Ejercicios: Inteligencia artificial y big data

Explica con tus palabras la diferencia entre programación tradicional (reglas escritas por una persona) y aprendizaje automático (reglas aprendidas a partir de ejemplos), y pon una aplicación donde cada enfoque sea más adecuado.

Define «big data» y explica las tres «V» clásicas (volumen, velocidad y variedad) con un ejemplo de cada una en el contexto de una aplicación de transporte urbano.

La figura muestra la cadena de un sistema de aprendizaje automático que recomienda rutas de bus, pero uno de sus bloques está tapado. Indica qué bloque falta, qué ocurre dentro de él y qué datos necesita recibir del bloque anterior.

Explica qué es un «modelo» en aprendizaje automático (los patrones y parámetros aprendidos de los datos) y qué diferencia hay entre entrenarlo y usarlo (inferencia). ¿Por qué entrenar requiere mucha más capacidad de cómputo que usarlo?

Cita cinco servicios cotidianos que usan aprendizaje automático hoy (mapas y tráfico, traductores, recomendadores de video, asistentes de voz, filtros de spam) e indica en cada uno qué datos de entrada usa el modelo.

En aprendizaje supervisado, ¿qué es la etiqueta de un dato? Pon tres ejemplos de conjuntos de datos etiquetados (foto → gato/perro, correo → spam/no spam, sensor → sano/avería) y explica quién suele producir las etiquetas y qué costo tiene.

Explica con una analogía sencilla qué es una red neuronal artificial: capas de «neuronas» que combinan entradas con pesos ajustables. ¿Qué se ajusta durante el entrenamiento y qué significa que la red «aprende»?

Ordena de más general a más específico estos tres términos: aprendizaje profundo (deep learning), inteligencia artificial, aprendizaje automático. Explica la relación de inclusión entre ellos con un ejemplo de cada nivel.

Explica la diferencia entre aprendizaje supervisado, no supervisado y por refuerzo, y clasifica estas aplicaciones: filtro de spam entrenado con correos etiquetados, agrupación de clientes por hábitos de compra sin etiquetas, y un robot que aprende a caminar por ensayo y error.

Un sistema aprende con el $80\,\%$ de los datos y se evalúa con el $20\,\%$ restante. Explica qué son el conjunto de entrenamiento y el de prueba, qué es el sobreajuste y cómo se detecta comparando los errores en ambos conjuntos.

Una municipalidad instala sensores de tráfico en $200$ cruces que envían una lectura cada $5$ segundos. a) Estima el número de lecturas generadas al día y al año. b) Razona qué problemas de almacenamiento y procesamiento plantean y por qué las bases de datos convencionales de un solo servidor pueden quedarse cortas.

Un clasificador de averías evaluado sobre $200$ máquinas da la matriz de confusión de la figura. a) Calcula la precisión ($\frac{VP}{VP + FP}$) y la exhaustividad o sensibilidad ($\frac{VP}{VP + FN}$). b) Explica qué error es más grave en mantenimiento (el falso negativo: avería no detectada) y cómo cambiarías el umbral del modelo para reducirlo a costa de más falsas alarmas.

Explica qué es la validación cruzada (dividir los datos en varias partes y rotar cuál se usa para probar) y qué problema resuelve cuando hay pocos datos: ¿por qué una única división entrenamiento/prueba puede dar una estimación «con suerte» o «con mala suerte» del error real?

En la detección de fraude bancario solo una transacción de cada mil es fraudulenta. Explica qué es un conjunto desbalanceado, por qué un modelo que clasifica todo como «legítimo» acierta el $99{,}9\,\%$ y no sirve para nada, y qué métricas y técnicas se usan en su lugar (sensibilidad o recall, sobremuestreo de la clase minoritaria, pesos).

Para predecir el consumo eléctrico de un edificio, propón al menos seis variables de entrada (temperatura exterior, hora del día, día laboral o feriado, ocupación, historial del día anterior, radiación solar) y justifica cada una. Explica qué es la ingeniería de variables y por qué suele decidir más que el algoritmo elegido.

