Proyecto práctico de Inteligencia Artificial: diseño y entrenamiento

Estudiantes trabajando en equipo con ordenadores para desarrollar un proyecto tecnológico
Curso de Inteligencia Artificial · Unidad 15 de 24 · Secundaria, Bachillerato y FP · Tiempo orientativo: 2–3 sesiones de 55 minutos. Volver al índice del curso.
Estudiantes trabajando en equipo con ordenadores para desarrollar un proyecto tecnológico
Fotografía: Vitaly Gariev / Unsplash.

Antes de empezar: de una idea a un prototipo que pueda comprobarse

Hasta ahora has conocido sistemas que clasifican imágenes, transforman voz en texto, simulan situaciones y ayudan a tomar decisiones. Llega el momento de construir un proyecto propio. No basta con decir «voy a crear una IA que ayude al medioambiente»: hay que concretar el problema, conocer a sus usuarios, elegir datos adecuados y comprobar si el prototipo funciona fuera de los ejemplos con los que se ha entrenado.

En esta unidad diseñarás y presentarás, en equipo, un primer proyecto de inteligencia artificial. El objetivo no es desarrollar una aplicación comercial terminada. Queremos aprender a seguir un proceso de diseño, recoger pruebas y explicar con rigor los resultados. Conservaremos la idea del currículo original, que propone diseñar, desarrollar y presentar una solución, y la adaptaremos a los recursos habituales de un aula de informática.

Al finalizar podrás: redactar un problema verificable, establecer criterios de éxito, planificar la recogida de datos, elaborar un prototipo sencillo, probarlo con muestras nuevas, detectar limitaciones y comunicar el resultado.

15.1. ¿Qué problema queremos solucionar?

Una buena idea empieza por una necesidad concreta. «Mejorar la limpieza» es demasiado general. «Ayudar a separar residuos habituales del aula en papel, envases y otros materiales» permite pensar en usuarios, entradas, resultados y pruebas. La pregunta principal es: ¿quién tendrá una dificultad que nuestro prototipo ayude a resolver?

Puedes elegir uno de los retos siguientes, inspirados en las propuestas de la fuente curricular y adaptados al entorno escolar:

Propuesta Usuario y necesidad Entrada posible Resultado esperado
Clasificador de residuos Alumnado que duda en qué contenedor depositar un objeto Fotografía de un objeto Sugerencia de categoría, con advertencia de error
Reconocimiento de dígitos Persona que digitaliza una ficha de números escritos a mano Imagen de un dígito Número probable del 0 al 9
Orientación en una jornada escolar Visitantes que necesitan encontrar aulas Texto o selección de un destino Indicaciones claras y accesibles
Aviso experimental de indicios de humo Equipo que prueba técnicas de visión artificial Imágenes sintéticas o de uso autorizado Clasificación experimental que debe verificarse

Límites: un prototipo de humo no será un detector real de incendios; un clasificador de escritura no servirá para diagnosticar dificultades de aprendizaje; y un proyecto que analice el flujo de personas no necesita reconocer rostros. Elegimos tareas que puedan ensayarse de forma segura y respetuosa con la privacidad.

15.2. Fase 1. Investigar y preguntar

Antes de elegir una herramienta hay que entender a las personas que usarían la solución. Si vas a diseñar un clasificador de residuos, pregunta a tus compañeros qué objetos les generan dudas y qué información necesitan recibir. Tal vez el verdadero problema sea que los contenedores están mal señalizados. En ese caso, colocar pictogramas podría ser más útil que construir un modelo de IA.

Anota al menos tres necesidades observadas y una evidencia para cada una. Puedes realizar una pequeña encuesta anónima sobre problemas comunes; no recopiles nombres completos, fotografías de alumnos ni datos personales innecesarios.

15.3. Fase 2. Definir el problema y el criterio de éxito

Completa esta frase: «Queremos diseñar [solución] para [personas usuarias], de modo que puedan [acción], porque actualmente [problema concreto]». Después añade cómo comprobarás el éxito. Por ejemplo: «El prototipo distinguirá papel y envases en al menos ocho de diez fotografías nuevas de ensayo». Ese número es un objetivo de clase, no una garantía de calidad para una aplicación real.

