¿Quién es CertiProf®?

CertiProf® es una entidad certificadora fundada en los Estados Unidos en 2015, ubicada actualmente en Sunrise, Florida.

Nuestra filosofía se basa en la creación de conocimiento en comunidad y para ello su red colaborativa está conformada por:

• Nuestros Lifelong Learners (LLL) se identifican como Aprendices Continuos, lo que demuestra su compromiso
inquebrantable con el aprendizaje permanente, que es de vital importancia en el mundo digital en constante cambio y
expansión de hoy. Independientemente de si ganan o no el examen.

• Las universidades, centros de formación, y facilitadores en todo el mundo forman parte de nuestra red de aliados ATPs
(Authorized Training Partners.)

• Los autores (co-creadores) son expertos de la industria o practicantes que, con su conocimiento, desarrollan contenidos
para la creación de nuevas certificaciones que respondan a las necesidades de la industria.

• Personal Interno: Nuestro equipo distribuido con operaciones en India, Brasil, Colombia y Estados Unidos está a cargo de
superar obstáculos, encontrar soluciones y entregar resultados excepcionales.

2
Nuestras Acreditaciones y Afiliaciones

3
Agile Alliance

CertiProf® es un miembro corporativo de Agile Alliance.

Al unirnos al programa corporativo Agile Alliance,

continuamos empoderando a las personas ayudándolas
a alcanzar su potencial a través de la educación. Cada
día, brindamos más herramientas y recursos que
permiten a nuestros socios formar profesionales que
buscan mejorar su desarrollo profesional y sus
habilidades.

https://www.agilealliance.org/organizations/certiprof/

4
IT Certification Council - ITCC

CertiProf® es un miembro activo de ITCC.

El propósito fundamental del ITCC es apoyar a

la industria y sus empresas miembros mediante
la comercialización del valor de la certificación,
la promoción de la seguridad de los exámenes,
el fomento de la innovación y el
establecimiento y el intercambio de las mejores
prácticas de la industria.

5
Credly

Esta alianza permite que las personas y empresas

certificadas o acreditadas con CertiProf® cuenten con
una distinción a nivel mundial a través de un distintivo
digital.

Credly es el depósito de insignias más grande del

mundo y empresas líderes en tecnología como IBM,
Microsoft, PMI, Nokia, la Universidad de Stanford,
entre otras, emiten sus insignias con Credly.

6
Insignia

7
Lifelong Learning
Los portadores de esta insignia en particular han demostrado su
compromiso inquebrantable con el aprendizaje permanente, que es de
vital importancia en el mundo digital actual, en constante cambio y
expansión. También identifica las cualidades de una mente abierta,
disciplinada y en constante evolución, capaz de utilizar y contribuir
con sus conocimientos al desarrollo de un mundo más igualitario y
mejor.

Criterios de Adquisición:

• Ser candidato a una certificación de CertiProf

• Ser un aprendiz continuo y enfocado

• Identificarse con el concepto de aprendizaje permanente

• Creer e identificarse realmente con el concepto de que el

conocimiento y la educación pueden y deben cambiar el mundo

• Querer impulsar su crecimiento profesional

8
Objetivos

El presente curso tiene como objetivo desarrollar las siguientes competencias específicas y especializadas:

• Comprende los Modelos de IA

• Descubre las Oportunidades que Ofrece la Inteligencia Artificial
• Descubre los Fundamentos del Machine Learning
• Descubre los Fundamentos del Deep Learning
• Evalúa el Impacto de la Inteligencia Artificial en el Lugar de Trabajo
• Familiarízate con los Conceptos Clave Asociados a la Inteligencia Artificial
• Identifica aplicaciones comunes de la Inteligencia Artificial
• Identifica las Diferentes Etapas de un Proyecto de Inteligencia Artificial
• Identifica Preocupaciones de Seguridad en la Inteligencia Artificial
• Descubre el Verdadero Poder de la Inteligencia Artificial

9
1. Identificar aplicaciones comunes de la
inteligencia artificial
 En este primer capítulo, responderemos a la pregunta: “¿qué es la inteligencia artificial?”
Comenzaremos con una breve descripción basada en ejemplos de la vida cotidiana.
¡Síguenos a lo largo de un día normal para ver soluciones de IA ya implementadas!

12
 8:00 a. m.: Hora del Desayuno

Son las 8:00 de la mañana. Preparas una taza de café fresco y te sientas en la mesa. Sacas tu
smartphone, abres tu red social favorita, como Facebook, Instagram, LinkedIn o Twitter, y
comienzas a desplazarte por feed de noticias para ver qué está sucediendo en el mundo y qué
publican los demás.

¡Todas las plataformas de redes sociales utilizan inteligencia artificial para asegurarse de que tu
feed de noticias sea la más relevante para ti!

Artículos, videos, publicaciones de personas en tu red social, e incluso anuncios se recopilan y

muestran en función de numerosos parámetros, como tu ubicación, a quién sigues y
publicaciones que has indicado que te gustan, entre otros. Esto significa que no ves contenido
fijo cuando navegas por tu feed de noticias; ha sido seleccionado especialmente para ti.

13
 8:45 a. m.: Rumbo al Trabajo

Mientras te diriges al trabajo utilizando tu medio de transporte habitual, abres una aplicación
de música, quizás Spotify o Apple Music. ¡Con un solo clic, ves docenas de recomendaciones
de canciones y podcasts!

Estas recomendaciones son posibles gracias a la IA, que se utiliza para presentar una selección
de contenido basada en tu perfil.

Por ejemplo, podrías ver “Descubrimiento Semanal”, una selección de nuevos títulos que
Spotify te trae cada lunes. Para desarrollar esta lista de reproducción, Spotify utiliza un
programa de IA para analizar lo que tú y otros con gustos similares han estado escuchando
últimamente.

14
 9:30 a. m.: Responder tus correos electrónicos

Abres la bandeja de entrada de tu correo electrónico y te ocupas de los mensajes uno a uno.
Acabas de comenzar a responderle a tu jefa, Annie, cuando el software del correo electrónico
sugiere la siguiente parte de tu texto en un gris tenue. “Hola, Annie, espero que estés bien”.

La IA es extremadamente buena para elegir las palabras que siguen a un texto, como veremos
hacia el final de este curso. La IA utiliza datos textuales previos para predecir lo que quieres
decir.

Si te sientes poco inspirado, puedes decirle al chatbot: “Escribe una respuesta a Annie con un
tono amigable, dile que terminaré el trabajo que menciona para esta tarde”. El chatbot sugiere
instantáneamente una respuesta en el tono que deseas, así que la envías.

15
 12:30 p. m.: Hora del Almuerzo

Te tomas un descanso para almorzar con algunos compañeros de trabajo, y uno sugiere que
pruebes un pequeño restaurante que acaba de abrir en la calle. Llega tu plato principal y ¡se ve
delicioso! Tomas una foto para mostrarle a tus colegas en el trabajo. Cuando tomas una foto,
tu cámara se calibra automáticamente para la escena en el encuadre. Una aplicación de IA
trabaja para optimizar los ajustes de tu cámara.

También tomas una foto del grupo en el restaurante y la publicas en las redes sociales. Cuando
la publicas, la plataforma sugiere que etiquetes a las personas en la foto.

Si la instantánea contiene a personas de tu círculo cercano, serán identificadas

automáticamente. La IA facilita también esta función de reconocimiento facial.

16
 1:45 p. m.: Revisión de tu Cuenta de LinkedIn
Cada día, te tomas unos minutos para revisar tu cuenta de LinkedIn. Esta útil aplicación te
mantiene al día con las actividades de tu red profesional. ¿Estás buscando trabajo? Tu red de
LinkedIn puede recomendarte ofertas de trabajo específicas.

Un programa de IA analiza en detalle tu perfil profesional e identifica las ofertas más

relevantes.

6:00 p. m.: De Regreso a Casa

¡Hora de regresar a casa! Si conduces, es probable que dependas de aplicaciones como Google
Maps o Waze. Estas herramientas proporcionan actualizaciones de tráfico en tiempo real. Aún
mejor, ahora pronostican retrasos para los usuarios de transporte público (horarios de trenes o
autobuses, por ejemplo). Estas aplicaciones utilizan inteligencia artificial con datos disponibles
(ubicación en tiempo real de autobuses, cambios de clima, etc.).

17
 7:00 p. m.: Un Poco de Compras

Decides darte un capricho haciendo algunas compras en tu sitio web de comercio electrónico
favorito, como Amazon, Jumia o Kijiji. Todos ellos utilizan IA para mejorar tu experiencia de
compra.

En términos concretos, los sitios utilizan IA para recomendar los artículos más relevantes.

18
 ¿Qué es la Inteligencia Artificial?

A estas alturas, probablemente te hayas dado cuenta de que la IA está en todas partes,
apareciendo en varias formas a lo largo de tu vida diaria.

Pero ¿cómo se define? ¿Qué es la IA?

19
 “La inteligencia artificial es cualquier tecnología de la información
capaz de resolver problemas complejos que normalmente se atribuirían
a humanos y animales”.

– Yann LeCunn, Científico Jefe de IA en Meta

La inteligencia artificial no es una tecnología única. En su lugar, piensa en ella como un

término general que abarca muchas tecnologías diferentes. Aprenderás acerca de algunas de
ellas en la siguiente sección de este curso.

20
 Go es un juego de mesa creado en China. Su
objetivo es colocar piezas negras o blancas,
llamadas piedras, en el tablero de manera que
rodees más territorios que tu oponente.
Jeopardy es un programa de televisión
estadounidense en el que el presentador ofrece
pistas de conocimiento general en forma de
respuestas a las cuales los concursantes deben
responder con la pregunta correspondiente.

The history of artificial intelligence

21
 ¿Cómo continuará impactando tu vida diaria la IA ?

Habrá cada vez más usos de la inteligencia artificial en la vida cotidiana. Aquí tienes dos ejemplos
que pueden parecer increíbles ahora, pero que podrían convertirse en algo común en solo unos
pocos años.

22
Electrodomésticos Controlados por Comandos de Voz

Hoy en día, cada vez más personas controlan sus electrodomésticos mediante comandos
de voz, utilizando, por ejemplo, altavoces inteligentes activados por voz o asistentes
digitales como Alexa o Google Nest.

Estos dispositivos pueden detectar, analizar y

responder a la voz humana de forma natural. Puedes
darles instrucciones para encender una luz específica,
un grifo, reproducir una lista de reproducción en
particular o proporcionar el último pronóstico del
tiempo.

23
 Nuevas características se añaden constantemente a estos altavoces inteligentes. En poco
tiempo, estarás interactuando por voz con una amplia gama de dispositivos, desde
televisores hasta salpicaderos e incluso cafeteras. ¡Podría decirse que se están convirtiendo
cada vez más en asistentes digitales!

Según un estudio de enero de 2019 de eMarketer, cerca de 5.8 millones de personas en

Canadá utilizan altavoces inteligentes activados por voz al menos una vez al mes.

24
Vehículos Autónomos

Avances tecnológicos notables también se abrirán camino

en el sector del transporte. Por ejemplo, los taxis y servicios
de transporte compartido han sido reinventados por
empresas como Uber y Lyft, que utilizan la IA para ayudar a
los conductores a encontrar la ruta más rentable para una
serie de paradas.

La IA también está detrás del desarrollo de vehículos

autónomos, que prometen revolucionar el mundo del
transporte.
An autonomous vehicle

25
 Los automóviles autónomos, equipados con sensores y una potente computadora, pueden
circular por calles concurridas por sí mismos. Estos vehículos autónomos estarán
disponibles para llevarte en un futuro no muy lejano. Liberado de la necesidad de conducir,
podrás aprovechar tu tiempo de viaje para leer o revisar correos electrónicos. Pero los
beneficios de los coches autónomos van más allá de lo personal; también resultarán en un
flujo de tráfico más eficiente y menos accidentes.

Tesla ha sido durante mucho tiempo un pionero de los vehículos autónomos, y un número
creciente de empresas automotrices ofrecen soluciones autónomas. Por ejemplo, Oxbotica,
una empresa con sede en el Reino Unido desarrolladora de software para vehículos
autónomos, está desarrollando actualmente taxis autónomos en colaboración con la
empresa de taxis con sede en Londres, Addison Lee. En Toronto, Canadá, la empresa X-
Matik ha desarrollado un kit para convertir cualquier vehículo de hasta veinte años en uno
semi-autónomo.

26
 ¡Resumamos!

• La inteligencia artificial ya es omnipresente en la vida cotidiana, en los feeds de redes

sociales, aplicaciones de mapas de rutas, servicios de transmisión de música y video, y
más.

• La IA puede definirse como “cualquier tecnología de la información capaz de resolver

problemas complejos que normalmente se atribuirían a humanos y animales”.