Distingue entre un problema de clasificación (predecir una categoría) y uno de regresión (predecir un número). Clasifica estas tareas: estimar el precio de una vivienda, decidir si una radiografía muestra una fractura, predecir la temperatura de mañana y agrupar noticias por tema.

Una empresa tecnológica entrena un modelo de aprendizaje automático para filtrar currículos de postulantes a cargos de ingeniería. Para evitar sesgos discriminatorios por origen socioeconómico, el equipo excluye de los datos el código postal, la comuna de residencia y la nacionalidad. Sin embargo, en la fase de pruebas se detecta que los candidatos provenientes de comunas con ingresos bajos son descartados en una proporción un 73,5 % mayor que los de comunas de ingresos altos con perfiles académicos equivalentes.

1. a) Justifica técnicamente cómo el modelo ha podido inferir la procedencia socioeconómica a pesar de haber eliminado las variables geográficas directas, proponiendo al menos dos variables habituales en un currículo que actúen como variables sustitutas (proxies).
2. b) Analiza las implicancias éticas y legales de este resultado conforme a la normativa europea de inteligencia artificial (clasificación de riesgo y principio de no discriminación).
3. c) Diseña una auditoría algorítmica previa al despliegue que incluya una métrica cuantitativa de equidad (fairness) y una técnica de mitigación para corregir el sesgo.

Diseña a nivel conceptual un sistema de mantenimiento predictivo para el parque de calderas de una ciudad: qué sensores y datos recogerías, qué etiquetas necesitaría el aprendizaje supervisado, cómo validarías el modelo y qué decisión tomaría el sistema ante una predicción de avería inminente.

En un congreso sobre digitalización se expone la siguiente tesis: «Los datos son el nuevo petróleo: se extraen masivamente, se refinan en centros de cálculo y, al igual que los yacimientos de crudo, constituyen un recurso natural finito cuya posesión exclusiva garantiza el monopolio del mercado».

1. a) Rebate técnicamente esta afirmación analizando al menos dos diferencias esenciales entre los datos y una materia prima como el petróleo, prestando atención a conceptos como la no rivalidad de su uso, el costo marginal de copia y la dependencia del contexto temporal para su valor.
2. b) Justifica en qué único aspecto de la cadena de valor de la inteligencia artificial sigue teniendo validez la analogía del «refinado».
3. c) Evalúa qué derechos fundamentales de la ciudadanía (recogidos en normativas como el RGPD) impiden tratar los datos personales como un recurso extractivo de libre apropiación por parte de grandes corporaciones.

Una plataforma de contenidos audiovisuales en línea ha desarrollado un nuevo algoritmo de recomendación y quiere evaluar si sustituye al actual mediante un experimento A/B. El equipo teme que el nuevo modelo aumente las visitas inmediatas mediante contenidos sensacionalistas (clickbait), pero reduzca la fidelización a largo plazo.

1. a) Diseña el experimento definiendo la asignación de usuarios a los dos grupos, la duración temporal recomendada y dos métricas cuantitativas clave: una primaria de impacto inmediato y otra secundaria o de guarda (guardrail metric) para vigilar la retención a largo plazo.
2. b) Identifica y justifica dos posibles factores de sesgo o contaminación que podrían invalidar los resultados de la prueba (por ejemplo, relativos al comportamiento de cuentas compartidas o al efecto de novedad) y explica cómo mitigarlos en el diseño experimental.
3. c) Tras la prueba, el grupo experimental registra un incremento del 14,8 % en minutos diarios por usuario, pero una caída del 5,2 % en usuarios activos semanales al cabo de un mes. Interpreta estos datos y justifica qué decisión técnica y estratégica debe tomar la plataforma.

La dirección de un hospital universitario planea ceder su base de datos de pacientes oncológicos a una empresa para entrenar una red neuronal de diagnóstico. Para cumplir la ley, el equipo informático propone «eliminar únicamente el nombre, apellidos y número de identificación del paciente (RUN) de cada fila, manteniendo el código postal, la fecha completa de nacimiento, el sexo, la fecha de ingreso y el código diagnóstico CIE-10».

