Entrar

← Todos los repasos

Variedad del español

Inteligencia artificial: qué es y cómo aprende una máquina

Hacia los 13 años · Se suele dar en ⁨2.º–3.º de ESO⁩ · Gratis

Aprende

  1. Un programa con reglas hace lo que una persona le escribió: «si pasa esto, entonces haz aquello». Sirve cuando las reglas se pueden decir con claridad, como calcular una media. Pero nadie sabe escribir las reglas para reconocer un gato en cualquier foto: hay demasiados gatos y posturas.

    La inteligencia artificial (IA) reúne programas que hacen tareas que antes parecían pedir inteligencia humana, como reconocer imágenes, traducir o recomendar. La mayoría de la IA de hoy aprende de ejemplos, encontrando un patrón que sirve para casos nuevos: es el aprendizaje automático. El nombre «inteligencia artificial» se propuso en 1955. En 1959, Arthur Samuel describió un programa de damas que mejoraba jugando partidas.

     con reglasaprende de ejemplos
    quién decidelas escribe una personalas saca de ejemplos
    qué necesitareglas clarasmuchos ejemplos
    sirve paracalcular una mediareconocer un gato
    Dos maneras de hacer un programa
  2. Para enseñar a una máquina se usan datos de entrenamiento: muchos ejemplos, cada uno con su etiqueta, que es la respuesta correcta, como una foto de un gato con la etiqueta «gato». Muchas veces las ponen personas, que también eligen los ejemplos y revisan cómo acierta el modelo. Entrenar es repetir un ciclo: el programa responde, se compara con la etiqueta y se ajusta un poco para equivocarse menos. Lo que queda ajustado se llama modelo. El acierto sube deprisa al principio y después cada vez menos.

    ve unejemploda surespuestamira laetiquetase ajusta
    Un paso del entrenamiento, repetido muchas veces
  3. Después se prueba el modelo con ejemplos nuevos, que no vio al entrenar. Si probara con los mismos, podría acertar solo por haberlos visto. Se mide la tasa de acierto: aciertos entre pruebas, en porcentaje. Si acierta 45 de 50, su acierto es el 90 % y sus fallos, el 10 %. En una tarea real, ningún modelo acierta siempre.

    Un modelo solo conoce lo que había en sus datos. Si los ejemplos son pocos, repetidos o no cubren todos los casos, o llevan etiquetas equivocadas, el modelo aprende esos errores: es un sesgo de los datos. Con la letra de una sola persona, un programa fallará más con la de otras. Más ejemplos ayudan si son variados y están bien etiquetados.

    tareacon qué aprende
    reconocer imágenesfotos con etiqueta
    traducirtextos y su traducción
    recomendarlo que eligió mucha gente
    escribir textomuchísimos textos
    Cada tarea aprende de sus datos
  4. Una IA no entiende ni siente como una persona: no ha vivido nada de lo que dicen sus datos, solo encuentra patrones, y no siempre los esperados: puede fijarse en el fondo de una foto y no en el gato. Un programa que escribe texto aprende de muchísimos textos qué palabras suelen ir juntas y elige las que encajan. Si escribe «estoy triste», no siente tristeza. Y puede equivocarse con mucha seguridad, así que lo importante se comprueba.

Ejemplos

Ejemplo 1

Mara escribe una regla para el filtro de correo de su tienda: «si el mensaje dice «gratis», es basura». Un cliente escribe «El envío gratis llegó bien, gracias». ¿Qué hace el filtro?

Mensaje de un cliente (inventado)

El envío gratis llegó bien, gracias.

  1. La regla mira solo la palabra «gratis».
  2. El mensaje del cliente tiene esa palabra, así que el filtro lo manda a basura.
  3. Para arreglarlo con reglas, hay que escribir otra regla, y otra, por cada caso raro.
  4. Un filtro que aprende de miles de mensajes marcados como «basura» o «no basura» saca patrones más variados, aunque también se equivoca a veces.

El filtro con reglas se equivoca con ese mensaje.

¡Ojo! Aquí muchos creen que una regla más lo arregla todo.

Error típico

Ejemplo 2

Toño entrena un programa para distinguir fotos de bicis y de patinetes. Lo prueba con 80 fotos nuevas y acierta 68. ¿Cuál es su tasa de acierto?

pruebasaciertostasa
8068?
  1. La tasa de acierto es aciertos entre pruebas.
  2. 68 ÷ 80 = 0,85.
  3. En porcentaje, 0,85 es el 85 %.
  4. Al revés, el 85 % de 80 pruebas son 80 × 0,85 = 68 aciertos.

El programa de Toño acierta el 85 %.

¡Ojo! Aquí muchos dicen 68 %, porque toman el número de aciertos como si fuera el porcentaje.

Error típico

Ejemplo 3

Guni entrena un programa para leer las direcciones de su cuaderno de reparto, solo con 500 ejemplos de su propia letra. Julita escribe una dirección y el programa falla. ¿Por qué?

  1. Todos los ejemplos eran de una sola letra.
  2. El modelo no vio otras formas de escribir.
  3. Con ejemplos de la letra de más personas, y volviendo a entrenar, suele fallar menos.

Los datos de Guni no cubrían otras letras: es un sesgo de los datos.

¡Ojo! Aquí muchos creen que el programa es malo, y no que a sus datos les faltaban casos.

Error típico

Un reto para pensar

Piensa en una función de tu móvil que parezca adivinar cosas, como corregir una palabra o proponerte una canción. Escribe con qué ejemplos crees que aprendió y un caso en el que podría equivocarse porque a sus datos les faltaba algo.

Practica

Rondas de 10 preguntas. Elige el nivel:

Tu nota en este tema:Sin nota aúnHaz una ronda del nivel Básico para tener nota.

Siguiente tema: Usos, límites y errores de la inteligencia artificial: sesgos, confianza y decisiones →