• La IA todavía tiene mucho que ofrecer, y en los próximos años surgirán muchas más
aplicaciones de IA.

Has aprendido sobre algunos de los usos actuales y futuros de la inteligencia

artificial en la vida cotidiana y ahora sabes lo que abarca el término. En la
próxima sección, aprenderás otros términos a menudo asociados con la IA.

27
2. Familiarízate con los conceptos clave
asociados a la Inteligencia Artificial
 Las aplicaciones de inteligencia artificial permiten que las máquinas realicen
tareas generalmente reservadas para los humanos. Para comprender todo
lo que implica la revolución de la IA, es necesario entender algunos
conceptos cercanos o remotamente relacionados: datos, big data, Machine
Learning y Deep Learning. ¡Dominar estos conceptos básicos te ayudará a
orientarte en el campo de la inteligencia artificial!

La inteligencia artificial es un campo vasto. Hemos elegido discutir los

conceptos que consideramos más importantes para comprender este tema
fascinante. ¡Esta no es una presentación exhaustiva de todo lo que abarca
la IA!

29
 ¿Qué es Big Data?

“Datos”, “protección de datos”, “la magia de la ciencia de datos”, “robo de datos”,

“decisiones basadas en datos”, ¡escuchas la palabra “datos” por todas partes! Pero, ¿qué
significa exactamente?

30
 Los datos son fragmentos de información que se almacenan para su uso por
programas de computadora. Cada vez que intercambias correos electrónicos,
visitas sitios de redes sociales o compras en línea, produces datos.

Algunos ejemplos de datos incluyen un documento almacenado en tu

computadora, una nota de voz grabada en tu teléfono inteligente, tu historial
de navegación y la foto más reciente que tomaste con tu cámara. También
pueden incluir datos personales, como tu fecha de nacimiento o tu dirección.

31
 Como puedes imaginar, ¡no eres el único que
produce todos estos datos! La sociedad en
general crea una cantidad colosal. Para que te
hagas una idea, cada minuto de cada día, las
personas:

• Usan Google 4 millones de veces.

• Ven 4.5 millones de videos en YouTube.

• Intercambian 188 millones de correos

electrónicos.

Todos estos datos, en conjunto, conforman el concepto de big data.

32
 El concepto de big data se desarrolló para describir el fenómeno de la
explosión de datos. La característica que lo define es un volumen muy
elevado.

El término big data abarca varios tipos de datos. Pueden ser números,
texto, video, audio y más. Y estos datos no son generados únicamente
por internet; sensores en el mundo físico también los producen.

Por ejemplo, en el transporte, un autobús podría actualizar regularmente

su posición para brindar un mejor servicio a los pasajeros. Pero, ¿para
qué se utiliza toda esta información? ¿Y cómo se relaciona con la
inteligencia artificial?

33
 ¿Para qué se utiliza el Big Data?

Algunos de estos datos son recopilados y utilizados por organizaciones para mejorar tu experiencia
en línea u ofrecer servicios personalizados.

Sin embargo, antes de que la inteligencia artificial se aplique a ellos, los datos se exploran para
identificar tendencias. ¿Cómo? Echemos un vistazo más de cerca.

34
 ¿Para qué se utiliza el Big Data?

Para analizar todos los datos recopilados, el famoso big data, las organizaciones recurren a
profesionales de un campo subyacente: la ciencia de datos. ¿Has oído hablar de la profesión
“científico de datos”? En los últimos años, se ha convertido en una de las profesiones más
buscadas por los reclutadores. En 2012, Harvard Business Review incluso lo llamó el “trabajo más
sexy del siglo XXI” en un artículo. Diez años después, publicaron un artículo de seguimiento
llamado “¿Sigue siendo el Científico de Datos el trabajo más sexy del siglo XXI?” (la respuesta
corta es sí).

35
 ¡Veamos qué hace un científico de datos!

Considera una cadena de tiendas de ropa con varias sucursales en todo el país. Tiene datos sobre
todas las ventas realizadas en sus diversas boutiques.

Acaba de contratar a un científico de datos para ayudar a:

1. Analizar las cifras de ventas pasadas.

2. Identificar las colecciones de moda más propensas a vender en el futuro.

36
 Para hacer su trabajo, el científico de datos necesita tener un conjunto de habilidades específicas:

• Conocimientos de matemática y estadística, para analizar las cifras.

• Habilidades informáticas para procesar grandes cantidades de información.

• Una comprensión del sector específico al que se aplican estas habilidades. Por ejemplo,
en el sector de la moda, el científico de datos debe saber cómo analizar el flujo de
inventario, los patrones de ventas estacionales, etc.

El científico de datos completa el análisis de ventas y luego desarrolla herramientas para predecir
automáticamente qué productos se venderán más en los próximos meses. Esto requiere
conocimiento de subdisciplinas específicas de la inteligencia artificial; ¡vamos a verlas!

37
 Más sobre Machine Learning y Deep Learning

Para desarrollar un programa de inteligencia artificial, es necesario conocer el Machine

Learning y una de sus subdisciplinas: el Deep Learning. Seguramente has oído hablar de
estos, ¿pero sabes qué significan? ¡Descifrémoslos ahora! En este capítulo, solo
esbozaremos los contornos de estos dos subcampos de la IA. En la tercera parte de este
curso, profundizaremos en su funcionamiento interno.

38
 Machine Learning

El Machine Learning es una subdisciplina de la inteligencia artificial. Permite que un

programa de computadora realice una tarea para la cual no está programada
explícitamente. Se programa para aprender cómo hacerlo. Al programa se le
proporcionan numerosos datos y aprende a partir de ellos. Esto es bastante similar a
cómo los niños aprenden. Por ejemplo, para entender qué es un gato, un niño debe ver
uno varias veces e identificarlo correctamente. Los programas de Machine Learning
funcionan de manera similar. Se les proporciona una gran cantidad de datos y se les pide
que aprendan a partir de ellos.

¿Aún confundido? No te preocupes: profundizaremos en el Machine Learning en la

sección dedicada a ello: Descubre los Fundamentos del Machine Learning.

39
 Deep Learning

El Deep Learning se basa en la construcción de redes neuronales artificiales. Estas redes,

compuestas por miles, incluso millones de neuronas, están inspiradas en el cerebro
humano. En comparación con otras subdisciplinas del Machine Learning, el Deep
Learning a menudo se utiliza con volúmenes mucho más grandes de datos. Toma un
montón de ejemplos, aprende de ellos y, en algunos casos, obtiene resultados mucho
mejores que los tipos más tradicionales de inteligencia artificial.

El Deep Learning es particularmente útil para manejar datos de voz. Por ejemplo, los
asistentes virtuales deben interpretar y traducir preguntas en texto antes de responder.
Esto se llama procesamiento automático del lenguaje natural.

40
 Deep Learning

Aprenderás más sobre el Deep Learning en la

sección Descubre los Fundamentos del Deep
Learning. Finalmente, todas estas disciplinas
tienen una relación anidada entre sí, como se
muestra aquí:

Como recordatorio, la inteligencia artificial

incluye otras subdisciplinas. Solo estamos
presentando las más importantes.

41
 Amplía tu definición de Inteligencia Artificial

Con el Machine Learning y su subdisciplina, el Deep Learning, la inteligencia artificial

puede resolver problemas complejos que normalmente requerirían inteligencia humana,
como interpretar el lenguaje o desarrollar predicciones o recomendaciones complejas.
Para hacer cualquiera de estas cosas, necesitamos algoritmos.

42
 ¿Algoritmos?

Un algoritmo es una secuencia de instrucciones para resolver un problema dado o llevar a cabo
una tarea. En términos generales, un algoritmo resuelve un problema realizando una serie de
pasos.

¡Un poco como una receta de cocina!

En el capítulo anterior, definimos la inteligencia artificial como:

“…cualquier tecnología de la información capaz de resolver problemas complejos que normalmente se

atribuirían a humanos y animales.”

43
 Ahora ampliemos esta definición para incluir:

“…cualquier tecnología de la información algorítmica capaz de resolver problemas complejos que

normalmente se atribuirían a humanos y animales, como la percepción, el razonamiento y la
acción.”

¿Dónde encajan los Robots en Todo Esto?

La inteligencia artificial y la robótica a veces se confunden porque a menudo se discuten juntas y

se utilizan en los mismos proyectos.

44
 Entonces, ¿en qué se diferencian?

La robótica se ocupa de la mecánica, que es lo

que permite que un robot se mueva. El robot
detecta información en su entorno mediante
diferentes sensores. Puede estar equipado con
un micrófono para grabar audio y con altavoces
para emitir sonido. La robótica abarca todo
esto. Muchas personas imaginan a los robots
como humanoides, ¡dejan una gran impresión!
Pero en realidad, la mayoría de los robots no se
parecen a esto:

45
 Más bien, se parecen más a esto:

La inteligencia artificial amplía al robot para

realizar nuevas tareas, como moverse de
manera autónoma en entornos. Es posible
tener robots que funcionen sin IA, como los
robots industriales, cuyo comportamiento
es programado de principio a fin por un
humano. También es posible tener
programas de IA que no se utilizan en
robots, como los asistentes de voz en
teléfonos inteligentes.

46
 ¡Hagamos un Resumen!
• Cada día, los correos electrónicos, las fotos, etc., generan una gran cantidad de datos.

• El término big data se refiere a esta enorme cantidad de datos en conjunto.

• La inteligencia artificial y la ciencia de datos son campos superpuestos que se utilizan en

conjunto, especialmente al usar el Machine Learning y el Deep Learning.

• La inteligencia artificial y la robótica son campos separados, pero a menudo se utilizan en

los mismos proyectos.

• La IA es “cualquier tecnología de la información algorítmica capaz de resolver problemas

complejos que normalmente se atribuirían a humanos y animales, como la percepción, el
razonamiento y la acción”.

Ahora conoces un poco más acerca de los conceptos clave en torno a la inteligencia artificial. En el
próximo capítulo, desmitificaremos algunos de los mitos más comunes.

47
3. Ver más allá de los mitos: Descubre el
verdadero poder de la Inteligencia Artificial
 Como has visto, la inteligencia artificial ya forma parte de nuestra vida cotidiana, y los
científicos están encontrando muchas más formas de utilizarla. Con AlphaGo, el
programa informático que puede aprender de forma autónoma a jugar juegos de mesa,
Sophia, los robots humanoides de Hanson Robotics, los coches autónomos y ChatGPT,
las noticias están repletas de ejemplos impresionantes de inteligencia artificial.

49
 La IA causa sensación en las noticias

Estas innovaciones y, en general, las

posibilidades futuras de esta tecnología han
estimulado la imaginación de los artistas
durante muchos años. Piensa en Frankenstein,
Terminator, Wall-E y la serie Black Mirror, por
nombrar algunos: nuestra cultura está llena de
representaciones de tecnologías futuras
hipotéticas y seres humanos aumentados.

Pero tomemos un momento para separar el

mito de la realidad y descubrir el verdadero
potencial de la IA.

50
 Desmitificando mitos comunes en torno a la IA

Mito No. 1: “Los Programas de IA son más inteligentes que los humanos.”

Los programas de inteligencia artificial pueden lograr hazañas asombrosas, como vencer a los
mejores jugadores de Go del mundo, identificar especies raras en videos e incluso engañar en
partidas de póker.

51
 Sin embargo, es esencial reconocer que estos programas no son copias del cerebro
humano, sino que están inspirados en él.

Algunas formas de inteligencia artificial pueden parecer inteligentes, pero sería un error
creer que las aplicaciones actuales son similares o equivalentes a la inteligencia humana.

Los programas actuales de inteligencia artificial no son tan inteligentes. Sobre todo, son
increíblemente especializados y, por lo tanto, son muy eficientes en la realización de
tareas específicas.

52
 Como lo expresó Yann LeCun:

“¡Los sistemas informáticos más inteligentes de hoy en día tienen menos sentido común
que tu gato!”

53
 Los científicos a menudo distinguen entre la IA estrecha y la IA general. La IA
estrecha es un tipo específico de IA en el que una creación tecnológica realiza
excepcionalmente bien una tarea estrictamente definida. En contraste, la IA general
permitiría a las máquinas aplicar conocimientos y habilidades en varias funciones y
contextos diferentes. La mayor parte del progreso que ves en el campo de la IA se
refiere a la IA estrecha, y los expertos tienen opiniones muy divergentes sobre el
futuro de la IA en general.

54
 Mito No. 2: “La IA funciona igual que el cerebro humano.”

El objetivo de la inteligencia artificial es resolver problemas complejos que normalmente

requerirían inteligencia humana. Por ejemplo, podría implicar la percepción visual o el
reconocimiento del lenguaje.

