2ESO-SA1 INTELIGENCIA ARTIFICIAL
Historia de la Inteligencia Artificial
Orígenes y primeros conceptos (Antes de 1950)
La idea de máquinas inteligentes se remonta a la antigüedad, con mitos y autómatas mecánicos. Sin embargo, la base matemática de la IA comenzó con Alan Turing, quien en 1936 describió la Máquina de Turing, un modelo teórico de computación. En 1950, propuso el Test de Turing, un criterio para evaluar la inteligencia de una máquina.
Nacimiento de la IA (1950-1970)
En 1956, el término «inteligencia artificial» fue acuñado en la Conferencia de Dartmouth, organizada por John McCarthy, considerado uno de los padres de la IA. Durante esta época, se desarrollaron los primeros programas capaces de resolver problemas matemáticos y jugar ajedrez.
La Primera Crisis (1970-1980)
Los primeros sistemas eran prometedores, pero las computadoras no tenían suficiente capacidad de procesamiento, y la financiación disminuyó, dando lugar a un periodo llamado el «invierno de la IA».
Resurgimiento y sistemas expertos (1980-1990)
Con la aparición de los sistemas expertos, programas diseñados para tomar decisiones basadas en reglas, la IA tuvo un resurgimiento en la industria. Sin embargo, estos sistemas eran rígidos y difíciles de actualizar.
Era del aprendizaje automático (1990-2010)
El crecimiento del poder computacional y la disponibilidad de grandes volúmenes de datos impulsaron el aprendizaje automático (Machine Learning), permitiendo que las máquinas mejoraran a partir de la experiencia sin ser programadas explícitamente.
IA moderna y el auge del Deep Learning (2010-presente)
Con el desarrollo de redes neuronales profundas (Deep Learning) y el acceso a grandes cantidades de datos, la IA ha logrado avances increíbles en áreas como reconocimiento de imágenes, procesamiento del lenguaje natural y vehículos autónomos. Empresas como Google, OpenAI y DeepMind han desarrollado sistemas avanzados como ChatGPT, AlphaGo y DALL·E.
Hoy en día, la IA sigue evolucionando con aplicaciones en salud, finanzas, entretenimiento y muchas otras áreas. ¡El futuro promete ser aún más impresionante!
Análisis sobre el Uso Ético de la Inteligencia Artificial
La inteligencia artificial (IA) ha avanzado rápidamente en las últimas décadas, transformando industrias y la vida cotidiana. Sin embargo, su desarrollo y aplicación plantean desafíos éticos que requieren un análisis cuidadoso para evitar consecuencias negativas.
1. Transparencia y Explicabilidad
Uno de los principales desafíos éticos de la IA es su opacidad. Muchos sistemas, especialmente los basados en Deep Learning, funcionan como una “caja negra”, donde ni siquiera sus creadores pueden explicar exactamente cómo toman decisiones. Esto genera preocupaciones en sectores críticos como la salud, el derecho y las finanzas.
2. Bias y Discriminación
Los sistemas de IA aprenden de datos históricos, lo que puede reforzar sesgos existentes. Esto ha llevado a casos donde la IA ha discriminado a ciertos grupos en áreas como contratación, préstamos bancarios y sistemas judiciales.
- Ejemplo: Un sistema de IA usado para selección de personal podría favorecer a hombres si los datos históricos reflejan un sesgo en contrataciones pasadas.
3. Privacidad y Seguridad
La IA necesita grandes volúmenes de datos para entrenarse, lo que puede poner en riesgo la privacidad de los usuarios. Empresas y gobiernos pueden utilizar estos datos de manera indebida, generando preocupaciones sobre el vigilantismo digital.
- Ejemplo: El uso de IA en reconocimiento facial por parte de gobiernos ha generado controversia por la vigilancia masiva sin consentimiento.
4. Impacto en el Empleo
La automatización impulsada por la IA está reemplazando ciertos trabajos, especialmente los que implican tareas repetitivas. Esto genera preocupaciones sobre el desempleo tecnológico y la desigualdad económica.
- Ejemplo: Sistemas de IA que reemplazan a empleados en atención al cliente o manufactura.
5. Uso en Armas Autónomas y Manipulación
La IA también plantea riesgos en términos de ciberseguridad, propaganda y guerra autónoma. Armas autónomas sin intervención humana podrían generar conflictos descontrolados, y la manipulación mediante IA (deepfakes, fake news) puede desinformar a la sociedad.
Conclusión
La inteligencia artificial tiene un potencial enorme, pero su desarrollo debe ser guiado por principios éticos para evitar daños. Transparencia, justicia, privacidad y responsabilidad deben ser los pilares fundamentales para garantizar un uso beneficioso de la IA para la sociedad. Es clave que gobiernos, empresas y ciudadanos trabajen juntos para establecer regulaciones y buenas prácticas en su implementación.
Tipos de agentes inteligentes simples
En inteligencia artificial, los agentes inteligentes son entidades que perciben su entorno mediante sensores y actúan sobre él mediante actuadores con el objetivo de alcanzar un objetivo.
Existen varios tipos de agentes inteligentes simples, cada uno con diferentes capacidades y niveles de complejidad. Aquí te los explico:
1. Agentes Reactivos Simples
Características:
- Responden directamente a percepciones del entorno sin mantener un historial.
