Currículo: esta unidad desarrolla todos los saberes básicos del Bloque H – Inteligencia artificial correspondiente a 3ºESO. Además, se evalúan los criterios que puedes encontrar al final de esta página.
Tabla de contenidos
- 8.1. Situación actual de la inteligencia artificial
- 8.2. Consecuencias del mal uso de la inteligencia artificial
- 8.3. Funcionamiento de los agentes inteligentes simples
- 8.4. Casos prácticos del aprendizaje automático
- 8.5. Aplicaciones del aprendizaje por refuerzo
- 8.6. Prácticas de inteligencia artificial
La inteligencia artificial es una de las tecnologías más transformadoras de nuestro tiempo, con aplicaciones que abarcan desde la vida cotidiana hasta los sectores más avanzados de la ciencia. En cursos anteriores (IA en 1ºESO, IA en 2ºESO), hemos aprendido los conceptos básicos de la IA, incluyendo su definición, los principios éticos asociados a su uso, y algunas de sus aplicaciones iniciales. Ahora, en 3º de ESO, profundizaremos en aspectos más complejos y actuales de la IA, explorando su situación actual, los desafíos éticos y sociales que plantea, y las tecnologías avanzadas que la sustentan.
Es fundamental entender cómo la IA está moldeando el mundo en el que vivimos y cómo su desarrollo responsable puede beneficiar a la sociedad. Además, conocer el funcionamiento interno de los agentes inteligentes y las diversas técnicas de aprendizaje automático nos permitirá apreciar las innovaciones y las posibilidades futuras que esta tecnología ofrece. A través del estudio de casos prácticos y aplicaciones específicas, veremos cómo la IA está siendo utilizada para resolver problemas complejos y mejorar la eficiencia en diversas áreas.
8.1. Situación actual de la inteligencia artificial
La inteligencia artificial ha experimentado un crecimiento explosivo en los últimos años, transformando multitud de aspectos en nuestra sociedad.
En el sector de la salud, por ejemplo, la IA ha revolucionado el diagnóstico médico con herramientas que pueden identificar enfermedades raras mediante el análisis detallado de imágenes médicas.
En el transporte, los vehículos autónomos, como los desarrollados por Tesla, están cambiando la forma en que entendemos la movilidad, prometiendo reducir accidentes y mejorar la fluidez del tráfico.
En el ámbito de las finanzas, la IA se utiliza para detectar fraudes y gestionar inversiones con una precisión que supera la capacidad humana, optimizando las decisiones financieras.
En el sector de la educación, plataformas como Duolingo están personalizando el aprendizaje al adaptarse a las necesidades específicas de cada estudiante, lo que mejora significativamente los resultados educativos.
Incluso en el entretenimiento, la IA está desempeñando un papel crucial, como se ve en los algoritmos de recomendación de servicios de streaming como Netflix, que analizan los patrones de visualización para sugerir contenidos personalizados.
La IA también está dejando su huella en el sector agrícola, con drones inteligentes que monitorean cultivos y optimizan el uso de recursos para aumentar la producción de alimentos de manera sostenible.
Esta capacidad de la IA para transformar diferentes sectores subraya su potencial para seguir impactando positivamente en nuestras vidas de múltiples maneras.
Sin embargo, aunque la IA ofrece numerosas ventajas, también presenta problemas importantes que deben ser abordados para maximizar sus beneficios:
- Privacidad: la recopilación y el análisis de grandes cantidades de datos personales plantean preocupaciones sobre el uso ético de la información. Es muy importante elaborar regulaciones claras para proteger los derechos de las personas.
- Equidad: los algoritmos de IA pueden perpetuar sesgos existentes si no se diseñan y entrenan adecuadamente. Es importante garantizar que los sistemas de IA sean justos y no discriminen a ningún grupo.
- Empleo: la automatización impulsada por la IA puede afectar el mercado laboral, con la posibilidad de que algunos trabajos sean reemplazados por máquinas. Aunque, también es verdad que están surgiendo nuevas oportunidades de empleo en sectores relacionados con la IA y la tecnología.