El desarrollo de redes neuronales (y, por lo tanto, el Deep Learning) intentó imitar las
funciones del cerebro humano, y estas redes neuronales hacen posible el diálogo natural con
una máquina.

Sin embargo, la IA funciona de manera muy diferente a cómo funciona el cerebro humano y no es
una copia o simulación.

Como viste anteriormente, los programas actuales de IA son muy especializados.

55
 La inteligencia se puede medir de diferentes maneras. Cuando se trata de cálculos
matemáticos rápidos o capacidades de memoria grandes, la inteligencia artificial supera a los
humanos. Sin embargo, hay otras capacidades que la IA no poseerá en mucho tiempo. Por
ejemplo, la IA no tiene la capacidad de emoción, empatía o humor, aunque puede parecer que
posee estas cualidades.

56
 Fuera del ámbito de la ciencia ficción, algunos altavoces inteligentes ahora pueden expresar
emociones. Amazon Alexa puede responder con entonaciones para mostrar emoción,
decepción o desaprobación, lo que puede ser útil como compañero artificial (es decir, para
aliviar la soledad de las personas mayores, dar una bienvenida más cálida a los pacientes de
hospitales, etc.). El chatbot Bing de Microsoft fue noticia por generar respuestas agresivas e
hirientes en conversaciones con algunos usuarios. En la próxima parte del curso, veremos que,
si bien este comportamiento puede expresar emociones poderosas como la ira, no se puede
comparar con las emociones humanas.

Los robots pueden parecer alegres o tristes, ¡pero estas y otras emociones son simuladas! Lo
importante es cómo se sienten y reaccionan los humanos al interactuar con la IA. ¿Podrán los
humanos identificar que las herramientas de IA ofrecen simulaciones emocionales y no son reales?

¿Cómo afectará esto al comportamiento humano?

57
 ¡Resumamos!

Si bien los sistemas de IA están inspirados en el cerebro humano, no son una copia de
nuestros cerebros.

• Los productos de IA no experimentan emociones como lo hacen los humanos. Son

solo simulaciones de emociones.

• Los sistemas de IA no poseen libre albedrío. Su comportamiento y propósito

dependen de cómo los diseñan los humanos.

58
4. Descubre las oportunidades que ofrece
la Inteligencia Artificial
 La inteligencia artificial es una tecnología prometedora. ¿Y si se utilizara en beneficio del bien
común?

Muchos han aprovechado las oportunidades que brinda la IA para abordar algunos de los
mayores desafíos de la sociedad, especialmente en los campos de la medicina, la educación y
el medio ambiente. Muchos de estos proyectos aprovechan la fuerza combinada de múltiples
campos de experiencia: inteligencia artificial, industria, sociedad civil y emprendimiento.

Una de las iniciativas más conocidas es “AI for Good”, que es objeto de una cumbre mundial
anual patrocinada por las Naciones Unidas que, desde 2017, ha estado exhibiendo algunos de
los usos más prometedores de la inteligencia artificial en tres dominios: la salud, la educación
y el medio ambiente.

60
 Detección temprana de enfermedades

La inteligencia artificial puede desempeñar un papel en la prevención de enfermedades,

como el cáncer de mama (más de 50,000 nuevos casos se diagnosticaron en el Reino
Unido en 2020, casi 30,000 en Canadá y más de 250,000 en Estados Unidos).

61
 Una clave para controlar esta enfermedad es detectarla lo antes posible. A simple vista,
incluso si pertenece a un experto, se pueden pasar por alto ciertos signos preliminares. En
esta etapa temprana, la IA ofrece una ayuda inestimable, entre otras cosas, al ayudar a los
profesionales de la salud a identificar a los pacientes con mayor riesgo.

En 2019, un equipo del MIT desarrolló un programa de IA que puede “ver” mucho más que un
médico humano al detectar anomalías sutiles. Los resultados son impresionantes: un algoritmo que
puede predecir el riesgo de cáncer de mama hasta cuatro años antes de que lo detecte un médico
con imágenes tradicionales.

62
 ¿Cómo puede lograr resultados tan notables este programa de IA?

El sistema obtiene su fortaleza del gran número de imágenes utilizadas para entrenarlo: 90,000
mamografías digitalizadas y resultados conocidos de más de 60,000 pacientes.

Desarrollar planes de tratamiento

La IA también se puede utilizar para ayudar a desarrollar el mejor tratamiento posible para un
paciente. Al igual que todas las enfermedades, el cáncer de mama es muy complejo y se deben
tener en cuenta muchos factores.

El proyecto europeo DESIREE se centra específicamente en desarrollar un sistema para

respaldar la toma de decisiones de los médicos en el tratamiento del cáncer de mama.
Concretamente, este “ecosistema” de software basado en la web reúne la experiencia de miles
de casos y resultados, analizando la información ingresada para un paciente a la luz de todo lo
que se sabe sobre casos anteriores.

63
 El poder del sistema proviene de la constante entrada de nuevos casos, que los médicos
utilizan para adaptar los tratamientos. Cada paciente es diferente, y cuanto más personalizado
sea el tratamiento, mejores serán las posibilidades de curación. La IA ayuda al médico a
desarrollar la mejor acción posible.

Ampliar el acceso a la atención médica

El acceso a la atención médica y encontrar al médico adecuado puede ser costoso y llevar
mucho tiempo.

Babylon Health, una plataforma de atención médica virtual con operaciones en el Reino Unido
y Ruanda se asoció con Telus, una empresa de telecomunicaciones canadiense, para
proporcionar servicios de atención médica accesibles y asequibles mediante la IA.

64
 La aplicación de salud “Babylon by Telus Health” ofrece un verificador de síntomas con
chatbot de IA, donde el chatbot interactúa con los pacientes sobre sus síntomas para
determinar los posibles pasos a seguir en la atención médica. El objetivo es capacitar a los
usuarios para tomar decisiones basadas en datos sin depender de una simple búsqueda en
internet.

Actualmente, la aplicación está disponible en inglés y francés y se basa en más de 500

millones de flujos de conocimiento médico para evaluar los síntomas de un usuario.

65
 Iniciativas en educación

La inteligencia artificial también está haciendo incursiones en las aulas, donde puede
aumentar significativamente el rendimiento.

66
 Ayudando a los estudiantes a aprender a escribir

Eso es lo que el startup Kaligo se propuso hacer cuando respondió a un llamado de

proyectos lanzado por el Ministerio de Educación de Francia en 2013. Tres años de
investigación se destinaron a esta iniciativa, que involucró al equipo IntuiDoc en IRISA
(un laboratorio francés de I+D en ciencia y tecnología digital) e INSA (el Instituto
Nacional de Ciencias Aplicadas de Francia).

El resultado es una aplicación que enseña a los estudiantes a escribir utilizando una
tableta y un lápiz óptico, comenzando con las letras del alfabeto y algunas palabras
simples.

La IA se utiliza para analizar cada trazo basándose en la forma, la dirección, el orden y la

velocidad. Los datos son analizados por la aplicación, que luego proporciona
retroalimentación al estudiante en tiempo real. La interfaz lúdica y la eficacia de la
aplicación la han convertido en un éxito en muchas aulas.

67
 Apoyar la alfabetización

Enseñar a los estudiantes a leer es uno de los desafíos más críticos de la educación. Para
enfrentar este desafío, el startup con sede en Estados Unidos Square Panda diseñó un
sistema que utiliza el aprendizaje adaptativo y la IA para crear una experiencia de
aprendizaje personalizada para cada estudiante.

El sistema de aprendizaje fonético multisensorial basado en IA de Square Panda se ajusta

automáticamente al nivel de cada niño. Si un estudiante avanza rápidamente, el
programa responde en consecuencia, con contenido más avanzado. Como con cualquier
tecnología de IA, cuanto más juega el niño, más personalización habrá.

68
5. Identificar los problemas de seguridad de
la Inteligencia Artificial
 Las técnicas de IA tienen un potencial tremendo. Están creciendo rápidamente e
infiltrándose gradualmente en todas las profesiones y aspectos de nuestra sociedad. La
IA también plantea preguntas importantes sobre la seguridad y la responsabilidad social
y ambiental.

La IA puede facilitar actos maliciosos como la difusión de noticias falsas o ciberataques.

Han surgido nuevas cuestiones de seguridad en torno a cómo podemos estar seguros de
que la IA hará lo que esperamos de ella. También existen otras preocupaciones con
respecto al uso de datos, especialmente datos personales o sesgados. Además, hay
consideraciones sobre el impacto ambiental de la IA.

Exploraremos estos problemas con más detalle en este capítulo y el siguiente. En cada
capítulo, sugeriremos algunas cosas a considerar para asegurarnos de que estés atento y
te comportes de forma responsable. Al final de estos dos capítulos, veremos cómo la
gobernanza de la IA puede alentar o incluso obligar a las empresas a desarrollar sistemas
de IA seguros, responsables y contables. ¿Estás listo?

70
 Explorar el uso malicioso de la IA
La IA es una herramienta que proporciona un servicio a los humanos. Como hemos visto,
podemos utilizarla para lograr avances significativos en muchos sectores, como la
atención médica, la educación y el medio ambiente. Sin embargo, también puede facilitar
el trabajo de personas con intenciones maliciosas. Vamos a explorar dos ejemplos de uso
malicioso de la IA que es probable que te encuentres: las noticias falsas y los ciberataques.

Noticias Falsas

Es posible que hayas encontrado videos extraños o improbables circulando en línea:

Barack Obama insultando a Donald Trump o Mark Zuckerberg hablando de manipular a
los usuarios de Facebook. Estos videos falsos comenzaron a aparecer en 2018 y pueden
parecer sorprendentemente reales. La tecnología subyacente se basa en potentes técnicas
de inteligencia artificial. La gente se refiere a estos medios sintéticos como “deepfakes”.

La tecnología se basa en el Deep Learning, sobre lo cual aprenderás más en un capítulo

posterior.

71
 ¿Pero las noticias falsas no existían mucho antes de la inteligencia artificial?

Sí, pero en el pasado, solo un puñado de expertos manipulaba fotos. Ahora, un número
creciente de personas puede hacerlo, y los resultados son cada vez más convincentes.
Visita el sitio “This person does not exist” (Esta persona no existe) para ver retratos
creados utilizando esta técnica de inteligencia artificial. Sería fácil confundir a estas
personas generadas artificialmente con humanos reales.

Los deepfakes pueden referirse a fotos, grabaciones de audio o videos manipulados. En

2019, una aplicación china llamada Zao causó un gran revuelo. Los usuarios pueden
utilizar Zao para reemplazar el rostro de un actor en un video musical o una película con
cualquier foto que elijan. Con el crecimiento de la IA generativa, que exploraremos en la
próxima parte del curso, se han difundido en las redes sociales una gran cantidad de
videos e imágenes falsos generados por IA. Un ejemplo destacado fue la imagen del Papa
Francisco con una chaqueta blanca.

72
 Sin embargo, la falsificación de la IA no se detiene en imágenes divertidas. La IA crea
textos falsos, videos y mucho más. Estas nuevas técnicas conllevan riesgos, incluida la
desinformación generalizada.

¿Qué podemos hacer al respecto?

Hay dos herramientas que puedes usar: el sentido común y el pensamiento crítico. Para
protegerte de los deepfakes, equípate con estos, junto con algunos consejos:

• Cuestiona tus fuentes y asegúrate de que la información sea legítima.

• Verifica tu información consultando otros sitios web de noticias.

• También puedes utilizar sitios web de verificación de hechos como

FactCheck.org del Centro de Política Pública Annenberg o Fact Checker
del Washington Post.

73
 Ciberataques
Con las crecientes capacidades de la IA y su mayor accesibilidad, los ciberdelincuentes
están utilizando cada vez más la IA para llevar a cabo ciberataques. La utilizan para
detectar vulnerabilidades en tus dispositivos o para automatizar ataques de phishing,
revelando datos personales, contraseñas o detalles de cuentas bancarias. Veamos algunos
ejemplos de posibles y exitosos ciberataques.
Ataques de Phishing
Las personas pueden utilizar la IA para identificar fácilmente perfiles de posibles víctimas
que son propensas a hacer clic en enlaces falsos o para personalizar correos electrónicos
utilizando datos capturados tanto de filtraciones de datos previas como de plataformas de
redes sociales como LinkedIn, Facebook y Twitter.

