrones.
Para lograr una buena generalización es muy importante contar con una buena cantidad de ejemplos para que el modelo pueda encontrar relaciones en una gama lo más amplia posible, así como tener ejemplos diversos de cada categoría.
Por tanto, a la hora de planificar el entrenamiento debemos reflexionar y conocer en profundidad las características comunes de los ejemplos y tener muy claras las diferencias entre las clases o categorías que vayamos a determinar.
Para facilitar la comprensión de estos conceptos, veremos cómo podrían funcionar en un modelo de ejemplo:
Asistente para reciclaje
Una de las posibles aplicaciones de la IA al servicio del bien común podría ser un asistente virtual entrenado para ayudar a depositar los diferentes residuos en el contenedor adecuado. Este asistente sería muy útil en localidades en las que se inician programas de recogida de basuras más selectivos, incluyendo nuevos contenedores con los que la población no está familiarizada, o en los puntos límpios, donde se separa la recogida en un número aún mayor de contenedores.
Para no extendernos, reduciremos el modelo a dos categorías: Azul (en relación al contenedor azul para recogida de papel y cartón) y Amarillo (referido al contenedor amarillo para la recogida de envases). Añadir nuevas categorías sería muy sencillo, seguro que según lo vayáis leyendo se os ocurre como añadir dos o tres categorías más a nuestro modelo 🙂
Como podéis comprobar, las categorías son cláramete diferenciadoras y excluyentes.
Ahora vamos con los ejemplos: Cuantos más y más variados sean los que utilicemos para entrenar, mejor funcionará el modelo, pero en este caso pondremos 20 ejemplos de cada categoría.
| Azul | Amarillo |
| 1. Periódicos viejos
2. Revistas antiguas 3. Recortes de papel 4. Caja de cartón 5. Folios usados 6. Restos de cartulina 7. Papel de envolver 8. Bolsa de papel 9. Cartones 10. Un cuaderno 11. Tubos de cartón 12. Diarios 13. Sobres 14. Libros 15. Papel usado 16. Folletos de publicidad 17. Piezas de cartón 18. Hueveras de cartón 19. Tubos de papel higiénico 20. Tubo de servilletas de cocina |
Botellas o garrafas de plástico
Aros que sujetan los packs de latas Envases de yogur Bandejas de corcho blanco Botes de productos de limpieza Botella de detergente Envases de cosméticos Botella de gel Envase de champú Bolsas de plástico Envoltorios de plástico Papel film Papel de aluminio Brick de leche Brick de zumo Latas de bebidas Botes de conserva Aerosoles Latas de conserva Latas de refrescos |
NIVEL 1: ¡ACEPTO EL RETO!
¿Cómo utilizar la IA para el bien común? Seguro que a lo largo de este NOOC se te han ido ocurriendo diferentes ideas para aprovechar ese enorme potencial de la IA en beneficiar a la Humanidad de una u otra manera. Ahora es el momento de llevarlo a la práctica.
En este primer reto la propuesta es pensar en una aplicación de la IA para una tarea que repercuta en el bien común y reflexionar sobre el modelo necesario para llevarla a cabo.
El trabajo que te proponemos que realices es una infografía, presentación de diapositivas, vídeo o cualquier otro medio que consideres adecuado para exponer tus ideas en el que se vean reflejados los siguientes puntos:
1. ¿Qué situación o problema se pretende mejorar con la aplicación de la IA?
Describe brévemente el ámbito de aplicación del modelo y la situación o problema que se quiere trabajar aplicando la IA. (Extensión sugerida: entre 100 y 150 palabras).
2. ¿Cómo podría la IA contribuir a la mejora de esta situación?
Piensa en una aplicación de la IA para una tarea que pudiera repercutir positivamente en la situación descrita en el punto uno. (Extensión sugerida: entre 50 y 100 palabras).
Si no se te ocurre ninguna, aquí tienes algunas ideas que puedes usar como inspiración.
3. Define las categorías o clases
Estudia cómo funcionará tu aplicación para definir las categorías o clases en las que la IA tendrá que clasificar la información para que cumpla su objetivo adecuadamente.
4. Piensa en 15 ejemplos para cada categoría.
Recuerda que tienen que ser ejemplos representativos de cada categoría, pero variados entre ellos para que el modelo sea capaz de generalizar correctamente.
Seguro que tienes ya muchas ideas pero por si acaso aquí tienes alguna más:
-
-
-
- ¿Dónde tiro esto? Una IA nos ayuda a reciclar indicando a qué cubo va cada residuo.
- Asistente de recuperación de animales. Una IA nos indica cómo actuar al encontrar un animal salvaje herido y a quién avisar.
- Ayuda en el hogar. Al indicar algúna incidencia o accidente doméstico una IA nos indica cómo actuar y alerta a los servicios de emergencia adecuados si fuera necesario.
- Asesor de cultivos. Según los parámetros de luz solar, precipitaciones, temperatura… una IA recomienda el mejor cultivo para ese terreno.
- ¿Llevas mascarilla? Una IA detecta si estás utilizando mascarilla. Si no lo haces te invita a ponerte una antes de poder acceder al edificio.
