Saltar al contenido principal

Conceptos básicos

Objetivo​

Este capítulo explica los conceptos fundamentales de la inteligencia artificial de manera sencilla y comprensible, sin términos técnicos complicados.

1. Datos (Data)​

¿Qué son los datos?​

Los datos son la información que la inteligencia artificial necesita para aprender.

Ejemplo sencillo:

  • Si desea enseñar a la inteligencia artificial a reconocer gatos
  • Los datos son: miles de imágenes de gatos
  • Cada imagen = una información

Tipos de datos​

1. Textos:

  • Libros, artículos, mensajes
  • Ejemplo: Enseñar a la inteligencia artificial el idioma a partir de libros

2. Imágenes:

  • Fotografías, dibujos
  • Ejemplo: Enseñar a reconocer objetos a partir de imágenes

3. Sonidos:

  • Conversaciones, canciones, sonidos
  • Ejemplo: Enseñar a comprender el habla a partir de conversaciones

4. Videos:

  • Clips de video
  • Ejemplo: Enseñar a comprender el movimiento a partir de videos

¿Por qué son importantes los datos?​

Cuantos más datos, mejor será la inteligencia artificial:

  • Pocos datos: Aprendizaje limitado
  • Muchos datos: Mejor aprendizaje
  • Datos variados: Comprensión más amplia

Ejemplo:

  • Si enseña a la inteligencia artificial con solo 10 imágenes de gatos
  • No reconocerá bien a los gatos
  • Pero si la entrena con un millón de imágenes
  • Reconocerá a los gatos de manera excelente

2. Aprendizaje automático (Machine Learning)​

¿Qué es el aprendizaje automático?​

El aprendizaje automático es cómo aprende la inteligencia artificial a partir de los datos.

Analogía sencilla:

  • Imagine que quiere enseñar a un niño a andar en bicicleta
  • No puede simplemente decirle "anda en bicicleta"
  • Debe mostrarle cómo, y dejar que lo intente
  • Después de varios intentos, aprende por sí mismo

La inteligencia artificial hace lo mismo:

  • No puede simplemente decirle "esto es un gato"
  • Debe mostrarle miles de imágenes
  • Después de ver muchos ejemplos, aprende por sí misma

¿Cómo funciona el aprendizaje automático?​

Pasos:

  1. Proveer los datos: Se le da mucha información a la inteligencia artificial
  2. Aprendizaje: Intenta entender los patrones en los datos
  3. Prueba: Se le prueba con datos nuevos
  4. Mejora: Si se equivoca, se le dan más datos

Ejemplo práctico:

Enseñar a la inteligencia artificial a reconocer correo no deseado:

  1. Datos: Miles de correos electrónicos (algunos spam, otros normales)
  2. Aprendizaje: Aprende qué hace que un correo sea spam
  3. Prueba: Se le dan correos nuevos para ver si los reconoce
  4. Mejora: Si se equivoca, se le dan más ejemplos

3. Redes neuronales (Neural Networks)​

¿Qué son las redes neuronales?​

Las redes neuronales son una forma de simular el cerebro humano en la computadora.

Analogía:

  • El cerebro humano tiene neuronas conectadas entre sí
  • Cada neurona recibe información, la procesa y la pasa a la siguiente
  • Las redes neuronales hacen lo mismo en la computadora

En resumen:

  • Primera capa: Recibe los datos (como una imagen)
  • Capas intermedias: Procesan los datos
  • Última capa: Da el resultado (por ejemplo, "esto es un gato")

¿Cómo funcionan?​

Ejemplo sencillo:

Reconocimiento de un número escrito a mano:

  1. Entrada: Imagen del número
  2. Procesamiento: Las capas intermedias analizan la imagen
    • Capa 1: Detecta líneas
    • Capa 2: Detecta formas
    • Capa 3: Detecta números
  3. Salida: "Este número es 5"

¿Por qué se llaman "neuronales"?​

Porque imitan al cerebro:

  • Cerebro: Neuronas conectadas
  • Red: Nodos conectados
  • Ambos: Aprenden de la experiencia

4. Aprendizaje profundo (Deep Learning)​

¿Qué es el aprendizaje profundo?​

El aprendizaje profundo es aprendizaje automático usando redes neuronales profundas.