Define también qué queda fuera del proyecto. Un clasificador básico no debería responder sobre residuos peligrosos ni sustituir las indicaciones municipales de reciclaje. Es preferible reconocer una limitación que presentar una solución aparentemente universal.

15.4. Fase 3. Imaginar la solución y planificar los datos

Una IA no aprende de una etiqueta sin ejemplos. Para un clasificador de imágenes necesitamos fotografías de cada clase. Debemos procurar diversidad de fondos, luz, tamaño y orientación. Si las imágenes de papel siempre tienen fondo blanco y las de plástico fondo verde, el modelo podría aprender a distinguir fondos, no objetos.

Distingue tres grupos de datos:

  • Entrenamiento: ejemplos que utiliza el algoritmo para ajustar el modelo.
  • Validación, si la herramienta la permite: ejemplos para decidir ajustes durante el desarrollo.
  • Prueba final: ejemplos nuevos que no hemos utilizado para entrenar ni ajustar el sistema; permiten estimar cómo podría comportarse ante casos no vistos.

Cuantos más datos no significa automáticamente que todo mejore. Importan la representatividad, el etiquetado, las condiciones y la adecuación al problema. No descargues imágenes sin comprobar los permisos de reutilización. Evita datos personales y personas reconocibles.

15.4.1. Qué aspectos éticos debemos prever

Describe posibles sesgos, daños o decisiones inapropiadas. Si una clase contiene muchas fotos y otra muy pocas, las comparaciones pueden ser injustas. Si la herramienta falla, el usuario debe saberlo. Si se presenta una predicción como una decisión definitiva, la confianza puede estar mal situada. Cada proyecto incluirá, al menos, una medida para reducir errores y otra para proteger datos.

ProblemaDatosPrototipoEntrenamientoPruebas nuevasMejora

15.5. Fase 4. Construir un prototipo

Una herramienta accesible para un primer clasificador es Google Teachable Machine. Permite entrenar modelos de imágenes con ejemplos sin programar. Sus opciones y requisitos pueden cambiar; comprueba el acceso antes de iniciar la sesión. No subas imágenes con datos personales del alumnado.

Ejemplo paso a paso: clasificador de dos clases.

  1. Prepara dos categorías sencillas, como «papel» y «envase», y reúne imágenes autorizadas para cada una.
  2. Abre Teachable Machine, inicia un proyecto de imágenes y crea dos clases con nombres claros.
  3. Añade ejemplos variados de ambas clases, intentando equilibrar la cantidad de muestras.
  4. Entrena el modelo. La herramienta ajustará sus parámetros a partir de los ejemplos aportados.
  5. Prueba primero algunas imágenes de las clases previstas. Después busca imágenes distintas de las utilizadas en el entrenamiento.
  6. Registra predicción, resultado esperado y errores. Evita mostrar una confianza elevada como si demostrara que el resultado es correcto.
  7. Repite las pruebas después de introducir fondos diferentes o cambios de iluminación. Anota qué ha cambiado.

No necesitas publicar el modelo ni generar un enlace público para completar la práctica. Es suficiente documentar las pruebas y, cuando sea posible, conservar el proyecto según las opciones de la herramienta.

15.6. Fase 5. Evaluar el resultado y mejorarlo

Supongamos que hemos reservado diez fotografías nuevas: cinco de papel y cinco de envases. El modelo acierta ocho y falla dos. El porcentaje de aciertos es 8 ÷ 10 × 100 = 80 %. Este dato por sí solo no explica todos los errores: también debemos saber en qué clase ocurren y bajo qué condiciones.

Muestra de prueba Respuesta esperada Predicción del modelo ¿Acierta?
Folio arrugado Papel Papel Sí
Caja de cartón Papel Envase No
Botella de plástico Envase Envase Sí
Fotografía nueva bajo poca luz Por determinar según objeto Registrar resultado Registrar

La tabla anterior es un ejemplo ilustrativo, no resultados de un experimento realizado. Cada equipo debe recoger sus propias observaciones. Para mejorar el modelo, puedes añadir fotografías más variadas, revisar etiquetas incorrectas o redefinir las categorías. Después tendrás que repetir las pruebas con nuevos ejemplos; no vale medir únicamente con las imágenes que provocaron cambios en el entrenamiento.