La inteligencia artificial sigue evolucionando y se espera que continúe transformando nuestra sociedad en el futuro. Estas son algunas de las tendencias que debemos monitorizar:
- IA explicable: el desarrollo de métodos para hacer que los sistemas de IA sean más transparentes y comprensibles es una importante vía para cultivar la confianza del público.
- Sostenibilidad: la IA puede desempeñar un papel clave en la lucha contra el cambio climático, y otros problemas globales, optimizando el uso de recursos y mejorando la eficiencia energética.
- Interacción hombre-máquina: las interfaces de usuario basadas en IA, como los asistentes virtuales y los chatbots, seguirán mejorando, haciendo que la interacción con la tecnología sea más natural e intuitiva.
8.2. Consecuencias del mal uso de la inteligencia artificial
En la industria de la inteligencia artificial existen mucha preocupación por multitud de aspectos de esta tecnología. Y, es que, nadie entiende al 100% cómo funcionan estos sistemas. Pero si hay algo que preocupa con mayor intensidad, es el mal uso que conscientemente algunas personas pueden hacer de esta tecnología para sacar un provecho personal. La ética en el uso de estos sistemas, por tanto, es un aspecto vital que debemos tener en cuenta a medida que esta tecnología avanza y se integra cada vez más en nuestras vidas.
Por eso es muy necesario comprender las consecuencias que puede tener para la sociedad el mal uso de la IA.
A continuación, analizamos algunas de las principales consecuencias que ya están siendo objeto de estudio.
8.2.1. Discriminación
La IA puede perpetuar y amplificar los sesgos existentes si no se entrena con datos equilibrados.
Por ejemplo, en el ámbito de la contratación de personal, un sistema de IA que se base en datos históricos de contrataciones puede favorecer a ciertos grupos demográficos y discriminar a otros, perpetuando desigualdades que generen la exclusión de comunidades enteras.
8.2.2. Seguridad
El uso indebido de la IA puede comprometer la privacidad de las personas. Los sistemas de reconocimiento facial.
Por ejemplo, pueden ser utilizados para vigilancia masiva sin el consentimiento de las personas, lo que plantea serias preocupaciones sobre la invasión de la privacidad y el potencial abuso por parte de gobiernos o empresas.
8.2.3. Manipulación
La IA también puede ser utilizada para crear y difundir información falsa o engañosa. Los «deepfakes», que son vídeos manipulados por IA para mostrar a personas diciendo o haciendo cosas que nunca hicieron, pueden ser utilizados para desacreditar a una persona, influir en opiniones públicas y manipular procesos electorales, erosionando la confianza en las instituciones democráticas.
8.2.4. Desigualdad
La automatización impulsada por la IA puede llevar a la eliminación de empleos, especialmente en sectores como la manufactura y los servicios. Aunque la IA también crea nuevas oportunidades laborales, existe el riesgo de que la transición no sea equitativa, aumentando la desigualdad económica y dejando atrás a aquellos trabajadores que no tengan acceso a la formación técnica necesaria para adaptarse a los nuevos roles.
8.2.5. Dependencia tecnológica
El mal uso de la IA puede generar una dependencia excesiva de la tecnología, lo que puede ser problemático si los sistemas fallan o son manipulados.
Por ejemplo, en el ámbito de la salud, depender únicamente de diagnósticos automatizados sin la supervisión de profesionales médicos puede llevar a errores graves en el tratamiento de pacientes.
Bien, conocemos algunos de los mayores problemas al que nos enfrentamos cuando se usa mal, pero ¿qué podemos hacer nosotros para paliarlos?
Para mitigar estas consecuencias, es muy importante que la sociedad fuerce a las empresas desarrolladoras de IA a que adopten un enfoque ético en todas las etapas del desarrollo. Algunas de las medidas que más impacto pueden tener son: transparencia, regulación, supervisión, diversidad en los equipos de desarrollo, y formación intensiva.
8.3. Funcionamiento de los agentes inteligentes simples
Los agentes inteligentes simples son sistemas diseñados para percibir su entorno y actuar en consecuencia, con el objetivo de maximizar alguna medida de rendimiento (aquí ya estudiamos los tipos más importantes que existen).