Una herramienta automatizada, SNAP_R, puede generar tweets de phishing realistas

dirigidos a ciertos usuarios, como se describe en este artículo de Forbes. Los
investigadores que desarrollaron esta herramienta notaron tasas de clic
considerablemente más altas que las técnicas anteriores que no utilizaban inteligencia
artificial.
74
 Suplantación de Identidad

Los ciberataques pueden utilizar las mismas técnicas de falsificación descritas

anteriormente. Una tecnología conocida como “Deep voice” utiliza la IA para suplantar la
voz de una persona basada en muestras de audio de su voz. Los atacantes pueden
obtener estas muestras de grabaciones de reuniones en línea o discursos públicos (de fácil
acceso para periodistas, políticos o ejecutivos corporativos).

En 2020, un gerente de un banco de Hong Kong recibió una llamada de su jefe con
noticias muy positivas: la empresa planeaba llevar a cabo una importante adquisición y,
para hacerlo, el gerente necesitaba la aprobación de su banco para realizar varias
transferencias por un total de 35 millones de dólares. El empleado reconoció la voz de su
jefe, pensó que todo era genuino y envió el dinero. Sin embargo, la voz era de inteligencia
artificial.

75
 Un Ciberataque de Extremo a Extremo Utilizando IA
Las diversas formas de ciberataque discutidas anteriormente son solo una pequeña
fracción de las posibilidades. Cada una representa una amenaza por sí sola, pero también
pueden combinarse para crear ataques en los que la IA realiza todas las acciones
necesarias de principio a fin, ya sea reconocimiento de objetivos, intrusión en sistemas,
ejecución de comandos, elevación de privilegios o exfiltración encubierta de datos.

76
 Explorar los desafíos asociados con la seguridad de la IA

Los modelos de inteligencia artificial basados en Machine Learning son convincentes, pero
plantean importantes problemas de seguridad: no siempre se comportan como se espera,
a veces de maneras peligrosas. Este problema de seguridad es crucial en la IA porque
estos sistemas se están volviendo cada vez más autónomos y aún son en gran medida
impredecibles, a diferencia de otros objetos como los automóviles. Las empresas y
gobiernos han invertido muy poco en la seguridad de la IA, pero esto podría ser uno de los
principales desafíos del siglo XXI. La seguridad de la IA abarca tres problemas
importantes: robustez, explicabilidad y definición de propósito.

Profundicemos un poco más en estos conceptos.

77
 Problema N.°1: Falta de robustez en la IA

La robustez de un sistema de IA indica cuán confiable es su comportamiento en

situaciones desconocidas, es decir, en casos que no ha encontrado durante el
entrenamiento. Sin embargo, los sistemas de Machine Learning se basan en correlaciones
estadísticas en lugar de comprender la realidad. Como resultado, cuando la realidad
cambia y las correlaciones ya no son válidas, el sistema de IA puede reaccionar de manera
inapropiada.

Ejemplo práctico: Supongamos que alguien entrena a un sistema de IA para detectar

objetos en imágenes de perros. Se le ha proporcionado un conjunto de datos de
entrenamiento que consta de imágenes de diferentes razas de perros. El sistema se
desempeña bien y puede reconocer y clasificar correctamente las otras razas de perros en
las imágenes proporcionadas.

78
 Sin embargo, si de repente se le muestra una imagen de un animal desconocido que se
parece a un perro, pero no es una raza enumerada en su conjunto de datos de
entrenamiento, podría tener dificultades para clasificarlo correctamente. No comprende
completamente la realidad subyacente de este animal desconocido. El sistema de IA
podría tomar una decisión incorrecta o dar una respuesta impredecible.

La falta de robustez puede ser peligrosa. Esto se debe a que algunos ciberataques están
diseñados para aprovechar esta vulnerabilidad al engañar al modelo de IA con pequeños
ajustes en sus datos de entrada. Por ejemplo, un atacante podría usar calcomanías o
pintura en señales de tráfico para dirigirse a la IA en vehículos autónomos y afectar cómo
interpreta las señales. Esto podría hacer que el sistema de IA interprete incorrectamente
un letrero de alto como un letrero de ceder, poniendo en riesgo a los pasajeros.

79
 Este tipo de ataque se conoce como ataque adversario.

Las dos imágenes del letrero de ALTO se ven iguales a simple vista, pero algunos cambios
invisibles a simple vista son suficientes para cambiar la interpretación del modelo de IA.

80
 Problema N.°2: Falta de explicabilidad en la IA

La explicabilidad y la transparencia de un sistema de IA permiten a un humano

comprender y analizar cómo funciona para garantizar que funcione de la manera deseada.
Hoy en día, la mayoría de los sistemas de IA que utilizan Machine Learning son “cajas
negras” que operan de manera autónoma sin que nadie sepa cómo ni por qué. Los
sistemas de IA de Machine Learning utilizan datos y métodos de razonamiento estadístico
para aprender correlaciones. Sin embargo, estas correlaciones no indican necesariamente
una relación causal.

81
 Por ejemplo, un sistema de Machine Learning en medicina examinará muchos casos
diagnosticados previamente para establecer correlaciones en lugar de llegar a un
diagnóstico médico aplicando conocimiento específico del dominio y reglas
preconcebidas. Así es como algunos sistemas de IA para diagnosticar el cáncer han
"aprendido" a distinguir entre imágenes de tumores malignos y benignos en función de si
la imagen contiene una regla graduada. Entre las imágenes de tumores prediagnosticados
que se les proporcionaron, las imágenes de tumores malignos a menudo contenían una
regla graduada, que se utilizaba para medir el tamaño del tumor. ¡Se demostró la
correlación entre la regla y el diagnóstico de cáncer!

82
 En el caso del algoritmo automatizado de clasificación de lesiones cutáneas, una mayor
explicabilidad y transparencia permiten a las personas comprender cómo funciona el
modelo de IA y detectar cuándo no funciona correctamente.

83
 Problema N.°3: Definir los objetivos correctos para un Sistema de IA

Cuando un modelo interactúa con personas, tiene que llevar a cabo acciones o tomar
decisiones que afectan al mundo. Por lo tanto, debemos definir sus objetivos
correctamente, o las acciones y decisiones no cumplirán nuestras expectativas.

Sin embargo, en la práctica, es difícil traducir la complejidad y el matiz de los objetivos

humanos al lenguaje informático. Es fácil para una máquina malinterpretar la intención
detrás de las instrucciones humanas al aplicarlas de manera demasiado literal.

84
 Por ejemplo, al decirle a una IA que no pierda en un juego de Tetris, el modelo identificó la
mejor forma de cumplir con la instrucción sin cumplir las expectativas de los diseñadores:
pausa el juego tan pronto como cree que perderá. En un ejemplo menos trivial, muchas
plataformas de video en línea intentan sugerir videos “que el usuario querrá ver” dándole
a la IA el objetivo de ofrecer videos que el usuario verá de principio a fin.

Sin embargo, definir el objetivo de la IA de esta manera hace que el algoritmo favorezca
videos cortos y sensacionales o refleje las opiniones fuertes del usuario. Es más probable
que el usuario los vea de principio a fin, pero aún necesita ver los videos que más desea.
¿Cómo le explicas a una máquina lo que quieres decir con “videos que el usuario querrá
ver”? No es tan simple.

85
 ¡Resumamos!

• La IA puede ser utilizada en tu contra con fines maliciosos. Utiliza tus habilidades de
pensamiento crítico para protegerte de las noticias falsas y los ciberataques. Si algo te
parece sospechoso, tómate un poco de tiempo para verificar y cruzar referencias de
tus fuentes.

• La IA plantea muchos problemas de seguridad y no siempre se comporta como

deseamos. La seguridad de la IA es un tema de investigación importante que está
experimentando un crecimiento considerable. También se requiere gobernanza y
regulación para limitar los riesgos asociados con la IA.

En el próximo capítulo, analizaremos los desafíos de responsabilidad social y ambiental en

torno al uso de la inteligencia artificial.

86
6. Destino IA: Introducción a la Inteligencia
Artificial
 Identifica los desafíos en la creación de una IA responsable y confiable

Explora los Desafíos de los Datos

Como hemos visto, las grandes empresas tecnológicas recopilan una gran cantidad de
datos. Utilizan estos datos con fines publicitarios, pero eso no es todo. Con la llegada de
la inteligencia artificial, pueden utilizar estos datos para automatizar ciertas tareas. Ya no
son los humanos quienes toman decisiones, son los algoritmos.

88
 Debes ser consciente de cómo los algoritmos de IA utilizan los datos, especialmente
cuando se trata de tus datos personales y cuando esos datos están sesgados. Veamos
cada uno de estos casos.

Verifica Cómo se Utilizan Tus Datos Personales

Envías y recibes correos electrónicos todo el día. Probablemente uses tus aplicaciones de
mapas favoritas para moverte. Utilizas servicios digitales todos los días.

Hay un lado negativo en estos servicios convenientes en su mayoría gratuitos que no

debes pasar por alto. Los datos que produces pueden ser recopilados y analizados para
su uso en publicidad, entre otras cosas. Tu perfil se examina en función de tu uso y
hábitos observados para que se te sugieran anuncios y funciones dirigidos.

89
 Hay una expresión que utilizamos para describir este fenómeno: “¡si es gratis, tú eres el
producto!” Esto se puede ver en la mayoría de las grandes empresas tecnológicas, que
dependen de esto como su modelo de negocio principal.

Entonces, ¿cómo puedo asegurarme de que mi información no se utilice con fines no deseados?

¡Aplicando el pensamiento crítico! Cuando utilizas un servicio digital, tómate un

momento para identificar qué datos se están recopilando y utilizando.

Por ejemplo, cuando se te pide identificar imágenes para demostrar que no eres un robot
(como en el sistema CAPTCHA), en realidad estás entrenando algoritmos para reconocer
ciertas imágenes. Cuando permites que se rastree tu actividad en una página web al
aceptar cookies, en realidad estás permitiendo que los algoritmos sugieran anuncios
dirigidos en función de tus preferencias.

90
 Algunas de estas prácticas te parecerán aceptables, mientras que otras no. ¡Lo importante es
estar informado!

Muchos países tienen organizaciones que supervisan la protección de datos personales,

como la Oficina del Comisionado de Información (ICO, por sus siglas en inglés) en el Reino
Unido. En la Unión Europea, el Reglamento General de Protección de Datos (RGPD) entró
en vigor en 2018. Esta regulación tiene como objetivo fortalecer las pautas para las
organizaciones públicas y privadas que manejan datos personales.

En algunos países, existen usos que plantean preguntas. Este es el caso en China, donde
ahora estamos viendo la vigilancia estatal de la actividad web de los ciudadanos y de sus
movimientos y comportamiento mediante el reconocimiento de imágenes, con la mayoría de
las ciudades bajo vigilancia de video. Los datos personales y los sistemas de IA se utilizan
para asignar a cada ciudadano una puntuación en función de sus acciones, y esta puntuación
determina su acceso a servicios como el crédito y el transporte.

91
 ¿Cómo puedo mantener el control sobre los datos que se recopilan?

Para las grandes empresas tecnológicas, el primer paso es analizar la información

recopilada para comprenderla mejor (en el caso de Google, puedes ir a Google Takeout
para ver todos tus datos registrados). Una vez que lo sepas, ¡no dudes en cambiar la
configuración de privacidad! Por ejemplo, puedes desactivar el seguimiento por GPS
para aplicaciones de mapas de ruta, acondicionamiento físico y citas. También puedes
reducir su activación permitiendo el acceso a la ubicación solo mientras estás utilizando
la aplicación.

¿Existen empresas que no recopilan datos?

¡Sí! Empresas como DuckDuckGo, Ecosia, Firefox y Startpage no recopilan ni utilizan tus
datos personales.

92
 Sé consciente del riesgo de sesgo

Como verás, los algoritmos pueden reproducir sesgos. Los algoritmos nunca son
neutrales, ya que se basan en bases de datos de aprendizaje. Por ejemplo, los datos
pueden estar sesgados por ser una representación imperfecta del mundo (como en el
caso de un algoritmo de reconocimiento visual que aprende principalmente de sujetos
blancos) o por imitar un mundo imperfecto. Por lo tanto, si los datos utilizados para
entrenar un algoritmo contienen rastros de discriminación, el algoritmo podría tomar
decisiones discriminatorias.

Veamos un ejemplo del mundo real: la contratación. Los departamentos de recursos

humanos de hoy en día utilizan cada vez más soluciones de inteligencia artificial. Por
ejemplo, el software puede analizar automáticamente documentos como currículums
vitae para seleccionar a los candidatos más adecuados.

93
 En 2015, Amazon desarrolló un software de contratación para analizar a los solicitantes
de diversos puestos de trabajo. En poco tiempo, la empresa se dio cuenta de que el
algoritmo tenía un sesgo contra las solicitantes femeninas. El sistema rechazaba
automáticamente a más solicitantes femeninas que a solicitantes masculinos porque se
había entrenado con datos de la estructura organizativa de Amazon, que mostraba que el
85% de los empleados de Amazon eran hombres.

