UP9: Inteligencia Conectada

Inteligencia Conectada

Inteligencia Artificial

​"Rama de la informática que se enfoca en la creación de sistemas capaces de realizar tareas que normalmente requieren inteligencia humana, como la percepción visual, el reconocimiento del habla, la toma de decisiones o el aprendizaje."

​No todas las IAs son capaces de aprender, aunque la capacidad de aprendizaje es clave para adaptarse a situaciones cambiantes y complejas.

Multiple Choice

¿Es verdad que todas las IAs son capaces de aprender?

• No, ninguna aprende realmente, es solo una simulación

• Sí, todas aprenden, si no no se consideran IAs

• Algunas no aprenden, pero es cierto que el aprendizaje es clave para construir una IA desarrollada.

Sistemas Expertos

​"Programas informáticos a los que se les proporciona gran cantidad de información sobre un tema concreto y son capaces de contestar preguntas y resolver problemas relacionados con esa información."

• Utilizan:

  • Bases de datos para guardar los datos

  • Árboles de decisión para resolver problemas

Sistemas Expertos: Ejemplo

​Un ejemplo puede ser una base de datos de un sistema médico, que ayuda al diagnóstico de enfermedades.

Multiple Choice

Los sistemas expertos NO se caracterizan porque...

• Utilizan árboles de decisión

• Son capaces de aprender

• Utilizan bases de datos

• Se consideran inteligencias artificiales

Aprendizaje Automático | Machine Learning

​"Campo de estudio dentro de la IA que intenta dotar a los sistemas informáticos de la capacidad de aprender sin ser explícitamente programados."

• Se construye un modelo.

• Ese modelo toma decisiones posteriormente

Multiple Choice

Un algoritmo de Machine Learning es capaz de...

• Aprender cosas que se le han programado explícitamente

• Aprender cosas que no han sido explícitamente programadas

• No es capaz de aprender

Construcción de un modelo de Aprendizaje Automático

1. Datos: Se recopilan datos, se etiquetan y se separan algunos para validar el modelo después.

2. Modelo: Se elige un modelo y estrategia de aprendizaje.

3. Entrenamiento: Se dan los datos al modelo, que ajusta sus parámetros.

4. Validación: Se validan los resultados con los datos separados.

5. Implementación: Listo para usar en el sistema real

6. Predicción: Se usa la IA

Multiple Choice

¿Por qué se separan algunos datos al entrenar una IA?

• Para validar el modelo después

• Para tenerlos de muestra

• Porque no hacen falta

Multiple Choice

¿Qué hay que hacer con los datos antes de dárselos al modelo?

• Etiquetarlos, la mayoría de las veces

• Validarlos

• Nada

Redes Neuronales | Neural Networks

​"Modelo de IA basado en neuronas interconectadas en capas, con gran capacidad dentro del campo de la IA."

• Cada neurona contiene un parámetro que se ajusta en el entrenamiento.

• Se unen formando capas: entrada, ocultas y salida

• Cuando tienen muchas capas se llama Aprendizaje Profundo (Deep Learning)

Multiple Choice

¿Qué es una red neuronal?

• Una neurona con capacidad de pensamiento

• Una red de neuronas conectadas que forman capas

• Una serie de capas conectadas que forman neuronas

Multiple Choice

¿Qué es una red de Aprendizaje Profundo o Deep Learning?

• Un modelo similar a las redes neuronales pero cuyas neuronas son más grandes

• Una red neuronal cuya única capa oculta es inaccesible

• Una red neuronal con muchas capas de neuronas ocultas

Estrategias de Aprendizaje

​"Forma en que un modelo de IA es capaz de aprender, habitualmente una red neuronal."

1. Aprendizaje Supervisado: Se le dan datos etiquetados, y ella observa y aprende a etiquetar nuevos datos.

2. Aprendizaje Supervisado: Se le dan datos sin etiquetar, y ella los estudia y los clasifica según sus características

3. Aprendizaje Por Refuerzo: No se le dan datos, solo se le da un objetivo, y se le permite interactuar con el mundo (real o virtual) y lo intenta muchas veces recibiendo recompensas o castigos según vaya consiguiéndolo.