Por ejemplo, si nuestro agente inteligente simple, está diseñado para activar una bomba de agua cuando detecte que el suelo está por debajo de ciertos niveles de humedad, su trabajo será «leer» la humedad del suelo cada cierto tiempo, comprobar si está en los valores permitidos, y si detecta que está demasiado seco, abrir la llave del agua el tiempo necesario para que se alcancen valores medios de humedad, sin afectar al cultivo y sin malgastar el agua.
Estos agentes son fundamentales para entender cómo la inteligencia artificial puede interactuar con el mundo y tomar decisiones de manera autónoma.
8.3.1. Percepción y acción
El funcionamiento de un agente inteligente simple, como hemos visto en el ejemplo anterior, se basa en dos procesos clave: la percepción y la acción.
La percepción implica la recolección de datos del entorno mediante sensores, como cámaras, micrófonos o cualquier dispositivo que pueda captar información relevante. Esta información es luego procesada para entender el estado actual del entorno.
Por ejemplo, un robot aspirador percibe obstáculos y suciedad en el suelo a través de sus sensores.
La acción se refiere a las respuestas o comportamientos que el agente decide llevar a cabo basándose en la información percibida. Estas acciones se ejecutan mediante actuadores, como motores, altavoces o cualquier mecanismo que permita al agente interactuar físicamente con su entorno.
Siguiendo con el ejemplo del robot aspirador, sus actuadores le permiten moverse por el espacio y limpiar las áreas detectadas como sucias.
8.3.2. Ciclo de percepción-acción
El ciclo de percepción-acción es continuo, permitiendo al agente ajustar sus acciones en tiempo real según los cambios en el entorno. Este ciclo se puede dividir en las siguientes etapas:
- Percepción: el agente recopila datos a través de sus sensores.
- Procesamiento: los datos percibidos son analizados para entender el estado del entorno.
- Decisión: basándose en el análisis, el agente selecciona la acción más adecuada para cumplir su objetivo.
- Acción: el agente ejecuta la acción seleccionada a través de sus actuadores.
- Retroalimentación: el agente percibe los resultados de su acción y ajusta su comportamiento en consecuencia.
Este ciclo permite a los agentes inteligentes simples adaptarse a nuevas situaciones y mejorar su desempeño con el tiempo.
Aunque los agentes inteligentes simples pueden realizar tareas específicas de manera efectiva, tienen limitaciones en cuanto a su capacidad de comprensión y adaptabilidad. Su diseño se basa en reglas predefinidas escritas en algoritmos simples, lo que les dificulta manejar situaciones complejas o imprevistas. Además, su capacidad de aprendizaje es limitada en comparación con sistemas más avanzados de IA que utilizan técnicas de aprendizaje automático.
8.4. Casos prácticos del aprendizaje automático
El aprendizaje automático, como ya has visto en años anteriores (aquí y aquí), es una rama de la inteligencia artificial que permite a las máquinas aprender de los datos y mejorar su desempeño sin ser programadas explícitamente para cada tarea específica.
A continuación, revisaremos algunos casos prácticos donde el aprendizaje automático ha demostrado su eficacia transformando profundamente sus respectivos sectores.
8.4.1. Diagnóstico médico
Uno de los campos donde el aprendizaje automático ha tenido un impacto más fuerte es en el diagnóstico médico. Algoritmos avanzados pueden analizar grandes volúmenes de datos médicos, como imágenes de resonancia magnética, tomografías e historiales clínicos, para identificar patrones que podrían pasar desapercibidos para los humanos.
Por ejemplo, sistemas de IA han sido entrenados para detectar signos tempranos de cáncer de mama en mamografías, mejorando las tasas de detección y permitiendo intervenciones más tempranas.
8.4.2. Reconocimiento de voz
El reconocimiento de voz es otro ámbito donde el aprendizaje automático ha revolucionado la tecnología.