Una vez que descubrieron esto, dejaron de utilizar la herramienta.

Por supuesto, tales instancias no ocurren de manera sistemática; muchas herramientas

que incorporan inteligencia artificial son bastante útiles, incluidas las herramientas de
contratación, que en la mayoría de los casos hacen un excelente trabajo al emparejar a
posibles solicitantes con ofertas de trabajo relevantes.

94
 Si, por ejemplo, estás buscando ofertas de empleo, los sistemas de IA están diseñados
para mostrarte las oportunidades que mejor se adaptan a tu perfil.

Lo que hay que tener en cuenta es que estas soluciones deben beneficiar a todos; no
deben perpetuar comportamientos sexistas o racistas, por ejemplo. Los desarrolladores
deben aplicar un pensamiento crítico a las soluciones de IA, y debemos exigir que sean
transparentes.

Las iniciativas de etiquetado (como la etiqueta Open Ethics) se están volviendo más
comunes. La idea es otorgar una etiqueta a los sistemas de IA éticos. Los proyectos
deben demostrar que han sido éticos desde el principio. La autoridad de protección de
datos francesa (CNIL, por sus siglas en francés) ha definido un método de Evaluación de
Impacto de la Privacidad (PIA, por sus siglas en inglés) para evaluar el impacto en la
privacidad. En Estados Unidos, la Universidad de Chicago ha publicado un programa de
código abierto para llevar a cabo auditorías de discriminación en sistemas de IA.

95
 Explora los desafíos asociados con el medio ambiente
A veces escucharás que los datos son el “petróleo” del siglo XXI. Bueno, este nuevo “oro
negro” está impulsado por la inteligencia artificial.

¿Cuál es el impacto ambiental de la industria de datos?

La economía de la información, que incluye la fabricación y el uso de hardware, tiene un

impacto ambiental significativo. En 2015, se estimó que la industria representaba
aproximadamente el 3.5% de las emisiones globales de CO2 (para poner esto en
contexto, los viajes aéreos representan el 2% y las redes de telecomunicaciones el 0.5%).
La economía de la información no puede funcionar sin dispositivos digitales (teléfonos
inteligentes, computadoras, tabletas, etc.) o ciertas infraestructuras físicas que están más
o menos fuera de la vista pública, como redes fijas y móviles, redes empresariales y
centros de datos. Los centros de datos albergan los sistemas informáticos y los
componentes asociados, como servidores, que hacen posible el Internet y todos sus
servicios.

96
 A menudo se habla de computación en la nube para referirse a estos servidores remotos.
La nube simplemente significa todo este hardware, que opera de manera remota las 24
horas del día para hacer posible las actividades digitales.

Concretamente, cada vez que utilizas Internet o uno de sus servicios, tus “clics” van a un
servidor en algún lugar del mundo, que procesa y responde a tu solicitud. ¡Ese servidor
necesita energía para realizar su trabajo!

¿Cómo pueden las personas limitar el impacto ambiental de las actividades digitales de rutina?

Hay algunas cosas simples que puedes hacer a diario para reducir tu huella ambiental
digital. Estas incluyen eliminar correos electrónicos antiguos, cancelar la suscripción a
boletines que no lees y limitar el uso de plataformas de streaming.

97
 Sin embargo, el auge de la inteligencia artificial está ampliando esta huella ambiental.
Almacenar y procesar datos para desarrollar programas de IA consume mucha energía. La
razón por la que los algoritmos cotidianos son tan poderosos es que han sido entrenados
durante días en servidores extremadamente potentes y consumidores de energía.

Se están realizando esfuerzos para que los centros de datos sean más respetuosos con el
medio ambiente. Por ejemplo, se pueden hacer más eficientes en el uso de la energía, a
veces con la ayuda de algoritmos de IA. El calor que generan a veces se utiliza en entornos
urbanos para calentar edificios cercanos o piscinas (grandes consumidores de energía). En
Helsinki, Finlandia, el agua calentada mientras se enfría un centro de datos proporciona
suficiente calor para 500 hogares o 1,000 apartamentos.

Aunque el entrenamiento de algoritmos de IA requiere grandes cantidades de energía, las

aplicaciones también se pueden utilizar para mitigar los impactos ambientales y ahorrar
energía al optimizar las líneas de producción y el uso de energía y otros recursos.

98
 Limitar y anticipar el riesgo con la gobernanza de la IA

Como hemos visto, investigar la seguridad de la IA es esencial al intentar resolver

problemas de explicabilidad, robustez y definición de propósitos. La investigación también
es clave para limitar el sesgo de la IA y el impacto ambiental. Sin embargo, proporcionar
soluciones a estos problemas técnicos no garantiza que aquellos que desarrollan
soluciones de IA las adopten. Aquí es donde entra en juego la gobernanza de la IA.

La gobernanza se trata de desarrollar, financiar, supervisar y regular la inteligencia artificial

de manera que se alinee con el interés público.

Las empresas rara vez están interesadas en invertir en la seguridad de la IA para los
sistemas que implementan. Las empresas que operan en la vanguardia de la IA en
particular están más interesadas en competir para desarrollar una IA cada vez más
poderosa. Este enfoque puede evitar consideraciones adecuadas de seguridad, ya que
cualquier presupuesto asignado a la seguridad no se puede aplicar a actividades rentables.

99
 En estas circunstancias, las instituciones desempeñan un papel importante al organizar
mesas redondas con las partes interesadas, fomentar esfuerzos coordinados, incentivar la
adopción de las mejores prácticas y definir nuevas reglas a seguir. La Unión Europea (UE)
está elaborando actualmente regulaciones conocidas como “La Ley de la IA” con el
objetivo de promover las mejores prácticas de desarrollo y reducir los riesgos planteados
por la IA. Todas las empresas que utilizan la IA deberán cumplir con las regulaciones a
partir de 2025. Entonces, si trabajas para una de estas organizaciones, ¡ahora sabes que
probablemente te verás afectado!

100
 ¡Resumamos!

• La IA utiliza datos. Estos datos pueden ser tus propios datos o pueden estar sesgados,
así que debes mantenerte informado.

• La IA consume mucha energía. Optimizar el costo ambiental de la IA es una

consideración importante para el futuro.

• La investigación no es suficiente para desarrollar sistemas de IA seguros, responsables

y confiables. La gobernanza es una forma de alentar o exigir a las empresas que
desarrollen sistemas de IA seguros que sirvan al interés público.

En el próximo capítulo, aprenderemos sobre el impacto de la inteligencia artificial en el

trabajo y el mercado laboral.

101
7. Evaluar el impacto de la Inteligencia
Artificial en el lugar de trabajo
 La inteligencia artificial crea oportunidades tremendas que benefician a la sociedad. Pero,
¿cómo afecta a los empleos? En este capítulo, damos un paso atrás y analizamos cómo la
IA puede cambiar nuestras vidas diarias en el trabajo y cómo podemos prepararnos mejor
para que sea un aliado en lugar de una amenaza.

¿La Inteligencia Artificial es el competidor definitivo de los humanos?

No es nada nuevo: cada vez que aparecen tecnologías disruptivas, siguen cambios en el
mercado laboral, ya que las organizaciones adoptan nuevos avances para mejorar la
productividad y reducir costos (es decir, adquiriendo nuevas máquinas que asumen parte
o la totalidad de una tarea generalmente realizada por humanos). Un ejemplo es la
clasificación de frutas y verduras en una línea de producción para determinar si están lo
suficientemente maduras para ser vendidas.

103
 Pero, ¿cómo se verá afectado mi trabajo por esta transformación?

La inteligencia artificial no se trata solo de automatizar tareas. Su objetivo es automatizar

nuestras capacidades cognitivas, como la percepción y la toma de decisiones. Esto
plantea aún más preguntas sobre su impacto en los empleos.

Con el auge de la automatización y la informatización, algunos economistas han

argumentado que el trabajo desaparecerá, como lo hizo Jeremy Rifkin en 1995. Estas
teorías han vuelto a ganar popularidad en los últimos años con la llegada de la
inteligencia artificial. Figuras destacadas como Elon Musk y Richard Branson respaldan la
idea de un “ingreso básico” universal para contrarrestar la posible pérdida de empleos.

104
 Entonces, es posible que te estés preguntando si esta transformación afectará a tu
trabajo. ¡No estás solo! En 2013, un estudio de la Universidad de Oxford se hizo noticia
cuando predijo que la inteligencia artificial podría reemplazar casi la mitad de todos los
trabajos en 10 a 20 años. Varios años después, esta predicción está lejos de cumplirse;
incluso se ha revisado a la baja.

Desde entonces, los resultados de otros estudios han sido menos definitivos. La OCDE,
por ejemplo, ha analizado la tendencia hacia la automatización. ¿El resultado? Como se
destaca en su informe de 2021, los economistas creen que el 14% de los trabajos
enfrentan una fuerte probabilidad de ser automatizados en las próximas dos décadas,
mientras que el 32% de los trabajos podrían ser profundamente transformados.

105
 Si bien estas cifras son algo menos alarmantes, está claro que ciertos roles existentes ya
están cambiando. En cualquier caso, debemos tener en cuenta que es muy difícil hacer
estimaciones precisas. Es completamente posible que la IA tenga un impacto
transformador más allá de las expectativas. ¡Veamos cómo la IA ya está cambiando el
mundo del trabajo!
El futuro del empleo
Aunque los estudios recientes han sido tranquilizadores en cuanto a la pérdida de
empleos, algunas tareas pueden automatizarse, incluso si el trabajo en sí permanece.

Los abogados podrían utilizar una herramienta de IA para localizar información legal sin
pasar horas buscándola. Los contadores podrían utilizar una herramienta de IA para
interpretar facturas y registrarlas automáticamente en un programa de software. Los
fotógrafos podrían utilizar software de IA para corregir todas las diapositivas de una
presentación automáticamente. En todos estos ejemplos, la IA no reemplaza la profesión;
simplemente proporciona una nueva herramienta.

106
 La inteligencia artificial también es una fuente de creación de empleo, especialmente en
el ámbito de la informática y lo digital. Aunque el nuevo trabajo “estrella” de la revolución
de la inteligencia artificial es el de científico de datos, se requieren muchas otras
habilidades para llevar a cabo proyectos de IA, como la programación, la investigación y
el diseño. Se crearán muchos trabajos en esta línea, incluidos administradores de bases
de datos, oficiales de ciberseguridad, ingenieros de SEO (optimización de motores de
búsqueda) y más. Este artículo de Forbes menciona algunos roles nuevos y mejorados
que la IA podría crear.

Como hemos visto, la fuerza impulsora detrás de la revolución de la IA es la información.

Para utilizar estos datos, es necesario recopilarlos, limpiarlos y afinarlos
meticulosamente. ¿Por quién? El investigador Antonio A. Casilli habla de “trabajadores
clic”, dispersos por todo el mundo. A menudo invisibles, al otro lado del mundo, viviendo
en condiciones precarias, realizan microtareas como anotar fotos o videos, ordenar
tweets, moderar el contenido de plataformas sociales, transcribir grabaciones de audio,
etc.

107
 Ya sea que la llegada de estas nuevas tecnologías elimine por completo tu trabajo o lo
altere fundamentalmente, hay acciones que puedes tomar. Ya estás tomando una al
tomar este curso. La clave para sobrevivir, tanto hoy como mañana, es el aprendizaje
continuo. Las opciones serán una cuestión de política gubernamental y corporativa, así
como de elección individual. Cada vez se ofrecen más tipos de formación en línea (en la
plataforma OpenClassrooms, por ejemplo

108
 ¡Resumamos!

• La revolución tecnológica de la IA ha cambiado el mercado laboral, con la

desaparición de ciertos trabajos y la creación de nuevos.

• La IA es buena para ayudarnos a realizar ciertas tareas, haciéndonos más rápidos,

eficientes y precisos en nuestro trabajo.

• Los humanos deben adaptarse a estos cambios tecnológicos y asegurarse de seguir

capacitándose a lo largo de sus vidas laborales.

109
8. Identificar las diferentes etapas de un
proyecto de Inteligencia Artificial
 Identificar las Diferentes Etapas de un Proyecto de Inteligencia Artificial

Ahora que estás más familiarizado con los conceptos clave de la inteligencia artificial,
descubramos lo que sucede detrás de escena en un proyecto real de inteligencia artificial. Para
ayudarte a comprender mejor cómo desarrollar un proyecto de IA, imaginemos que eres un
director de proyecto en un importante fabricante de automóviles. Tu objetivo es reducir el
consumo de energía. Un grupo de investigación ya ha realizado varios análisis exhaustivos y ha
descubierto que una forma de abordar el problema es utilizar la IA para anticipar el consumo
futuro de energía. Nos adentraremos en las bases, utilizando términos técnicos y científicos,
¡pero no entres en pánico! Tómate el tiempo para leer los siguientes capítulos, vuelve a ver los
videos si es necesario y toma notas.
Como antes, encontrarás un resumen de la información clave al final de cada sección. Aquí
están las principales etapas de un proyecto de IA que podrías organizar:

111
 Formar el equipo del proyecto de IA

Para que este proyecto sea un éxito, necesitarás un equipo con muchas habilidades diferentes:

• Habilidades industriales: Personas que se especializan en tu sector empresarial

específico (en este caso, la fabricación). Su conocimiento será crucial para encontrar la
solución adecuada.

