Unidad 1. Qué es la Inteligencia Artificial: introducción y ejemplos

Curso de Inteligencia Artificial · Bloque I: Fundamentos · Nivel inicial
Tiempo orientativo: 2 sesiones de 55 minutos, más una actividad de ampliación.
Materiales: ordenador con navegador, cuaderno o documento digital. No se requieren conocimientos de programación.

Antes de empezar

Cuando una aplicación nos recomienda una canción, cuando el móvil transcribe una nota de voz o cuando un programa responde a una pregunta, estamos utilizando funciones que pueden incorporar inteligencia artificial. Sin embargo, también hay programas que realizan tareas sorprendentes sin utilizar IA. ¿Cómo podemos distinguirlos?

En esta unidad aprenderemos qué significa realmente inteligencia artificial, cómo ha evolucionado, qué relación tiene con el aprendizaje automático y por qué debemos conocer tanto sus posibilidades como sus limitaciones.

Al finalizar serás capaz de: explicar qué es la IA con tus palabras; distinguir una automatización convencional de una aplicación de aprendizaje automático; relacionar IA, aprendizaje automático y aprendizaje profundo; describir el entrenamiento de un modelo sencillo y reconocer situaciones en las que una IA puede equivocarse.

1.1. ¿Qué es la Inteligencia Artificial?

La inteligencia artificial (IA) es un campo de la informática que desarrolla sistemas capaces de realizar tareas que asociamos con determinadas capacidades humanas, como reconocer patrones, interpretar lenguaje, hacer predicciones, planificar acciones o generar contenido. No significa que un ordenador piense como una persona: significa que ha sido diseñado para realizar esas tareas mediante procedimientos informáticos.

Imagina una aplicación que escucha una frase y la convierte en texto. Recibe una señal de audio, la procesa con un sistema de reconocimiento del habla y produce palabras escritas. Otro ejemplo es un programa que revisa miles de fotografías para localizar determinados objetos. En ambos casos, el sistema transforma información de entrada en un resultado útil.

La IA aparece en numerosos ámbitos: sistemas que ayudan a detectar anomalías en imágenes médicas, filtros de correo no deseado, herramientas de traducción, videojuegos, recomendaciones de películas y aplicaciones que generan texto o imágenes. La presencia de IA depende de la función concreta, no del nombre o del aspecto del producto. Un robot puede limitarse a seguir instrucciones fijas, y una aplicación de aspecto muy sencillo puede utilizar un modelo avanzado.

¿Toda aplicación que toma decisiones utiliza IA?

No. Una calculadora que realiza una multiplicación sigue operaciones matemáticas definidas. Un temporizador que apaga la luz a las 22:00 sigue una regla programada. Estos dispositivos pueden ser útiles y automáticos sin incorporar aprendizaje automático.

En cambio, un filtro de spam que aprende de ejemplos de mensajes legítimos y fraudulentos puede utilizar IA para estimar a qué categoría pertenece un correo nuevo. La diferencia fundamental no es que una máquina «haga cosas sola», sino cómo consigue producir la respuesta. Además, algunas técnicas clásicas de IA también se basan en reglas: no debemos identificar IA exclusivamente con aprendizaje automático.

1.2. Breve historia de la IA

La investigación en IA se consolidó como campo durante la década de 1950. En 1956, un encuentro científico celebrado en Dartmouth popularizó la expresión artificial intelligence. Durante años se desarrollaron programas basados en reglas, búsqueda y razonamiento simbólico. Aquellos sistemas podían resolver determinados problemas, pero resultaba difícil trasladarlos a situaciones muy variadas.

Más adelante ganó importancia el aprendizaje a partir de datos. En 1997, el ordenador Deep Blue venció al campeón mundial de ajedrez Garri Kaspárov en un encuentro de seis partidas. Décadas después, las redes neuronales profundas mejoraron notablemente el reconocimiento de imágenes, la voz y el lenguaje. A partir de 2022, las aplicaciones de IA generativa se hicieron conocidas por el gran público, aunque sus fundamentos se investigaban desde mucho antes.

La historia de la IA no es una línea de progreso continuo: ha tenido etapas de entusiasmo, dificultades y cambios de enfoque. Tampoco todas sus aplicaciones actuales se basan en la misma tecnología.

1.3. Inteligencia Artificial, machine learning y deep learning

Estos tres conceptos están relacionados, pero no son sinónimos:

• Inteligencia artificial (IA): campo general que estudia y desarrolla sistemas para realizar tareas asociadas con la inteligencia. Incluye métodos basados en reglas, búsqueda, planificación y aprendizaje.
• Aprendizaje automático (machine learning): parte de la IA en la que se obtienen modelos a partir de datos, en lugar de escribir manualmente todas las reglas para cada caso.
• Aprendizaje profundo (deep learning): parte del aprendizaje automático que utiliza redes neuronales de varias capas para aprender representaciones de los datos.

Ejemplo: podríamos construir un clasificador de fotografías de gatos y perros. En un enfoque de aprendizaje automático, reunimos imágenes etiquetadas, entrenamos un modelo con ellas y después comprobamos cómo funciona con fotografías nuevas. En un sistema basado exclusivamente en reglas, intentaríamos describir de antemano todas las características que identifican a cada animal. Esto último resulta difícil porque hay diferencias de tamaño, postura, iluminación y raza.

1.4. ¿Qué significa que una máquina «aprende»?

En el contexto del aprendizaje automático, aprender significa ajustar parámetros de un modelo utilizando datos para mejorar su rendimiento en una tarea. No significa comprender el mundo como lo hace una persona.

