¿Qué es la IA?
La inteligencia artificial (IA) es cuando un ordenador hace una tarea que necesita un pensamiento parecido al humano: ver, oír, entender el lenguaje o decidir. Casi toda la IA de hoy funciona aprendiendo de los datos, no solo siguiendo instrucciones fijas.
IA, aprendizaje automático y aprendizaje profundo
- La IA es la idea general: máquinas que actúan de forma inteligente.
- El aprendizaje automático (machine learning, ML) es una parte de la IA en la que la máquina encuentra patrones en los datos.
- El aprendizaje profundo (deep learning) es una parte del ML que usa redes neuronales grandes, por ejemplo para reconocer rostros.
Tres grandes áreas
- Ciencia de datos: números y tablas (predecir precios).
- Visión por computador: imágenes y vídeo (desbloqueo facial).
- Procesamiento del lenguaje natural (PLN): texto y voz (asistentes de voz, traducción).
No todo lo automático es IA: el temporizador de una lavadora sigue pasos fijos y no aprende.
Las seis etapas del ciclo de un proyecto de IA
- Definir el problema: entender el problema. Se completa un lienzo de las 4W: Quién (los afectados), Qué (el problema y su prueba), Dónde (la situación o el contexto), Por qué (el beneficio de resolverlo). Se termina con un enunciado del problema de una sola frase.
- Adquisición de datos: reunir datos relevantes, fiables y que se puedan usar legalmente. Fuentes: encuestas, sensores, cámaras, observaciones, web scraping y conjuntos de datos abiertos (APIs). Los datos tienen características (entradas, por ejemplo tamaño o color) y una etiqueta (la respuesta, por ejemplo manzana).
- Exploración de datos: limpiar los datos (corregir valores vacíos, erróneos o repetidos) y representarlos con gráficos para ver patrones.
- Modelado: elegir un método. Basado en reglas: las personas escriben las reglas. Basado en aprendizaje: la máquina aprende las reglas de los datos (por ejemplo, aprendizaje supervisado con datos etiquetados, o aprendizaje no supervisado que encuentra grupos).
- Evaluación: probar el modelo con datos que nunca ha visto. Se mide la precisión y se revisan sus errores.
- Despliegue: poner el modelo en una aplicación o dispositivo real, observar cómo funciona y seguir mejorándolo. Después el ciclo se repite.
Evaluar un modelo: la precisión con números sencillos
Precisión = predicciones correctas ÷ predicciones totales × 100%.
Si un modelo de frutas ve 200 frutas nuevas y acierta 180, la precisión = 180 ÷ 200 × 100 = 90%. Guardamos algunos datos aparte como datos de prueba porque un modelo puede simplemente "memorizar" sus datos de entrenamiento; probar con datos nuevos muestra si de verdad aprendió.
La precisión sola puede esconder problemas: un modelo puede acertar el 95% en total y fallar mucho más con un grupo de personas. Por eso también revisamos los resultados grupo por grupo.
Ética y sesgo en la IA
La ética de la IA consiste en asegurarse de que la IA se use de forma justa y segura para las personas.
- Sesgo: el modelo trata injustamente a algunas personas, normalmente porque los datos de entrenamiento tienen pocos ejemplos o ejemplos de un solo tipo. Ejemplo: un sistema de desbloqueo facial entrenado sobre todo con un tono de piel falla más con los demás.
- Privacidad: reunir solo los datos necesarios, con permiso, y protegerlos bien.
- Transparencia: las personas deben saber cuándo decide una IA y por qué.
- Responsabilidad: los humanos siguen siendo responsables de lo que hace la IA.
- Empleo y acceso: la IA debe ayudar a las personas, y todos deben poder usarla.
Soluciones: datos equilibrados y revisados, pruebas con cada grupo y revisión humana de las decisiones importantes.
Fórmulas y definiciones clave
- Precisión (%) = predicciones correctas ÷ predicciones totales × 100
- Ciclo de un proyecto de IA: Definir el problema → Adquisición de datos → Exploración de datos → Modelado → Evaluación → Despliegue
- Lienzo de las 4W: Who (Quién), What (Qué), Where (Dónde), Why (Por qué)
- Característica: una propiedad de entrada de los datos. Etiqueta: la respuesta correcta de un ejemplo.
- Los datos de entrenamiento enseñan al modelo; los datos de prueba lo comprueban.
- Sesgo: resultados injustos para algún grupo, a menudo causados por datos desequilibrados.
Ejemplos resueltos
1. Escribe un enunciado del problema con las 4W para estudiantes que se olvidan de beber agua en el colegio.
Quién: estudiantes de 12 a 15 años. Qué: beben muy poca agua y se sienten cansados. Dónde: en las aulas durante las clases largas. Por qué: unos recordatorios podrían mejorar su salud y su concentración. Enunciado: "Nuestros estudiantes (quién) beben muy poca agua (qué) durante las clases largas (dónde); un recordatorio inteligente los mantendría sanos y atentos (por qué)."
2. Un modelo de enfermedades de plantas, probado con 250 fotos nuevas de hojas, da 215 respuestas correctas. Calcula la precisión.
Precisión = 215 ÷ 250 × 100 = 86%.
3. Un modelo para aprobar préstamos se entrenó solo con datos de solicitantes de la ciudad. ¿Qué problema puede aparecer y cómo se puede arreglar?
Puede rechazar de forma injusta a solicitantes del campo porque nunca aprendió sus patrones (sesgo). Solución: reunir también datos equilibrados del campo, medir la precisión por separado para cada grupo y hacer que una persona revise los rechazos.
Errores comunes
- Pasar al modelado sin definir bien el problema. Sin un enunciado claro, los datos que reúnas pueden no servir.
- Probar el modelo con los mismos datos con los que se entrenó. Eso solo comprueba la memoria, no el aprendizaje.
- Creer que más datos siempre es mejor. Es falso: los datos erróneos, sesgados o privados empeoran el modelo o lo hacen poco ético.
- Llamar "IA" a cualquier máquina automática. Solo es IA si aprende o razona a partir de datos.