112
 • Habilidades de TI: En particular, un arquitecto de software y algunos desarrolladores
de software.

• Habilidades de IA: Un experto en IA (perfil senior) y científicos de datos

(profesionales de datos y AI).

• Habilidades de gobernanza de datos: Un DPO (oficial de protección de datos),

alguien del departamento legal (para garantizar el cumplimiento de la gestión de
datos) y un oficial de RSE (responsabilidad social corporativa) para garantizar que se
cumplan los objetivos ambientales.

113
 Definir los Parámetros de tu Proyecto de IA

Ahora que tu equipo está en su lugar, debes asegurarte de que gestionas adecuadamente
el proyecto. Para un proyecto de IA, esto significa que debes completar el análisis:

• Define los parámetros comerciales relevantes: ¿Qué problema estás abordando?

¿Para quién es? ¿Cuál es el presupuesto? ¿Cuál es el costo? ¿Cuál es tu retorno
de inversión (ROI)?

114
 • Define tus objetivos: Por ejemplo, ¿cuáles son los objetivos de RSE
(responsabilidad social corporativa) de la solución? ¿Cuál es el modelo
económico de la solución?

• Evaluar impactos: Éticos, sociales, seguridad personal.

• Proporciona gobernanza de datos: Define los datos, su disponibilidad, usabilidad,

consistencia y controles de usuario.

• Diseña la solución: Define la arquitectura y el nivel de seguridad de datos.

• Industrializa la solución: Esto incluye el seguimiento de resultados, la gestión de

usuarios, la comunicación y la gestión del cambio.

115
 Recopilar datos

¡Tu proyecto será tan bueno como los datos que utilices! En esta fase, es importante
recopilar la mayor cantidad de datos posible.

Los datos son el combustible de un proyecto de ciencia de datos. ¡Sin ellos, tu proyecto
no tendrá éxito!

Recuerda, tu objetivo aquí es mejorar la eficiencia energética de una planta de

fabricación. Entonces, podrías recopilar datos sobre el consumo de electricidad en
períodos específicos de semanas y meses. También querrás obtener datos de los equipos
de producción en sí (cuánta energía consume cada máquina, cuánto tiempo funciona al
día, etc.).

116
 Tu planta también está equipada con muchos sensores que miden y registran diversos
tipos de información, como la cantidad de veces que alguien entra a la fábrica, la
temperatura de las diferentes habitaciones, el uso del elevador, etc. ¡También puede ser
una fuente de datos! Querrás recopilar la mayor cantidad de datos posible en esta etapa,
incluso si no estás seguro de cuánto usarás. El objetivo es obtener una comprensión
completa del uso de energía de la planta. Incluso podrías considerar obtener datos más
generales, como el informe diario del clima local. Los datos relacionados con las horas de
sol, la precipitación, el viento, la temperatura, etc., probablemente serán útiles para
determinar el uso de energía. Tu equipo tendrá la oportunidad de verificar esto más
adelante. Como puedes ver, hay una gran cantidad de datos que puedes recopilar. En la
era del big data, los costos de almacenamiento son relativamente bajos. Los edificios
modernos y los sitios industriales están cada vez más equipados con sensores. El término
“Internet de las cosas” (IoT, por sus siglas en inglés) a menudo se refiere a estos objetos
instalados en nuestros entornos, que recopilan datos de forma continua.

117
 Limpia tus Datos

Tú y tu equipo han recopilado una gran cantidad de datos. Antes de poder usarlos, debes
asegurarte de que sean confiables. Puedes verificar la confiabilidad de varias maneras:

Verifica si falta algún dato. Es probable que tus datos no sean exhaustivos.

Por ejemplo, después de un mal funcionamiento de la computadora, es posible que

algunos sensores no hayan registrado el consumo de energía.
Asegúrate de que no haya valores atípicos.
Por ejemplo, al mirar los datos de temperatura, notas que se registró un día con
temperaturas extremadamente altas que no pueden ocurrir. ¡Podría ser solo un error
aleatorio de la computadora! En ambos casos, los datos en cuestión no son satisfactorios.
Sin embargo, el científico de datos de tu equipo puede reemplazar los datos faltantes o
erróneos utilizando herramientas estadísticas conocidas como imputación estadística.

118
 Has llegado al final de esta etapa. Ahora tienes datos de alta calidad listos para usar.
¡Sigamos con el siguiente paso!

Explora tus datos

Ahora estás listo para examinar las características únicas de tus datos. Esta exploración
se llama exploración de datos o minería de datos. El científico de datos de tu equipo
trabajará con expertos en tu industria y fuentes de datos para desarrollar una imagen
más clara en esta etapa.

Tu objetivo es comprender el uso de energía de la planta. Los datos ayudarán a

responder preguntas como:

• ¿Cuánta energía se consume en promedio, todos los días, semana a semana y

mes a mes?

• ¿Cuándo consume la planta más energía?

119
 Explorar los datos te permitirá validar hipótesis o intuiciones. Por ejemplo, el equipo
puede creer que cuando más empleados trabajan un lunes, el consumo de energía es más
alto durante toda la semana. Esta hipótesis se puede validar o invalidar mediante la
tabulación cruzada de los datos.

La visualización de datos se utiliza a menudo en esta etapa e implica el uso de métodos y

herramientas para representar los datos de manera gráfica e interactiva. Para darte una
idea de cómo se ve esto, echa un vistazo a esta galería de paneles de control.

Modela tus datos

¡Y ahora finalmente podrás usar algunas herramientas de IA!

Tu objetivo es predecir el consumo futuro de electricidad de la planta de la manera más

precisa posible.

120
 Para hacerlo, aplicarás el Machine Learning, del cual aprenderás más en el próximo
capítulo. En términos concretos, modelarás el consumo de electricidad en función de
todas las variables a tu disposición.

Un modelo es la representación matemática de un problema.

Usemos un ejemplo para ilustrar lo que esto significa. Supongamos que hipotetizas que la
temperatura tiene un impacto en el uso de energía. Cuando hace frío afuera, las personas
tienden a usar más energía para calentar los edificios. Por otro lado, cuando hace calor, el
consumo de electricidad disminuye.

Puedes reducir todo esto a fórmulas matemáticas que permitan a tu modelo anticipar el
uso futuro de energía según las previsiones locales del clima. En este ejemplo, el modelo
se basa únicamente en datos meteorológicos. En tu modelo final, utilizarás más variables,
como la fecha y el uso de energía en días anteriores.

121
 El modelado de datos consta de dos fases:

• La fase uno es el aprendizaje. En esta fase, entrenarás tu modelo con ejemplos,

proporcionando al sistema datos meteorológicos y datos sobre el consumo de
electricidad en períodos anteriores.

• La fase dos es la predicción. Tu sistema está listo y puedes usarlo para predecir
el consumo futuro de energía.

Aprenderás más sobre estas fases de aprendizaje y predicción en el próximo capítulo.

122
 Evaluar e Interpretar tus Datos

Acabas de desarrollar un modelo inicial que te permite predecir el consumo futuro de

energía.

Pero, ¿cómo sé que este modelo es confiable?

Debes evaluar el modelo, es decir, confirmar que es útil y proporciona predicciones

confiables. Para hacerlo, lo probarás al predecir el consumo de electricidad durante un
período para el que tu sistema de IA no ha sido entrenado, como el mes anterior. Ya
tienes los resultados para este período. Los estás utilizando para verificar la fiabilidad de
las predicciones realizadas por el modelo que construiste.
Implementa tu Modelo
¡Tu sistema de inteligencia artificial está listo para su uso en el mundo real! Permitirá que
la planta controle y utilice la energía de la manera más eficiente posible.

123
 Para asegurarte de que tu sistema cumple con este objetivo, tu equipo de proyecto
evaluará su rendimiento después de un período piloto. ¿Es relevante el sistema de IA? En
particular, ¿agrega valor comercial?
Una vez que se implementa un sistema de IA de este tipo, debe ser monitoreado. Lo
verificarás a diario para asegurarte de que esté produciendo resultados útiles. A
intervalos regulares, también realizarás un mantenimiento del sistema, durante el cual
podrás ajustar los parámetros del sistema para garantizar que continúe produciendo
buenos resultados.

124
 ¡Resumamos!

• Los proyectos de inteligencia artificial involucran a muchos miembros del equipo,

incluidos especialistas en IA y no especialistas (administrativos, producción, soporte).
Cada uno de ellos aporta su experiencia para desarrollar una solución de IA positiva y
efectiva.

• Los proyectos de IA tienen diferentes etapas: análisis de datos, recopilación, limpieza,

exploración y modelización de datos, evaluación e interpretación del modelo,
producción y mantenimiento del sistema.

Ahora sabes lo que implica un proyecto de inteligencia artificial. ¡Echemos un vistazo a cómo
el modelo aprende adentrándonos en la subdisciplina de la IA: el Machine Learning!

125
9. Descubre los fundamentos del Machine
Learning
 El notable progreso en inteligencia artificial se debe, en particular, a avances en una de
sus subdisciplinas: el Machine Learning.

El Machine Learning te permite crear sistemas de información que pueden aprender de

forma independiente, utilizando los datos que les proporcionas. Además, pueden mejorar
su rendimiento con el tiempo a medida que adquieren nuevos datos.

¿Suena un poco exagerado? ¡Vamos a desglosarlo!

127
 ¿Qué es un Modelo?

Una vez que se define un problema, un programa de Machine Learning necesita un

modelo que pueda usar para resolverlo.

Un modelo es la representación matemática de un problema dado.

128
 Para entender esto mejor, consideremos un problema común que enfrentan los agentes
de bienes raíces: cómo calcular el precio de una propiedad en un mercado particular.
Para llegar a un precio, los agentes hacen dos cosas:

1. Reúnen datos sobre las características de la propiedad (ubicación geográfica,

tamaño, estado general, etc.).

2. Evalúan la propiedad en función de datos disponibles públicamente y su propia

experiencia.

Con el tiempo, los agentes amplían continuamente sus conocimientos sobre un mercado
objetivo. Usando este conocimiento y los datos disponibles, se vuelven cada vez mejores
en la evaluación de propiedades. Podríamos decir que estos agentes inmobiliarios están
desarrollando su propio modelo de cálculo de precios.

129
 Quizás seas un excelente pastelero, un maestro del póker o un jugador profesional de
baloncesto. Dentro de tu área de experiencia, podríamos decir que has desarrollado tu
propio modelo. Ya sea que implique estrategias de juego de cartas o tiros al aro, has
perfeccionado tus habilidades y te has vuelto muy competente en lo que haces. Tu
modelo es una representación de la experiencia que te pertenece.

Pero volvamos a los agentes inmobiliarios: ¡usando sus modelos, podrían construir
software de cálculo de precios! Para hacerlo, necesitarían incorporar todas las reglas
profesionales para calcular estos precios. ¡Hay muchas reglas, y a veces no son explícitas!

Los modelos no son algo nuevo. Cuando las personas se enfrentan a un problema,
escriben todo lo que saben al respecto y luego construyen un plan de acción basado en
muchas reglas diferentes.

130
 Entonces, ¿cuál es el problema? Esta forma antigua de hacer las cosas es inadecuada para
resolver problemas muy complejos como en el ejemplo anterior. El conocimiento de un
agente inmobiliario se limita al área geográfica en la que trabaja.

Entonces, ¿cómo desarrollaría un método para calcular los precios de bienes raíces para
una ciudad o un país entero?

¡Buena pregunta! No, no puedes pedirle a todos los agentes inmobiliarios que se reúnan
y creen un modelo basado en sus experiencias individuales.

¡El Machine Learning al rescate! Gracias al Machine Learning, ahora puedes desarrollar
un programa que pueda recopilar todos los datos disponibles relacionados con un
problema y aprender por sí mismo, creando un modelo.

131
 Las diferentes formas en que un algoritmo puede aprender

En el Machine Learning, el término “aprendizaje” puede necesitar un poco de aclaración.

132
 ¿Qué significa que un algoritmo aprenda?

