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 da una aplicación donde cada enfoque sea más adecuado.

La figura muestra la cadena de un sistema de aprendizaje automático que recomienda rutas de autobús, 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 cuesta mucho más computación 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.

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.

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 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 casa, 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.

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 (exhaustividad, 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 laborable 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.

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

Una ciudad 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.

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.

Una empresa tecnológica entrena un modelo de aprendizaje automático para filtrar currículos de aspirantes a puestos de ingeniería. Para evitar sesgos discriminatorios por origen socioeconómico, el equipo excluye de los datos el código postal (ZIP code), el barrio de residencia y la nacionalidad. Sin embargo, en la fase de pruebas se detecta que los candidatos procedentes de zonas con ingresos bajos son descartados en una proporción un 73.5 % mayor que los de zonas con 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 implicaciones éticas y legales de este resultado conforme a la normativa de EE. UU. sobre inteligencia artificial y empleo (gestión de riesgos y principio de no discriminación, por ejemplo, el Título VII de la Ley de Derechos Civiles y las guías de la EEOC).
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 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).

El departamento de seguridad de una ciudad 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 reportes policiales y arrestos 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 del municipio.
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 ciudad 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.