Consideremos un modelo que distingue fotografías de manzanas y naranjas:

1. Recopilación de datos: obtenemos imágenes de ambos tipos de frutas.
2. Etiquetado: indicamos a qué categoría pertenece cada imagen.
3. Entrenamiento: el algoritmo modifica el modelo para reducir las diferencias entre sus predicciones y las etiquetas correctas.
4. Prueba: presentamos imágenes nuevas que no haya utilizado durante el entrenamiento.
5. Uso: si el resultado es suficientemente fiable para el objetivo previsto, utilizamos el modelo con entradas nuevas y seguimos supervisando su rendimiento.

Conviene distinguir dos momentos. Entrenar un modelo consiste en aprender a partir de ejemplos; utilizarlo para predecir consiste en aplicar lo aprendido a un dato nuevo. Un modelo puede funcionar muy bien con las imágenes que conoce y fallar cuando se enfrenta a fotografías diferentes.

1.5. ¿Por qué ha avanzado tanto la IA?

Tres factores han contribuido al desarrollo de muchas aplicaciones modernas: los datos, la mejora de los algoritmos y el aumento de la capacidad de cálculo. Internet, los dispositivos conectados y distintas fuentes digitales facilitan la disponibilidad de información; los algoritmos permiten analizarla; los procesadores y la infraestructura informática hacen viables cálculos exigentes.

La computación en la nube permite utilizar recursos de servidores remotos, por ejemplo para entrenar o ejecutar modelos grandes. Sin embargo, no todas las aplicaciones de IA necesitan Big Data ni la nube: algunos modelos trabajan con conjuntos de datos pequeños y otros se ejecutan directamente en un teléfono o portátil.

1.6. Posibilidades y limitaciones

La IA puede clasificar, resumir, traducir, detectar regularidades, ayudar a tomar decisiones y automatizar parte de un trabajo. Pero sus resultados no son infalibles. Puede cometer errores por datos insuficientes, ejemplos poco representativos, condiciones diferentes a las del entrenamiento o por las limitaciones propias del modelo. Los sistemas generativos, además, pueden producir respuestas convincentes que contienen afirmaciones falsas.

Una predicción no es una certeza. Un sistema que informa de que hay un 90 % de probabilidad de que aparezca un gato en una foto no está garantizando que sea un gato. Y que una herramienta escriba un texto fluido no demuestra que comprenda su significado como una persona ni que sus afirmaciones sean correctas.

En situaciones importantes —salud, educación, empleo o seguridad— necesitamos contrastar los resultados, conocer las limitaciones y mantener una supervisión humana adecuada.

Actividad 1. ¿Es IA o no es IA?

Modalidad: individual o por parejas · Duración: 15 minutos.

Indica si cada ejemplo utiliza IA, no la utiliza o depende de cómo se haya implementado. Justifica tu respuesta; no basta con marcar «sí» o «no».

Reflexiona: ¿por qué sería incorrecto afirmar que cualquier aparato automático utiliza IA? ¿Puede una misma aplicación mezclar funciones de IA con otras que no lo son?

Actividad 2. Diseña una IA para jugar a piedra, papel o tijera

Modalidad: grupos de 2 o 3 · Duración: 20 minutos. No es necesario programar.

Imagina una máquina equipada con una cámara que juega contra ti. Diseña su funcionamiento respondiendo a estas cuestiones:

1. ¿Qué imágenes necesitarías reunir para entrenar al sistema?
2. ¿Qué categorías debería aprender a distinguir?
3. ¿Qué recibe la cámara como entrada y qué produce el clasificador como salida?
4. Cuando reconoce «piedra», ¿qué jugada debe elegir la máquina para ganar?
5. ¿Qué podría ocurrir si la mano aparece poco iluminada o parcialmente tapada?
6. Si ambos jugadores deben elegir simultáneamente, ¿sería justo que la máquina esperase a ver el gesto humano? Propón una regla para que el juego sea justo.

Producto a entregar: un diagrama sencillo con los pasos «captura → reconocimiento → decisión → resultado» y un párrafo que explique una limitación del sistema.

Actividad 3. Detectives de errores

Lee esta situación: «Un asistente de IA afirma con total seguridad que un museo abre los lunes. Al consultar la página oficial del museo, descubres que permanece cerrado». Explica por qué la seguridad con la que está escrita una respuesta no garantiza que sea correcta. Escribe dos medidas concretas para verificar información relevante antes de utilizarla.

Comprueba lo aprendido

1. Explica qué es la IA sin utilizar la palabra «inteligente».
2. ¿En qué se diferencia el aprendizaje automático de un programa de reglas fijas?
3. Completa la relación: aprendizaje profundo ⊂ __________ ⊂ __________.
4. ¿Para qué sirve reservar imágenes nuevas durante la prueba de un modelo?
5. ¿Es obligatorio utilizar la nube para ejecutar una IA? Justifica tu respuesta.

En resumen

La inteligencia artificial reúne distintas técnicas para resolver tareas como clasificar, interpretar información o generar contenido. El aprendizaje automático obtiene modelos a partir de datos, y el aprendizaje profundo utiliza redes neuronales de varias capas. Estas herramientas pueden resultar muy útiles, pero tienen limitaciones: conviene comprobar qué función realizan, cómo se han construido y cuándo pueden fallar.

Fuentes y créditos

• Education Bureau, Hong Kong (2023). Module on Artificial Intelligence for Junior Secondary Level, Booklet 1, Unit 1, pp. 8–18. Material original del alumnado.
• Education Bureau, Hong Kong (2023). Booklet 1, versión docente y hojas de actividades. Carpeta de materiales de referencia.
• Elaboración propia para TICenelAula. Explicaciones, ejemplos, actividades e ilustraciones originales adaptados al alumnado de secundaria y FP.