- Carril prioritario. Una IA detecta si un vehículo es colectivo o de emergencias y le permite acceder a un carril prioritario de la carretera.
- Comunicador gestual. Una IA interpreta una serie de gestos y reproduce los mensajes asociados a cada uno de ellos.
-
-
NIVEL 2: ¡QUIERO MÁS!
¿Has completado el primer reto? ¿Te gustaría comprobar como funciona en un modelo REAL de Machine Learning? En ese caso, anímate con el NIVEL 2, en el que utilizaremos los datos del NIVEL 1 para crear un modelo de Machine Learning.
Así es como lo podemos hacer, paso a paso, y en tan solo unos minutos:
1. Entra en la web de LearningML (https://learningml.org/) y haz clic en Comenzar.
2. Selecciona el tipo de modelo que quieres entrenar: Para reconocer textos.
3. Añade como clases las categorías que has definido
4. Añade los ejemplos que has escrito para cada una de ellas.
5. Entrena el modelo.
6. Prueba el modelo. Recuerda utilizar expresiones diferentes a las que has utilizado en el entrenamiento para comprobar que generaliza correctamente.
7. Disfruta poniéndolo a prueba con diferentes ejemplos para comprobar lo bien que generaliza!
8. Amplia tu entrega: El trabajo que te proponemos que realices en este nivel es la ampliación de la infografía, presentación de diapositivas, vídeo o cualquier otro medio que hayas utilizado en el NIVEL 1 con una captura de pantalla de tu modelo de LearningML en la que se vean los datos de entrenamiento del modelo y los datos de la calsificación de un ejemplo en la zona de prueba (o un vídeo del proceso).
Entrenamiento de un modelo de texto
NIVEL 3: ¡A POR TODAS!
¿Sabes programar con Scratch o te apetece dar tus primeros pasos? ¿Quieres probar tu modelo de Machine Learning en un entorno más visual? En ese caso… ¡En NIVEL 3 es para ti!
En este último nivel utilizaremos el modelo creado en Learning ML para añadir Inteligencia Artificial a un modelo de Scratch. Ten en cuenta que, por la extensión y contenidos de este MOOC, no es posible dar una información muy detallada del uso de Scratch, así que si decides llevar a cabo este nivel del reto sin dominar el programa es probable que te lleve más tiempo del estipulado (aunque también puede ser una gran experiencia…) y que el proyecto lo tendrás que hacer en la versión de Scratch accesible desde LearningML, no desde la web oficial de Scrtach, ya que ésta no permitiría la inclusión de los bloques de Machine Learning.
Tras los pasos dados en el NIVEL 2 para generar el modelo de ML:
- Entra en la web de LearningML (https://learningml.org/) y haz clic en Comenzar.
- Selecciona el tipo de modelo que quieres entrenar: Para reconocer textos.
- Añade como clases las categorías que has definido
- Añade los ejemplos que has escrito para cada una de ellas.
- Entrena el modelo.
- Prueba el modelo. Recuerda utilizar expresiones diferentes a las que has utilizado en el entrenamiento para comprobar que generaliza correctamente.
Añadiremos el siguiente:
7. Haz clic en el gato de Scratch y programa tu proyecto.
8. ¡Disfruta probándolo!
9. Amplia tu entrega: El trabajo que te proponemos que realices en este nivel es la ampliación de la infografía, presentación de diapositivas, vídeo o cualquier otro medio que hayas utilizado en el NIVEL 2 con una captura de pantalla de los bloques de programación de tu proyecto y dos o tres capturas de pantalla de momentos representativos del proyecto funcionando (o un vídeo del proceso).
A continuación se presenta el proyecto básico que puede servir como base para desarrollar tu propuesta personalizada:
Proyecto con un modelo de texto
Autoevaluación y evaluación entre pares
Este reto es una actividad de evaluación entre pares (P2P), en la que debes seguir los siguientes pasos:
- Tu respuesta: Escribe la URL pública de tu reto en el apartado “Introduce tu respuesta a la pregunta anterior” y envía tu respuesta.
- Evalúa tu respuesta: autoevalúa tu entrega seleccionando la puntuación de cada criterio y comentando aquellos aspectos que consideres necesario mejorar o resaltar.
- Evalúa a tus compañeros: completa la evaluación de, al menos, 2 de tus compañeros de NOOC, siguiendo los mismos pasos que has realizado en la autoevaluación.
Una vez finalizados los 3 pasos, y una vez tu trabajo haya sido calificado por otros dos compañeros, podrás ver los resultados relacionados con Tu calificación y las 10 respuestas mejor valoradas de los participantes en esta experiencia de aprendizaje, justo debajo. No olvides echar un vistazo a tu barra de Progreso, en el menú superior del NOOC.
Utiliza este tutorial si necesitas ayuda para realizar la actividad.
A continuación te ofrecemos una rúbrica de evaluación para esta actividad, que te será de ayuda tanto a la hora de realizar tu reto como para poder evaluar el trabajo realizado por algunos de tus compañeros del NOOC.