- Funcionan con reglas condición-acción (Ejemplo: Si veo un obstáculo, giro).
- Son rápidos y eficientes, pero no pueden manejar entornos complejos.
Ejemplo: Un robot aspiradora básica que se mueve hasta chocar con un obstáculo y luego cambia de dirección.
2. Agentes Reactivos Basados en Modelo
Características:
- Son una mejora de los agentes reactivos simples.
- Mantienen un modelo del mundo para entender cómo se comporta el entorno.
- Pueden tomar decisiones más inteligentes al recordar información previa.
Ejemplo: Un termostato inteligente que no solo mide la temperatura actual, sino que también considera cambios previos para predecir cuándo activar la calefacción.
3. Agentes Basados en Objetivos
Características:
- No solo reaccionan, sino que tienen un objetivo definido y toman decisiones para alcanzarlo.
- Pueden evaluar diferentes acciones y elegir la que mejor los acerque a su meta.
- A menudo requieren algoritmos de búsqueda y planificación.
Ejemplo: Un coche autónomo que decide qué ruta tomar para llegar más rápido a su destino.
4. Agentes Basados en Utilidad
Características:
- No solo buscan alcanzar un objetivo, sino que buscan la mejor manera de lograrlo.
- Usan una función de utilidad para medir qué tan favorable es una acción en comparación con otra.
- Pueden optimizar decisiones en entornos inciertos.
Ejemplo: Un asistente de inversión en bolsa que elige entre diferentes opciones de inversión según cuál tiene la mejor rentabilidad esperada.
5. Agentes que Aprenden
Características:
- Son los más avanzados de esta categoría.
- Aprenden de la experiencia y mejoran su comportamiento con el tiempo.
- Utilizan técnicas de aprendizaje automático (Machine Learning) para adaptar sus decisiones.
Ejemplo: Un chatbot que mejora sus respuestas a medida que interactúa con los usuarios y aprende de conversaciones previas.
Usos del aprendizaje automático
El aprendizaje automático (machine learning) es una rama de la inteligencia artificial que permite a los sistemas mejorar y adaptarse con la experiencia. Sus aplicaciones están en constante crecimiento y abarcan múltiples áreas.
1. Procesamiento de Lenguaje Natural (PLN)
Gracias al ML, las máquinas pueden comprender y generar lenguaje humano, facilitando la comunicación con la tecnología.
Ejemplos:
- Asistentes virtuales como Siri, Alexa y Google Assistant.
- Traducción automática con herramientas como Google Translate.
- Análisis de opiniones en redes sociales para interpretar emociones y tendencias.
2. Reconocimiento de Imágenes y Visión por Computador
Las máquinas ahora pueden analizar e interpretar imágenes y videos con gran precisión.
Ejemplos:
- Desbloqueo facial en móviles y sistemas de seguridad.
- Diagnósticos médicos basados en análisis de radiografías o resonancias.
- Vehículos autónomos que identifican objetos y peatones en la vía.
3. Recomendaciones Personalizadas
Las plataformas digitales usan ML para predecir gustos y sugerir contenido.
Ejemplos:
- Netflix y Spotify recomiendan películas y música basándose en tus preferencias.
- Amazon sugiere productos según tus compras anteriores.
- Redes sociales muestran publicaciones relevantes en tu feed.
4. Detección de Fraudes
El ML ayuda a identificar comportamientos sospechosos y prevenir fraudes.
Ejemplos:
- Bancos que analizan transacciones en tiempo real para detectar fraudes.
- Compañías de seguros que examinan reclamaciones sospechosas.
- Plataformas de comercio electrónico que protegen contra transacciones fraudulentas.
5. Mantenimiento Predictivo
Las empresas utilizan ML para prevenir fallos en equipos y evitar interrupciones costosas.
Ejemplos:
- Industrias que predicen fallos en máquinas antes de que ocurran.
- Sistemas de transporte y redes eléctricas que optimizan el mantenimiento.
- Gestión de flotas que mejora el uso de vehículos y reduce costos.
6. Salud y Medicina
El aprendizaje automático está revolucionando la atención médica, desde el diagnóstico hasta el tratamiento.
Ejemplos:
- Diagnóstico asistido por computadora para detectar enfermedades con mayor precisión.
- Desarrollo de medicamentos acelerado mediante análisis de datos biomédicos.
- Optimización de registros médicos para mejorar la eficiencia en los tratamientos.
Aplicaciones del aprendizaje supervisado y no supervisado
En esta actividad vamos a entrenar una pequeña inteligencia artificial que nos ayude a distinguir entre diferentes pokemons.
¿Qué deporte es?
Teniendo en cuenta el ejercicio realizado anteriormente, Practica 1, ahora debes hacer algo similar de manera que nuestra máquina averigüe de qué deporte se trata entre dos escogidos, por ejemplo, fútbol y ciclismo. Desarrolla un proyecto, entrénalo, pruébalo y crea una pequeña aplicación en scratch que lo pruebe.
Realiza un proyecto de reconocimiento de imágenes por el cual tu máquina reconozca si la imagen que has introducido es un vaso o una manzana.
Reconocimiento de imágenes – pokemon
Proyecto extraído del sitio web de Machine Learning for kids
Ejercicio el panda tímido, extraído del sitio web de Machine Learning for Kids