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.

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 cuesta mucho más computación que usarlo?

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.

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

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.

Para predecir el consumo eléctrico de un edificio, propon al menos seis variables de entrada (temperatura exterior, hora del día, día laborable o festivo, ocupación, histórico 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.

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/falla) y explica quién suele producir las etiquetas y qué costo tiene.

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.

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.

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.

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?

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.

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 (exhaustividad, sobremuestreo de la clase minoritaria, pesos).

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.

Un municipio 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) Explica qué problemas de almacenamiento y procesamiento plantean y por qué las bases de datos convencionales de un solo servidor pueden quedarse cortas.

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 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.

Un modelo de selección de currículos rechaza sistemáticamente más candidaturas de ciertas colonias. Analiza de dónde puede venir ese sesgo (datos históricos de contratación, variables que actúan como sustitutas de la procedencia), qué consecuencias éticas y legales tiene y qué medidas de auditoría aplicarías antes de usar el modelo.

Evalúa críticamente la frase «los datos son el nuevo petróleo»: en qué se parecen los datos a un recurso natural (valor, extracción, refinado) y en qué se diferencian radicalmente (no se agotan al usarse, se copian sin costo, su valor depende del contexto). Concluye con los derechos que plantea su explotación masiva.

Un municipio quiere un modelo que «prediga qué colonias tendrán más conflictividad el próximo año». Analiza críticamente la viabilidad: qué datos históricos existen (denuncias: miden actividad policial, no conflictividad real), qué profecía autocumplida puede generar (más vigilancia → más denuncias → más vigilancia) y qué uso alternativo de los datos sería más honesto y útil.

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.

Diseña un experimento A/B para decidir si un nuevo recomendador de videos mejora al actual: qué dos grupos de usuarios comparas, qué métrica principal eliges (tiempo de reproducción, retención a una semana), qué riesgos de contaminación evitas (usuarios que comparten cuenta, efectos de novedad) y cuánto tiempo debe durar la prueba.

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 tarjeta sanitaria 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 censo 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).