Estrategias de Aprendizaje: Aplicaciones

1. Aprendizaje Supervisado: Reconocimiento de voz, clasificación de imágenes, reconocimiento de texto.

2. Aprendizaje No Supervisado: Agrupar datos, estudio de patrones de compra, detección de fraude

3. Aprendizaje por Refuerzo: Videojuegos, robótica, industria

Estrategias de Aprendizaje: (Des)Ventajas

1. Aprendizaje Supervisado

   • Ventaja: Muy preciso

   • Desventaja: Necesita muchos datos etiquetados

2. Aprendizaje No Supervisado

   1. Ventaja: Puede recibir datos en bruto

   2. Desventaja: Puede dar resultados inesperados

3. Aprendizaje por Refuerzo

   1. Ventaja: Se adapta al entorno

   2. Desventaja: Puede tardar muuucho en aprender o dar resultados extraños para nosotros

Multiple Choice

¿Qué estrategia de aprendizaje aprende a base de recompensas y castigos?

• Aprendizaje Supervisado

• Aprendizaje No Supervisado

• Aprendizaje Por Refuerzo

Multiple Choice

¿Qué tipo de aprendizaje tiene la ventaja de no necesitar etiquetar los datos antes de dárselos?

• Aprendizaje Supervisado

• Aprendizaje No Supervisado

• Aprendizaje Por Refuerzo

Multiple Choice

¿Qué tipo de aprendizaje se utiliza para reconocimiento de voz y clasificación de imágenes?

• Aprendizaje Supervisado

• Aprendizaje No Supervisado

• Aprendizaje Por Refuerzo

Big Data

​"Gran volumen de datos recopilados de diferentes formas que se pueden utilizar para alimentar la IA"

• Se identifican por las 5 Vs

  • Volumen

  • Variedad

  • Velocidad de crecimiento

  • Veracidad

  • Valor para una aplicación característica

Elementos de una red IoT

​"Red de dispositivos que pueden comunicarse entre ellos y con el mundo digital"

• Dispositivos IoT: Hardware

  • Sensores, Actuadores y Comunicadores

• Plataforma IoT: Procesa y almacena datos

  • Habitualmente en la nube

• Protocolos IoT: Lenguaje común de todos los dispositivos

  • BLE/ZigBee/MQTT/...

Multiple Choice

Un sensor de temperatura en una red IoT es un...

• Dispositivo IoT

• Protocolo IoT

• Plataforma IoT

Multiple Choice

ZigBee o BLE son

• Dispositivos IoT

• Protocolos IoT

• Plataformas IoT

Aplicaciones IoT e IA

• Hogar

  • Electrodomésticos conectados

  • Extraer patrones de comportamiento

• Ciudades

  • Control de tráfico

  • Seguridad ciudadana

• Industria

  • Reducción del impacto ambiental

  • Monitorización de máquinas

Multiple Choice

El IoT se utiliza...

• Sólo en los hogares

• En los hogares, pero también en la industria y en las ciudades

• En los hogares y en las ciudades

Riesgos de la Inteligencia Conectada

• Privacidad: Pueden robarte la información directamente, y a veces las empresas cruzan datos unos con otros y permiten saber cosas de ti que tú no has compartido explícitamente

• Precisión: Las IAs también fallan a veces, y pueden generar problemas inesperados e incontrolables.

• Discriminación: Por ejemplo, si se entrena un reconocedor facial solo con datos de blancos, podría no identificar a personas de otro color de piel como humanos.

Riesgos de la Inteligencia Conectada

• Desempleo: Si aprenden a hacer de todo, nos quitarán los trabajos. ¿Es eso malo? ¿Hay que controlarlo? ¿O ajustar el sistema económico?

• Dependencia tecnológica: Es cada vez mayor, hasta el punto de depender de la IA para tomar decisiones (sistemas de recomendación de noticias, Instagram, ...). Esto limita la diversidad de pensamiento.

​Las "cámaras de eco" son esferas virtuales, como la TL de Twitter, en las que solo se repite lo que uno quiere oír, un eco de nuestros pensamientos, aumentando la polarización política y el conformismo social.

Multiple Choice

¿Qué son las cámaras de eco?

• Lugares reales donde la IA es capaz de reproducir lo que pensamos

• Cuando la IA repite nuestros comentarios discriminatorios

• Lugares virtuales donde se repiten nuestras opiniones, aumentando la polarización política

Multiple Choice

¿Por qué se dice que la IA puede ser discriminatoria?

• Porque hay gente que no puede comprarla

• Porque los resultados de la IA dependen de qué datos le demos, y si le damos datos discriminatorios se vuelve discriminatoria

• Porque la IA puede quitarle el trabajo a ciertos grupos discriminados

Open Ended

¿Te sonaba algo de todo lo que acabas de leer? ¿El qué? ¿Te interesa, o te parece aburrido?