Como recordarás, un algoritmo es una secuencia de instrucciones para resolver un

problema o llevar a cabo una tarea. Aquí, estás tratando con un algoritmo muy especial. Su
objetivo es transformar tus datos en un modelo.

El aprendizaje (o entrenamiento) es la fase de desarrollo del modelo. Le proporcionas al

algoritmo muchos ejemplos para analizar para que pueda aprender por experiencia. Y tiene
algunas formas diferentes de aprender de estos ejemplos; veámoslas en detalle.

133
 Método 1: Aprendizaje Supervisado

El aprendizaje supervisado es el primer tipo.

Quieres que el algoritmo aprenda a calcular el precio de una casa, por ejemplo. Le
proporcionas muchos ejemplos de casas que se han vendido, proporcionando las
características y el precio de venta.

Entonces, para cada ejemplo de una casa vendida, tienes:

• Características: Una vez que esté entrenado, el sistema utilizará

características para estimar el precio de una casa.

134
 Las características incluyen tamaño (superficie), número de habitaciones, si hay un
balcón, etc.

• Etiquetas: Esto es el objetivo, lo que quieres predecir. Durante el

entrenamiento, los datos se etiquetan para que el algoritmo pueda
acceder a esta información. Pero una vez que el sistema esté listo, el
objetivo es que el algoritmo prediga precios en función de las
características de las casas que nunca ha visto antes.

En nuestro contexto, las etiquetas representan el precio de venta de una casa en particular.

Cuando el algoritmo mira los ejemplos iniciales, no producirá resultados muy buenos al
principio. Luego, a medida que incorpora nuevos casos durante su fase de aprendizaje, se
adaptará y transformará hasta que esté listo para calcular los precios de casas que nunca ha
observado antes.

135
 No entraremos en los detalles técnicos de cómo las máquinas aprenden. El experto en
datos es responsable, entre otras cosas, de elegir qué tipo de algoritmo de Machine
Learning utilizar (redes neuronales, bosque aleatorio, etc.). Pero para que el algoritmo
aprenda, debe ser entrenado. El experto debe proporcionar buenos datos al algoritmo,
configurarlo y asegurarse de que el sistema no se desvíe durante el proceso de
aprendizaje.

Para obtener más información sobre el aprendizaje supervisado, consulta el curso

“Entrenar un Modelo de Machine Learning Supervisado”.

136
 Método 2: Aprendizaje No Supervisado

Como acabas de ver, en el aprendizaje supervisado, el algoritmo tiene acceso a las

etiquetas, que representan el objeto de la predicción (en nuestro ejemplo, el precio de
una vivienda).

A veces deseas pedirle al algoritmo que desarrolle un modelo sin proporcionarle

etiquetas. En este caso, usarías el aprendizaje no supervisado. Aquí no hay etiquetas; no
sabes de antemano lo que el algoritmo generará.

Por ejemplo, podrías darle al algoritmo una lista de casas y luego pedirle que las divida en
tres grupos, sin supervisión de tu parte.

137
 Una vez que el programa forme los tres grupos, los expertos necesitarían averiguar los
nombres de las etiquetas porque, aunque el algoritmo forma los grupos, no los nombra.

Por ejemplo, podrías terminar con tres grupos basados en el área geográfica: residencial,
estudiantil y comercial. Un agente podría aplicar su amplio conocimiento de un
vecindario a otro similar, pero en el que no tiene experiencia.

138
 Método 3: Aprendizaje por Refuerzo

En el aprendizaje por refuerzo, un agente (el algoritmo) interactúa con un entorno (las
características). El conjunto de datos de entrenamiento del algoritmo proviene
directamente del entorno. Su objetivo es encontrar la solución óptima a un problema a
través de intentos secuenciales (ensayo y error). A este tipo de algoritmo se le llama
autoadaptativo, ya que está constantemente aprendiendo.

El algoritmo a veces realiza millones de intentos antes de dominar una disciplina, lo que
resulta en tiempos de entrenamiento más largos.

139
 Este tipo de algoritmo se utiliza para ganar juegos. Por ejemplo, se ha utilizado un
algoritmo de aprendizaje por refuerzo para vencer a los mejores jugadores de Go del
mundo.

Consideremos un caso de uso en arquitectura. La idea es crear un algoritmo que diseñe

planos de edificios. Le proporcionas las especificaciones, así como tus objetivos de
optimización. Por ejemplo, deseas tres salas de conferencias, cada una con un tamaño
específico y un número específico de ventanas cercanas entre sí. Después de definir los
parámetros y especificaciones necesarios, el algoritmo utiliza el ensayo y error para idear
el plan ideal.

140
10. Descubre los fundamentos del Deep
Learning
 Descubre los Fundamentos del Deep Learning

En los últimos años, la inteligencia artificial (IA) ha estado recibiendo mucha atención en los
medios de comunicación. Gran parte de esta atención se ha dirigido a una subdisciplina
particular de la IA: el Deep Learning.

¿Pero qué es exactamente el Deep Learning?

142
 El Deep Learning implica redes neuronales artificiales convolucionales. ¿Suena como un
idioma extranjero para ti? ¡No te preocupes, lo descifraremos juntos!

Primero, debes saber qué es una red neuronal artificial. Luego, veremos la convolución.
Una vez que se definan estos dos conceptos, entenderás el Deep Learning sin
problemas. ¿Listo?

143
 La inspiración detrás de las redes neuronales artificiales

En los inicios de la inteligencia artificial, el objetivo era replicar el cerebro humano o, más
precisamente, inspirarse en él. Los investigadores se centraron primero en el
funcionamiento del cerebro biológico, específicamente en lo que respecta a las neuronas.
Estas neuronas se comunican entre sí mediante sinapsis.

144
 Se desarrollaron algoritmos en un intento de simular esta arquitectura neural. Por
supuesto, la inteligencia artificial no recrea neuronas, simplemente se inspira en ellas.

Las redes neuronales artificiales no son réplicas del cerebro humano; su arquitectura se
inspira en el cerebro.

¡Veamos cómo se ve eso!

145
 ¿Qué son las redes neuronales artificiales?

Hemos terminado de entrenar nuestra red neuronal. ¡Buenas noticias! Es muy buena para
clasificar nuestras fotos de retrato.

Por otro lado, tiene sus limitaciones. Sí. Solo puede categorizar fotos perfectamente
centradas. Su rendimiento es deficiente en fotos descentradas y fotos de grupo (no ha
sido entrenada para etiquetar a más de una persona).

146
 Necesitamos mejorar nuestra herramienta de IA para que pueda etiquetar a más de una
persona en la misma imagen.

Esta vez, vamos a identificar a las diferentes personas en esta foto.

147
 Para hacerlo, utilizaremos una red neuronal especial llamada red neuronal convolucional
(CNN, por sus siglas en inglés).

La convolución no implica más que filtrar una imagen. En lugar de procesar la imagen
como una sola unidad, la dividiremos en cuadrados, cada uno de los cuales se analizará
por separado.

148
 Nos moveremos secuencialmente de una parte de la imagen a la otra, haciendo pasadas.

¡Yann LeCun fue uno de los pioneros en este campo de estudio en la década de 1980!
¡Mira el video al comienzo de este capítulo para escuchar más de él!

149
 Deep Learning: Redes neuronales artificiales y convolución

¡Resumamos!

• El Deep Learning es una subdisciplina especialmente poderosa del

Machine Learning.

• Implica la construcción de sistemas inspirados en el cerebro de redes

neuronales artificiales.

• También utiliza el concepto de convolución, que implica analizar

imágenes paso a paso utilizando un filtro para hacerlo aún más poderoso.

Ahora comprendes los fundamentos del Machine Learning y el Deep Learning, así como las
diferentes etapas involucradas en un proyecto de inteligencia artificial. Las últimas
aplicaciones de IA de las que todos hablan, como la IA de propósito general y generativa, se
basan en estas técnicas. Ese es el tema del próximo capítulo.

150
11. Comprende los modelos de IA de
propósito general
 Comprende los modelos de IA de propósito general

Los modelos de IA de propósito general son sistemas de IA que pueden manejar muchas
tareas diferentes. En lugar de ser utilizados para fines únicos y específicos, como
identificar imágenes que contienen perros, los modelos de IA de propósito general son
mucho más amplios.

152
 Estos modelos de IA son complejos y costosos de desarrollar. A veces se les conoce
como “modelos fundamentales” porque pueden ser reutilizados y adaptados por
diferentes usuarios para otros casos de uso. Los usuarios pueden proporcionar nuevos
datos de aprendizaje a un modelo de IA preexistente para optimizar su rendimiento, en
una técnica conocida como fine-tuning. Es un poco como un proveedor que vende su
champú a una empresa de cosméticos, que luego le pone su propia etiqueta para dirigirse
a una base de clientes específica.

Los investigadores a menudo hacen una distinción entre la Inteligencia Artificial Estrecha
(ANI, por sus siglas en inglés) y la Inteligencia Artificial General (AGI, por sus siglas en
inglés).

153
 La IA estrecha funciona muy bien en tareas específicas y precisas, pero no puede realizar
otras tareas que pueden parecer sencillas. Durante mucho tiempo, solo pudimos desarrollar
sistemas de IA estrechos. El sistema de IA que derrotó al mejor jugador de ajedrez del
mundo en 1990 no podía vencer a los humanos en otros juegos e incluso era menos útil
para realizar tareas completamente diferentes, como responder preguntas o manipular
objetos.

Sin embargo, la IA general (AGI) puede llevar a cabo una amplia gama de tareas tan bien
como, e incluso mejor que, un ser humano. Algunos ejemplos incluyen conversar, planificar
tareas, programar máquinas y manipular objetos. En los últimos años, los laboratorios de IA
de vanguardia han desarrollado sistemas de IA cada vez más genéricos. Los sistemas de IA
de Procesamiento de Lenguaje Natural, como el chatbot de OpenAI, ChatGPT, ahora
pueden superar exámenes de matemáticas estándar y exámenes de medicina, programar
sitios web y escribir cartas de solicitud de empleo. Aunque los expertos en IA actualmente
discrepan sobre si la IA general podría volverse tan inteligente como los humanos en todas
las áreas, está claro que los sistemas de IA ya pueden realizar muchas tareas mejor que los
humanos.
154
 Descubre un ejemplo de IA de propósito general: IA Generativa:
Algunos de los sistemas de IA actuales pueden realizar diversas tareas de creación de
contenido. Estos se llaman modelos de IA generativa, como ChatGPT, que permite a un
humano comunicarse con una máquina.

Lee el guion de la imagen anterior que muestra un extracto de una conversación con ChatGPT en formato de texto.

155
 ChatGPT es el ejemplo más conocido de IA generativa, pero no es el único.

Existen varios tipos diferentes de IA generativa:

• Generadores de texto, conocidos como “modelos de lenguaje”. Esto se
aplica a ChatGPT, LLaMa de Meta, Ernie de Baidu y Bard de Google. Su
función es generar texto significativo. Pueden completar una frase,
conversar con un humano o modificar un texto existente siguiendo
indicaciones en su idioma elegido (inglés, francés, español, etc.). También
pueden escribir código utilizando lenguajes de programación.

• Generadores de imágenes: pueden crear una nueva imagen basada en

una descripción de texto simple. Los usuarios pueden solicitar desde una
imagen realista, similar a una foto, hasta un diseño artístico y conceptual.
Ejemplos de generadores de imágenes incluyen DALL- E (de OpenAI, los
creadores de ChatGPT), Midjourney y Stable Diffusion.

156
 Aquí tienes algunos ejemplos de imágenes generadas por Midjourney.

El hecho más sorprendente es que estas personas no existen, la IA las ha creado por completo.
¡Probablemente lo adivinaste en el caso del koala que toca la guitarra!

157
 • Generadores de contenido de audio, donde se puede generar voz y
música en función de texto (también conocido como “texto a voz”). Si
bien algunos sistemas de IA todavía están en sus primeras etapas, los
resultados son prometedores y evolucionan rápidamente. Ejemplos
incluyen Elevenlabs, Coqui.ai y OpenAI Jukebox.

• Generadores de video, como Runway, Synthesia.io y D-ID, son

desarrollos recientes que crecen de manera exponencial. La creación de
un video basado en instrucciones de texto simples se está volviendo una
realidad. ¡Un día podríamos incluso crear películas a pedido!

Los sistemas de IA que generan diferentes tipos de contenido, como texto, imágenes,
video, son modelos de IA generativa multimodales.

158
 Algunos de estos sistemas de IA son de código abierto, lo que significa que el
código de la IA está disponible para todos, especialmente para los
desarrolladores que desean copiarlo. Otros se utilizan mediante una API, que
es una herramienta que accede al modelo de IA en nombre del usuario sin
que este tenga acceso directo. La abundancia de soluciones facilita mucho
las innovaciones de gran alcance.