Asistentes virtuales como Cortana, Alexa y Siri utilizan modelos de aprendizaje profundo para responder a comandos de voz en lenguaje natural. Estos sistemas pueden adaptarse a diferentes acentos y entonaciones, proporcionando respuestas precisas a los usuarios.
Este tipo de tecnología no solo mejora la comodidad en el uso de dispositivos, sino que también abre nuevas posibilidades para la accesibilidad, ayudando a personas con discapacidades.
8.4.3. Vehículos autónomos
Los vehículos autónomos son un ejemplo impresionante del uso del aprendizaje automático en el transporte.
Empresas como Tesla o Waymo están desarrollando coches que pueden conducir de manera autónoma utilizando una combinación de sensores, cámaras y algoritmos de aprendizaje automático.
Estos vehículos son capaces de interpretar el entorno, reconocer señales de tráfico, peatones y otros vehículos, y tomar decisiones en tiempo real para navegar de manera segura. Aunque todavía hay desafíos por superar antes de que los coches autónomos sean una realidad cotidiana, el progreso hasta ahora es notable.
8.4.4. Predicción del clima
El aprendizaje automático se utiliza para mejorar las predicciones meteorológicas. Modelos avanzados analizan enormes cantidades de datos climáticos, como la temperatura, la humedad y los patrones de viento, para proporcionar pronósticos más precisos.
Por ejemplo, servicios meteorológicos como The Weather Company utilizan algoritmos de aprendizaje automático para predecir fenómenos meteorológicos extremos con mayor precisión, ayudando a mitigar los impactos de desastres naturales.
8.4.5. Agricultura inteligente
En la agricultura inteligente, el aprendizaje automático se emplea para optimizar el rendimiento de los cultivos y la gestión de recursos. Los agricultores utilizan sensores y drones para recopilar datos sobre el suelo, las plantas y el clima. Algoritmos de aprendizaje automático analizan estos datos para recomendar prácticas agrícolas específicas, como la cantidad óptima de agua y fertilizantes, y predecir las cosechas con mucha más exactitud.
Empresas como John Deere están desarrollando tractores autónomos que utilizan estas técnicas para mejorar la eficiencia agrícola.
8.4.6. Ciberseguridad
En el campo de la seguridad digital, el aprendizaje automático juega un papel cada vez más protagonista para la detección de amenazas y la protección contra ataques.
Sistemas como Darktrace utilizan algoritmos de aprendizaje automático para analizar el tráfico de red y detectar comportamientos anómalos que podrían indicar una brecha de seguridad.
Estos sistemas pueden responder a amenazas en tiempo real, proporcionando una defensa más efectiva contra el cibercrimen.
8.5. Aplicaciones del aprendizaje por refuerzo
El aprendizaje por refuerzo -que ya introdujimos aquí– es una técnica de inteligencia artificial en la que los agentes aprenden a tomar decisiones mediante la interacción con su entorno, recibiendo recompensas o castigos en función de sus acciones.
Este método ha demostrado ser muy eficaz en diversas áreas, permitiendo a los sistemas aprender comportamientos complejos sin supervisión explícita.
Veamos algunas de las aplicaciones más representativas de este tipo de aprendizaje automático.
8.5.1. Robótica
En el campo de la robótica, el aprendizaje por refuerzo se utiliza para enseñar a los robots a realizar tareas complejas de manera autónoma. Un ejemplo destacado es el desarrollo de robots que pueden aprender a caminar, manipular objetos o realizar labores de ensamblaje en fábricas.
Empresas como Boston Dynamics utilizan estas técnicas para mejorar la agilidad y destreza de sus robots, permitiéndoles adaptarse a entornos dinámicos y realizar tareas que serían difíciles de programar manualmente.
8.5.2. Videojuegos
El aprendizaje por refuerzo ha tenido un impacto muy alto en el ámbito de los juegos. Algoritmos avanzados han sido capaces de superar a jugadores humanos en juegos de estrategia y habilidad.
Un ejemplo famoso es AlphaGo de DeepMind, que venció al campeón mundial de Go, un juego conocido por su complejidad y por la dificultad de predecir todas las posibles jugadas (muchísimo más complejo que el ajedrez).
