Preguntas al grupo:
¿qué tienen en común estos sistemas?
¿Hacen todos lo mismo?
No vamos a entrenar redes ni estudiar fórmulas: primero necesitamos construir el mapa conceptual.
La inteligencia artificial (IA) es un campo de la informática dedicado a desarrollar sistemas capaces de realizar tareas que requieren capacidades como:
Importante: no existe una única técnica para lograrlo.
Hay distintos enfoques dentro de la IA:
Y una distinción clave:
No todo programa automático es IA; no toda IA utiliza aprendizaje automático.
Preguntas:
¿cuáles necesitan aprender de ejemplos?
¿Cuáles podrían funcionar con reglas y búsqueda?
Idea central: las técnicas cambian; el campo tiene décadas de historia.
Conocemos las reglas y queremos un resultado preciso:
impuesto = importe × tasatotal = importe + impuestoLo resolvemos mediante programación explícita.
Pregunta: ¿qué ventaja tendría pedirle a un modelo generativo que «adivine» el resultado?
Podemos escribir reglas:
Pero los mensajes cambian constantemente.
Otra posibilidad: entrenar un modelo con ejemplos de correos legítimos y spam para identificar patrones.
Reglas programadas explícitamente
Modelos aprendidos de datos
En ambos casos hay ingeniería, diseño, código y pruebas.
Determinístico: con iguales entradas y condiciones, el resultado es el mismo.
Probabilístico: el sistema utiliza probabilidades o distribuciones para estimar resultados o elegir entre posibilidades.
Precisión importante: no son categorías excluyentes. Un programa puede usar azar; un modelo de IA puede ofrecer resultados reproducibles.
La estimación del modelo no reemplaza las reglas de funcionamiento del servicio.
Aplicación de correo
Recibir mensaje → Validar → Consultar modelo → Aplicar reglas → Entregar o retener
La programación se ocupa de:
El modelo de IA es un componente del sistema, no el sistema completo.
Para cada problema: reglas explícitas, modelo aprendido o ambos.
Discutamos las razones: no alcanza con elegir; hay que justificar.
La mayoría de los sistemas generativos actuales utilizan aprendizaje profundo, pero IA generativa y DL no son sinónimos.
Tres factores se potenciaron entre sí:
La tecnología no avanzó por una única invención.
Objetivo: identificar si un correo es spam.
Para aprender necesitamos ejemplos de mensajes y cierta información de cada uno:
Ese conjunto de ejemplos forma un dataset.
| Correo | Remitente conocido | Pide contraseña | Etiqueta |
|---|---|---|---|
| A | Sí | No | Legítimo |
| B | No | Sí | Spam |
| C | Sí | No | Legítimo |
| D | No | No | Spam |
| E | No | No | Legítimo |
Para observar: D y E tienen las mismas características visibles y distintas etiquetas. ¿Qué información podría faltar?
Ejemplo ficticio para discutir en clase.
Pregunta:
en la tabla anterior, ¿cuáles son las características y cuál es la etiqueta?
Aprendizaje supervisado
Aprendizaje no supervisado
El tipo de problema determina qué enfoque resulta útil.
Clasificación y regresión suelen ser supervisadas; agrupamiento, no supervisado.
¿Qué tarea tenemos en cada caso?
Para cada uno:
¿clasificación, regresión o agrupamiento?
¿Necesitamos etiquetas?
El modelo no recibe necesariamente reglas escritas a mano: ajusta su comportamiento para capturar patrones presentes en los datos.
Entrenamiento
El modelo utiliza ejemplos para ajustar sus parámetros.
Prueba
Se evalúa con ejemplos que no utilizó para aprender.
Analogía: practicar ejercicios resueltos no es lo mismo que resolver correctamente problemas nuevos en un examen.
Un modelo útil debe identificar patrones que sigan funcionando fuera de los ejemplos de entrenamiento.
Puede fallar porque:
Sobreajuste (overfitting): cuando funciona muy bien con lo conocido, pero mal con lo nuevo.
En un filtro de spam aparecen errores diferentes:
Pregunta: ¿los dos errores tienen el mismo costo?
Evaluar un modelo exige analizar qué errores comete y qué consecuencias tienen, no solo contar aciertos.
Imaginemos un modelo entrenado para reconocer perros usando casi exclusivamente fotos de perros blancos.
Idea para llevarse: más datos no siempre significan mejores datos.
Esquema conceptual
Datos de entrada → Capas de procesamiento → Resultado
No es un cerebro digital: es un modelo computacional inspirado históricamente en las neuronas.
Supongamos que queremos reconocer números escritos a mano:
Hoy importa entender la idea; los algoritmos de ajuste se estudiarán más adelante.
Vamos a conectar lo visto hoy con:
Pregunta para pensar:
¿por qué una respuesta muy convincente podría ser incorrecta?