159
 Aprende cómo funciona la IA Generativa
Centrémonos en el ejemplo más famoso de todos: ChatGPT.

El nombre proviene de “chat” (porque se comporta como un chatbot) y GPT, que significa
Generative Pre-trained Transformer (Transformador generativo preentrenado en español), el
nombre del modelo de IA que utiliza.
¿Todavía estás tratando de entender qué significa eso? Echemos un vistazo más de cerca:
• Generativo significa simplemente que estamos hablando de un modelo
de IA generativa que tiene como objetivo generar contenido, es decir,
texto, imágenes, videos o todas estas cosas simultáneamente si es un
modelo de IA generativa multimodal.

• Pre-entrenado significa que el sistema de IA ya ha recibido cierto

entrenamiento. Se le han dado millones de libros, sitios web y páginas de
Wikipedia para leer. Este entrenamiento le proporciona una comprensión
del mundo y la conexión entre diferentes palabras (u otras formas de
contenido). El conocimiento que adquiere llega hasta cierto punto en el
tiempo (la fecha de su última sesión de entrenamiento).

160
 • Transformer es el nombre del algoritmo en el que se basa GPT. Fue
inventado por investigadores de Google y se publicó en un famoso
artículo llamado “Attention Is All You Need” (La atención es todo lo que
necesitas). Este artículo revolucionó el mundo de la IA porque significaba
que una computadora podía centrarse rápidamente en la información más
relevante. También procesaba muchas tareas en paralelo, aprovechando
al máximo la potencia de cómputo para realizar sus tareas.

ChatGPT es una herramienta conversacional basada en una IA generadora de texto que ha

sido entrenada al alimentarla con una gran cantidad de libros y sitios web para leer, y
funciona utilizando el algoritmo Transformer, originalmente diseñado por investigadores de
Google. ¡Wow!

161
 ¿Pero qué hace exactamente ChatGPT?
El principio fundamental de GPT es adivinar la siguiente palabra relevante para el texto. Si
le das a GPT un texto, hará todo lo posible por completarlo siguiendo tus instrucciones.

Tomemos un ejemplo:

“La capital de Australia es…”

La respuesta correcta es Canberra, y, como

verás, esta fue la respuesta más probable en
el ejemplo anterior, con una calificación del
98.24%. Sin embargo, GPT (y, por
extensión, ChatGPT) no tiene concepto de
verdad.

162
 Todo lo que sabe es que “Canberra” es la palabra más probable que sigue a este texto.
Como puedes ver, es casi tentador decir Sídney (la respuesta incorrecta), probablemente
porque muchas personas cometen este error en los textos que lee para su entrenamiento.

De la misma manera, si le haces una pregunta, hará todo lo posible por darte una respuesta
plausible, pero no necesariamente será correcta.

GPT es un algoritmo no determinista, lo que significa que, si dos personas le hacen la

misma pregunta a ChatGPT, dará una respuesta diferente a cada persona. GPT solo está
jugando con probabilidades. Siempre se pregunta: “Hmm, ¿cuál podría ser la siguiente
palabra en esta oración?”

163
 Considera los problemas de seguridad de la IA de propósito general

ChatGPT va más allá de simplemente usar el modelo GPT. Los equipos de desarrollo de
ChatGPT en OpenAI tienen varias estrategias adicionales para que sea más coherente y
eviten proporcionar información potencialmente peligrosa, incluyendo responder
preguntas terribles como “¿Cuál es la mejor manera de quitarse la vida?”

Para hacer esto, OpenAI ha implementado el aprendizaje por refuerzo a partir de la

retroalimentación humana (RLHF, por sus siglas en inglés). Después de la fase de
entrenamiento (donde lee la mayor cantidad de Internet y libros posible), la funcionalidad
de ChatGPT se perfecciona indicando qué respuestas prefieren los humanos para ciertas
preguntas.

164
 Esta es una técnica que intenta proporcionar preferencias del usuario a la IA. Recuerda el
capítulo sobre la seguridad de la IA y tómate un poco de tiempo para considerar lo
siguiente:

• ¿Esta técnica resuelve todas las dificultades para especificar nuestras

preferencias al sistema de IA?

• ¿Quién puede proporcionar preferencias humanas al sistema de IA según

qué criterios?

• ¿Cómo podemos indicar todo comportamiento indeseable al sistema de

IA?

• ¿Somos capaces de definir todo el comportamiento potencialmente

indeseable de la IA?

Estos desarrollos plantean varias preguntas que antes eran parte de la ciencia ficción.

165
 Se está volviendo desafiante distinguir una imagen o texto generado por la IA de algo
producido por un humano. Este importante cambio de paradigma plantea preguntas sobre
la desinformación, el sesgo, el impacto en el empleo y el equilibrio de poder, como hemos
visto en capítulos anteriores. La IA generativa ha hecho que sea aterradoramente fácil
crear imágenes y textos falsos. La IA también inventa información que parece plausible,
pero es falsa (¡como la capital de Australia!).

Siempre debemos estar listos para aplicar nuestro pensamiento crítico.

Estos riesgos y preocupaciones son compartidos por muchos científicos y también por las
empresas que crean sistemas de IA, como OpenAI. Algunos piden pausar el desarrollo de la
IA, lo que parece poco probable, mientras que otros exigen una mayor regulación.

166
 Comprende los avances técnicos: la IA estrecha se está volviendo cada vez más
general

La IA generativa es interesante porque comenzó como “IA estrecha” pero adquirió nuevas
características no anticipadas.

En la generación de texto, ChatGPT comenzó con la tarea simple de completar un texto (es
decir, terminar una oración). Sin estar específicamente programado para hacerlo, ChatGPT
ahora es capaz de:

• Reescribir un texto en un tono de voz diferente.

• Resumir un texto.
• Resolver problemas matemáticos.
• Corregir errores de ortografía y gramática.
• Traducir un texto a cualquier idioma.
• Generar ideas.
• Analizar sentimientos en un texto.
• Crear un argumento razonado para un problema (pregúntale a ChatGPT
sobre los riesgos y ventajas de usar un sistema de IA como ChatGPT, ¡y
obtendrás resultados emocionantes!).
167
 Con procesadores de imágenes como DALL-E, comenzamos pidiéndoles que generen
nuevas imágenes. Esto es interesante y atractivo tal como está, pero han surgido nuevas
funciones al usarlo:

• Creación de variaciones en una imagen existente.

• Ampliación de imágenes y creación de áreas alrededor de la imagen.
• Escalar imágenes infinitamente para mejorar la definición y proporcionar
más precisión (aunque las series policiales y de espías de la televisión han
estado haciendo esto durante años).
• Eliminación del fondo de la imagen.
• Reemplazo de objetos en una imagen existente.
• Colorización realista de imágenes en blanco y negro.
• Creación de animaciones a partir de una imagen estática simple.

La aparición de estas nuevas capacidades es como un efecto umbral. Esto fue algo que
incluso sorprendió a los investigadores de IA especializados.

168
 Al alimentar a un modelo de IA (dándole más datos para leer y más capacidad para analizar
los datos mediante un aumento de la potencia informática), el modelo se vuelve efectivo
para realizar nuevas tareas que antes no podía llevar a cabo, como se puede ver en los
gráficos de Google Research a continuación:

169
 Una vez que alcanza cierto tamaño, el modelo de IA puede procesar cálculos complejos de
repente, responder preguntas multitarea y comprender el contexto en torno a una palabra
en particular.

El desarrollo de estas tecnologías avanza a un ritmo asombroso. Puede resultar que las
capacidades del modelo se estanquen y limiten nuevas funciones durante varios años.
Incluso puede resultar que la IA contribuya a acelerar el avance técnico. Lo único que
sabemos es que la IA todavía nos sorprende con lo que es capaz de hacer.

Sin importar cuán rápido avance la tecnología, el desarrollo a gran escala de sistemas de IA
de propósito general que pueden llevar a cabo un número cada vez mayor de tareas
plantea muchas preguntas fundamentales que preocupan a la sociedad. Ahora que
comprendes cómo funcionan, tómate un tiempo para pensar en ello.

170
 ¡Resumamos!

• Los modelos de IA de propósito general, también conocidos como “modelos

fundamentales”, pueden realizar muchas tareas diferentes, a diferencia de la IA
estrecha, que realiza tareas específicas. Un solo modelo de IA general puede llevar a
cabo numerosas tareas tan bien como, e incluso mejor que, un ser humano.

• La IA generativa puede manejar muchas tareas relacionadas con la generación de

contenido, como texto, imágenes, videos, sonido, etc.

• ChatGPT es un conocido ejemplo de IA generativa. Este sistema de IA generativo de

texto está pre-entrenado al ser alimentado con muchos libros y sitios web para leer.
Esta herramienta conversacional se basa en predecir la siguiente palabra para que se
adapte a un texto, pero no puede distinguir lo que es verdadero.

¡Has llegado casi al final de este curso!

171
12. Llévalo más allá: Aprende más sobre la
Inteligencia Artificial
 ¡Has llegado al final!
Ahora sabes cuán prevalente es la inteligencia artificial en nuestras vidas, cómo puede
ayudarnos y algunas de las preocupaciones éticas que plantea. Has desmitificado esta
disciplina científica y ahora conoces cómo se estructuran los proyectos de inteligencia
artificial y las características básicas del Machine Learning y el Deep Learning.

Ahora puedes:

• Identificar cómo la IA afecta tu vida diaria.

• Utilizar herramientas basadas en IA en tu vida y trabajo, teniendo en

mente cómo otras entidades las están utilizando.

• Participar en la discusión pública y en la toma de decisiones democráticas

sobre cómo se utiliza esta tecnología.

173
 ¿Se requieren habilidades de IA para tu carrera?

Las empresas requieren especialistas en IA y ciencia de datos para desarrollar y poner en

marcha sus estrategias de datos. ¡Pero no son los únicos que dependen de los datos!
Muchas profesiones ahora requieren habilidades de análisis de datos, y esta tendencia solo
continuará en los próximos años.

¿Necesitas convencerte? Las habilidades de IA que buscan las empresas se detallan en este
artículo de Computerworld, mientras que un estudio de ZipRecruiter analizó las habilidades
requeridas en diferentes ofertas de trabajo y descubrió que las habilidades de IA se
mencionan incluso en industrias no técnicas como bienes raíces, finanzas o negocios.

174
 ¿Se requieren habilidades de IA para tu carrera?
Ya seas un tomador de decisiones, gerente o empleado, la formación te permitirá avanzar
en tu profesión y asumir más responsabilidades (por cierto, ganando más dinero, ¡estas
habilidades son muy bien remuneradas!).

Aquí tienes algunas habilidades que podrías adquirir a través de la formación, tomando un
curso en línea, por ejemplo

175
 ¿Quieres convertir la Inteligencia Artificial en el enfoque de tu carrera?
A nivel de asociado, podrías convertirte en un analista de datos. Este primer paso en la
ciencia de datos te proporcionará habilidades en análisis y visualización de datos para
satisfacer las necesidades de información de una empresa.

176
 A nivel de maestría, con una sólida formación en matemáticas, se abre ante ti la profesión
en demanda de científico de datos. Los reclutadores buscan habilidades sólidas en
preparación y análisis de datos, pero también competencia en Machine Learning. Los
científicos de datos pueden especializarse para convertirse, por ejemplo, en ingenieros de
Machine Learning o ingenieros de IA. ¡No dudes en consultar el programa de formación de
Ingeniero de IA en OpenClassrooms!

Finalmente, si posees habilidades en ingeniería informática, puedes encontrar profesiones

como ingeniero de big data o arquitecto de datos a nivel de maestría, en la intersección
entre TI y datos. En estas profesiones, serás responsable de configurar infraestructuras de
datos y administrar flujos de datos para permitir su uso por tus compañeros analistas.

177
 Recursos adicionales
Si deseas aprender aún más, aquí tienes algunos recursos seleccionados que te llevarán
más profundamente en los temas cubiertos por este curso.

Cosas para ver:

Algunas charlas TEDx:

• SStuart Russell: 3 principios para crear una IA más segura.

• Yann LeCun: Deep Learning, redes neuronales y el futuro de la IA.

• Andy Chan: Inteligencia Artificial y el Futuro del Trabajo.

• Janelle Shane: El peligro de la IA es más extraño de lo que piensas.

• Yoshua Bengio: El auge de la Inteligencia Artificial a través del Deep

Learning.
178
 Recursos adicionales

También encontrarás más videos en la lista de reproducción de Inteligencia Artificial de TED.

Gracias de nuevo por tomar este curso y confiar en nosotros para tu

viaje de aprendizaje. ¡Hasta pronto!

179
¡Síguenos, ponte en contacto!