"Profundo" significa:

  • Red simple: Pocas capas
  • Red profunda: Muchas capas

Ejemplo:

  • Simple: 3 capas
  • Profunda: 50 capas o más

¿Por qué "profundo" es mejor?​

Más capas = mejor comprensión:

  • Pocas capas: Entiende cosas simples
  • Muchas capas: Entiende cosas complejas

Ejemplo:

  • Simple: Reconoce líneas simples
  • Profundo: Reconoce rostros completos, emociones, expresiones

Aplicaciones​

El aprendizaje profundo se usa en:

  • Reconocimiento de imágenes: Rostros, objetos, escenas
  • Comprensión del habla: Convertir voz en texto
  • Traducción: Traducción entre idiomas
  • Autos inteligentes: Comprender el entorno del vehículo

5. Inteligencia artificial débil vs fuerte​

Inteligencia artificial débil (Narrow AI)​

Especializada en una sola tarea:

  • Ejemplo: Un sistema que solo reconoce gatos
  • No puede: Reconocer perros
  • Uso: La mayoría de la inteligencia artificial actual

Ejemplos:

  • Siri: Especializada en comandos de voz
  • Google Translate: Especializada en traducción
  • Netflix: Especializada en recomendar películas

Inteligencia artificial fuerte (General AI)​

Capaz de realizar cualquier tarea:

  • Ejemplo: Un sistema que puede reconocer gatos, perros y otros objetos
  • Puede: Realizar cualquier tarea como un humano
  • Estado: Aún en fase de investigación

Ejemplo:

  • Un robot que puede:
    • Cocinar
    • Conducir
    • Escribir
    • Cualquier otra cosa

6. Entrenamiento y prueba​

Entrenamiento (Training)​

El entrenamiento es: Enseñar a la inteligencia artificial a partir de datos.

Ejemplo:

  • Quiere enseñarle a reconocer gatos
  • Le da 1000 imágenes de gatos
  • Le dice: "esto es un gato, esto es un gato, esto es un gato..."
  • Aprende de estos ejemplos

Prueba (Testing)​

La prueba es: Asegurarse de que ha aprendido correctamente.

Ejemplo:

  • Después del entrenamiento, se le dan imágenes nuevas
  • Que no ha visto antes
  • Para ver si las reconoce
  • Si las reconoce = éxito
  • Si no las reconoce = necesita más entrenamiento

¿Por qué los separamos?​

Para asegurarnos de un aprendizaje real:

  • Si lo probamos con los mismos datos: Puede simplemente memorizarlos
  • Si lo probamos con datos nuevos: Nos aseguramos de que realmente aprendió

Ejemplo:

  • El estudiante que memoriza: Solo responde las mismas preguntas
  • El estudiante que comprende: Responde preguntas nuevas también

7. Sesgo (Bias)​

¿Qué es el sesgo?​

El sesgo es: falta de equidad en la inteligencia artificial.

Ejemplo:

  • Si entrenamos la inteligencia artificial solo con imágenes de hombres
  • Puede que no reconozca bien a las mujeres
  • Esto es sesgo

¿Por qué ocurre el sesgo?​

Datos sesgados = inteligencia artificial sesgada:

  • Si los datos: Son en su mayoría sobre hombres
  • Resultado: Inteligencia artificial sesgada contra las mujeres

¿Cómo evitamos el sesgo?​

Datos variados:

  • Hombres y mujeres: En los datos
  • Personas de diferentes orígenes: En los datos
  • Ejemplos diversos: En los datos

Resumen​

Conceptos fundamentales:

  1. Datos: La información de la que aprende la inteligencia artificial
  2. Aprendizaje automático: Cómo aprende de los datos
  3. Redes neuronales: Forma de simular el cerebro
  4. Aprendizaje profundo: Redes neuronales profundas
  5. Inteligencia artificial débil: Especializada en una sola tarea
  6. Entrenamiento y prueba: Cómo enseñamos y evaluamos
  7. Sesgo: Un problema a evitar

Recuerde: Estos conceptos son sencillos en esencia: la inteligencia artificial aprende de ejemplos, ¡igual que los humanos!