1. a) Demuestra por qué esta medida no constituye una verdadera anonimización, describiendo cómo un atacante podría reidentificar a pacientes concretos mediante un ataque de enlace (linkage attack) con bases de datos públicas accesibles (como el padrón electoral).
2. b) Diferencia con rigor técnico entre los conceptos de «seudonimización» y «anonimización» según el RGPD, determinando en cuál de los dos estados quedaría el conjunto de datos propuesto por el hospital.
3. c) Diseña una alternativa técnica robusta para proteger la privacidad de los pacientes sin destruir la utilidad del conjunto de datos para el entrenamiento, justificando el uso de al menos dos técnicas avanzadas (como k-anonimato, agregación o privacidad diferencial).

En un hospital se evalúan dos sistemas de inteligencia artificial para apoyar el triaje de urgencias y la detección de ictus a partir de neuroimágenes:

• Sistema Alfa: Red neuronal profunda con una tasa de acierto global del 97,4 %, pero cuyo proceso interno de decisión es una caja negra matemática ininterpretable.

• Sistema Beta: Árbol de decisión basado en reglas clínicas estructuradas con una tasa de acierto del 89,6 %, totalmente transparente y auditable paso a paso por los especialistas.

1. a) Justifica el dilema ético y deontológico al que se enfrenta el personal médico al elegir uno de los sistemas: ¿es admisible utilizar un modelo con menor tasa de acierto si permite conocer las causas clínicas de cada diagnóstico?
2. b) Analiza las exigencias que plantean el paciente y la legislación sanitaria sobre el derecho a una explicación comprensible y a la asignación de responsabilidades ante un diagnóstico erróneo.
3. c) Diseña una propuesta de compromiso tecnológico que combine el alto rendimiento del Sistema Alfa con las garantías de interpretabilidad del Sistema Beta, justificando la inclusión de métodos de explicabilidad post hoc (como mapas de calor de atribución) y un protocolo de supervisión humana obligatoria (human-in-the-loop).

Una empresa tecnológica decide entrenar desde cero su propio modelo de lenguaje de 70 000 millones de parámetros en un centro de datos conectado a una red eléctrica con un factor de emisión de 0,26 kg CO₂/kWh. El proceso de entrenamiento requiere 1,5 GWh de energía eléctrica. Una vez desplegado, se estima que el servicio atenderá 20 millones de consultas diarias, consumiendo 0,5 GWh adicionales al mes durante la fase de inferencia.

1. a) Analiza las tres fases del ciclo de vida de este sistema de IA que contribuyen a su huella ambiental y justifica por qué, a lo largo de un año de operación, el impacto de la inferencia diaria puede superar ampliamente al del entrenamiento inicial.
2. b) Calcula la masa de CO₂ (en toneladas) emitida únicamente durante la fase de entrenamiento y compárala con las emisiones generadas por el primer año completo de inferencia.
3. c) Diseña tres medidas técnicas de ingeniería (a nivel de arquitectura del modelo, reutilización de pesos y selección de infraestructuras) que reduzcan drásticamente el consumo energético sin degradar de forma inaceptable la calidad de las respuestas.

La concejalía de seguridad de una municipalidad encarga a un equipo técnico un sistema de aprendizaje automático para «predecir qué barrios sufrirán más incidentes delictivos el próximo año» y distribuir así las patrullas. El modelo se entrenará utilizando el registro geolocalizado de partes policiales y detenciones de los últimos cuatro años.

1. a) Argumenta críticamente por qué utilizar los registros de denuncias e intervenciones policiales como variable objetivo (target) introduce un sesgo de medición sistemático respecto a la conflictividad real de la comuna.
2. b) Modela la dinámica de bucle cerrado (profecía autocumplida) que provocará el despliegue de este algoritmo: predice cómo evolucionarán los datos recopilados tras enviar más patrullas a los barrios señalados en la primera iteración y qué efecto tendrá en el reentrenamiento del modelo.
3. c) Diseña una propuesta alternativa para la municipalidad que aproveche la ciencia de datos no para el patrullaje punitivo anticipado, sino para identificar necesidades de intervención social preventiva, inversión en alumbrado o refuerzo de servicios públicos en zonas vulnerables.