15.7. Qué debe incluir la memoria del proyecto

La memoria permitirá que otra persona entienda qué se hizo y qué evidencias tenemos de los resultados. Debe ser clara y breve, pero suficiente para reproducir las decisiones importantes.

Apartado Contenido obligatorio
1. Problema y usuarios Qué dificultad se quiere resolver y a quién afecta
2. Solución elegida Herramienta utilizada y alternativas consideradas
3. Datos Origen, categorías, diversidad y precauciones de privacidad
4. Diseño Esquema entrada → proceso → salida y capturas del prototipo
5. Pruebas Al menos diez casos no utilizados para entrenar y su resultado
6. Evaluación Aciertos, errores, causas posibles y límites reconocidos
7. Reflexión Beneficios, riesgos, mejoras y reparto de tareas del equipo

Actividad 1. La ficha de diseño (30 minutos)

En grupos de dos o tres alumnos, seleccionad un reto y rellenad los siete apartados anteriores, pero sin entrenar aún el modelo. Definid el usuario, diez ejemplos de datos que necesitaríais, dos riesgos y una alternativa sin IA. Presentad vuestro plan a otra pareja y anotad una mejora surgida del intercambio.

Actividad 2. Laboratorio de entrenamiento y pruebas (una o dos sesiones)

Construid un clasificador sencillo si tenéis acceso a una herramienta adecuada. Preparad al menos dos clases y organizad suficientes ejemplos variados para que el entrenamiento tenga sentido. Reservad diez pruebas nuevas y anotad su resultado individual. Realizad una segunda prueba cambiando una condición, como fondo o iluminación. En la memoria explicad si los cambios han aumentado o reducido errores y por qué pensáis que ha ocurrido.

Si no podéis utilizar herramientas de entrenamiento, presentad un prototipo de papel con diagrama IPO, datos de ejemplo y una tabla de resultados simulados expresamente identificados como hipotéticos. No afirméis que habéis entrenado una IA si no lo habéis hecho.

Actividad 3. Presentación y revisión por pares (35 minutos)

Cada grupo dispone de cuatro minutos para presentar su problema, demostrar el prototipo o la simulación, mostrar la tabla de pruebas y reconocer un límite. Otro grupo formulará dos preguntas: una sobre los datos y otra sobre la seguridad, utilidad o privacidad. Cerrad con un breve párrafo donde expliquéis qué cambiaríais antes de una segunda versión.

Criterios de evaluación del proyecto

Criterio Peso
Problema bien definido y necesidad justificada 20 %
Datos, diseño técnico y claridad del esquema 25 %
Pruebas documentadas e interpretación de resultados 25 %
Responsabilidad, privacidad y análisis de sesgos 15 %
Presentación, memoria y trabajo en equipo 15 %

La propuesta puede adaptarse al nivel del grupo. Se evalúa especialmente la capacidad de justificar decisiones, no la apariencia visual ni obtener una cifra artificialmente alta de aciertos.

Comprueba lo aprendido

  1. ¿Qué información debe incluir una definición de problema útil?
  2. ¿Por qué hay que guardar ejemplos nuevos para la prueba final?
  3. ¿Qué riesgo existe si todas las fotografías de una clase tienen el mismo fondo?
  4. Explica la diferencia entre un prototipo de papel y un modelo entrenado.
  5. ¿Cómo demostrarías que tu primera versión necesita una mejora?

En resumen

Un proyecto de IA comienza por un problema humano concreto, no por una herramienta. El grupo debe investigar, definir, idear, crear un prototipo y evaluar resultados con pruebas nuevas. La calidad del trabajo depende tanto de los datos y los experimentos como de explicar los límites, la responsabilidad y la utilidad real.

Fuentes y créditos