🎬 Si te interesa este tema, TIENES QUE VER este interesantísimo documental:
8.5.3. Optimización de cadenas de suministro
En el ámbito de la logística, el aprendizaje por refuerzo se utiliza para optimizar el flujo de productos desde los proveedores hasta los consumidores.
Empresas como Amazon y DHL emplean algoritmos de aprendizaje por refuerzo para mejorar la eficiencia en la planificación de rutas de entrega, la gestión de inventarios y la asignación de recursos.
Estos sistemas pueden aprender a minimizar los costes y los tiempos de entrega, adaptándose a cambios en las condiciones del mercado en tiempo real.
8.5.4. Diseño de materiales
El aprendizaje por refuerzo se está aplicando en la ciencia de materiales y la química para acelerar el descubrimiento de nuevos materiales. Algoritmos avanzados pueden explorar vastos espacios de posibles composiciones químicas, aprendiendo a identificar aquellas que tienen propiedades deseadas, como alta resistencia o eficacia terapéutica.
Por ejemplo, investigadores utilizan estas técnicas para desarrollar nuevos polímeros con propiedades específicas o para identificar compuestos farmacéuticos que puedan ser efectivos contra enfermedades complejas.
8.5.5. Control de sistemas autónomos en la industria aeroespacial
En la industria aeroespacial, el aprendizaje por refuerzo se emplea para mejorar el control de sistemas autónomos, como drones y satélites. Estos algoritmos permiten que los vehículos aéreos no tripulados (UAV) aprendan a navegar de manera eficiente, evitando obstáculos y adaptándose a condiciones variables del entorno.
La NASA y otras organizaciones de investigación utilizan el aprendizaje por refuerzo para optimizar las trayectorias de vuelo, las maniobras de aterrizaje de drones y el movimiento de «rovers» en misiones espaciales, mejorando la seguridad y la precisión de las operaciones autónomas.
Este tipo de aplicaciones no solo demuestran el potencial del aprendizaje por refuerzo para resolver problemas complejos, sino que también proporcionan nuevos enfoques para el desarrollo de inteligencia artificial en otros dominios.
8.6. Prácticas de inteligencia artificial
Ahora realizaremos algunos pequeños proyectos para que puedas sentirte el protagonista de la creación de inteligencias artificiales.
8.6.1. Reconocimiento de objetos con Google Teachable Machine
En este proyecto aprendemos a crear y entrenar un modelo de Inteligencia Artificial con la herramienta Google Teachable Machine que sea capaz de reconocer una variedad de objetos de nuestro interés.
8.6.2. ¿Eres capaz de engañar a una IA?
En este proyecto tendremos que poner toda nuestra creatividad a pleno rendimiento para intentar engañar a una IA que se encarga de identificar objetos. Trabajaremos con un juego llamado Google Scavenger Hunt, aquí abajo tienes cómo funciona.
8.6.3. Aprendizaje automático con texto
Para terminar con el aprendizaje automático vamos a probar otra de las herramientas educativas que son un referente, como Machine Learning For Kids, para que entendamos la importancia que tiene para la eficacia de estos algoritmos, entrenar modelos con una cantidad de datos lo más grande posible.
Juan
Buenas, doy por primera esta asignatura y el tema de la IA es el que más me cuesta, porque no sé muy bien por donde tirar en las prácticas. La verdad que para 3º ESO las veo muy sencillas o infantiles. ¿Algún consejo o actividad que estés haciendo y no esté aquí en el blog?
Muchas gracias por todo tu contenido.
Lope
Gracias por el comentario Juan.
Lo que ves son los proyectos versión inicial que hacen los alumnos. A partir de ahí debes valorar cómo profundizar según el nivel de los alumnos que tengas. En las dos herramientas que se trabajan (Teachable Machine y Machine Learning for Kids) hay todo un universo de prácticas de todos los niveles de complejidad que se pueden extraer. Te animo a que profundices en ellas, estoy seguro que encontrarás ejercicios más complicados y menos infantiles que ofrecer a tus alumnos.
Mucha suerte, saludos.