Inteligencia artificial y big data
Tu celular te sugiere una ruta de ómnibus que evita el tráfico de la Rambla en Montevideo, y el filtro de tu correo manda un mensaje de «premio» directo a spam. Nadie escribió, una por una, todas esas decisiones: el sistema las aprendió de millones de ejemplos. ¿Cómo aprende una computadora, cómo sabemos si aprendió bien y qué riesgos trae que dependa de nuestros datos? Es la base de la inteligencia artificial y de la ciencia de datos, un campo que vas a reconocer y analizar de forma crítica.
De las reglas a los datos: el aprendizaje automático
La programación tradicional sirve cuando las reglas son claras: calcular el IVA del 22 % de una compra. El aprendizaje automático sirve cuando las reglas son imposibles de escribir a mano: reconocer una cara o una voz.
Servicios cotidianos que usan aprendizaje automático
Redes neuronales
Una red neuronal artificial es una cadena de capas de «neuronas». Cada neurona recibe números, los multiplica por pesos ajustables, los suma y pasa el resultado a la siguiente capa. Durante el entrenamiento se ajustan los pesos para que las salidas se parezcan cada vez más a las respuestas correctas: eso es lo que significa que la red «aprende».
Visión por computadora y lenguaje natural
Dos áreas de la IA que usás todos los días. La visión por computadora enseña a un modelo a interpretar imágenes: por ejemplo, reconocer una cara en una foto para desbloquear el celular o detectar una matrícula en una cámara de la Rambla. El procesamiento de lenguaje natural (PLN) trabaja con texto y voz: traducir un mensaje, corregir lo que escribís o transcribir un audio. En ambos casos el modelo convierte la imagen o el texto en números y busca patrones aprendidos de muchos ejemplos.
Modelos preentrenados
Entrenar un modelo desde cero cuesta mucha computación y muchos datos. Por eso muchas veces se usa un modelo preentrenado: otra persona u organización ya lo entrenó con una enorme cantidad de ejemplos, y vos lo reutilizás tal cual o lo adaptás con pocos datos propios. Por ejemplo, en un proyecto del liceo podés tomar un modelo que ya reconoce objetos en fotos y enseñarle con unas pocas fotos a distinguir los residuos de los contenedores de reciclaje de tu barrio.
Explicá con tus palabras la diferencia entre programación tradicional (reglas escritas por una persona) y aprendizaje automático (reglas aprendidas a partir de…
Explicá con tus palabras la diferencia entre programación tradicional (reglas escritas por una persona) y aprendizaje automático (reglas aprendidas a partir de ejemplos), y poné una aplicación donde cada enfoque sea más adecuado.
Explicá qué es un «modelo» en aprendizaje automático (los patrones y parámetros aprendidos de los datos) y qué diferencia hay entre entrenarlo y usarlo (inferencia).…
Explicá 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?
Explicá con una analogía sencilla qué es una red neuronal artificial: capas de «neuronas» que combinan entradas con pesos ajustables. ¿Qué se ajusta durante el…
Explicá 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»?
Ordená de más general a más específico estos tres términos: aprendizaje profundo (deep learning), inteligencia artificial, aprendizaje automático. Explicá la relación de…
Ordená de más general a más específico estos tres términos: aprendizaje profundo (deep learning), inteligencia artificial, aprendizaje automático. Explicá la relación de inclusión entre ellos con un ejemplo de cada nivel.
La cadena de un sistema de aprendizaje automático
Un sistema de aprendizaje automático no es solo «el modelo»: es una cadena de bloques. Por ejemplo, una app que recomienda rutas de ómnibus en Montevideo.
-
Recolectar: viajes, horarios, GPS de los ómnibus, tráfico.
-
Preparar y limpiar: quitar errores, completar huecos, convertir todo a números.
-
Entrenar: el modelo ajusta sus parámetros con esos datos preparados.
-
Evaluar: se mide con datos que no vio.
-
Usar: el modelo recibe datos nuevos y predice.
Si falta el bloque de entrenamiento, el sistema tiene datos limpios pero no ha aprendido nada de ellos: dentro de ese bloque se ajustan los parámetros del modelo, y necesita recibir los datos ya preparados (con sus etiquetas, si es supervisado).
Ingeniería de variables
Las variables de entrada (también llamadas características) son los datos que el modelo recibe para predecir. La ingeniería de variables es el trabajo de seleccionar cuáles sirven, construir nuevas a partir de las que hay y transformarlas a una forma que el modelo pueda usar. Suele pesar más que el algoritmo elegido porque el modelo solo puede aprender de lo que le mostrás: con variables que no se relacionan con lo que querés predecir, ni el algoritmo más sofisticado acierta; con buenas variables, hasta uno sencillo funciona bien.
La figura muestra la cadena de un sistema de aprendizaje automático que recomienda rutas de ómnibus, pero uno de sus bloques está tapado. Indicá qué bloque falta, qué…
La figura muestra la cadena de un sistema de aprendizaje automático que recomienda rutas de ómnibus, pero uno de sus bloques está tapado. Indicá qué bloque falta, qué ocurre dentro de él y qué datos necesita recibir del bloque anterior.
Citá cinco servicios cotidianos que usan aprendizaje automático hoy (mapas y tránsito, traductores, recomendadores de video, asistentes de voz, filtros de spam) e indicá…
Citá cinco servicios cotidianos que usan aprendizaje automático hoy (mapas y tránsito, traductores, recomendadores de video, asistentes de voz, filtros de spam) e indicá en cada uno qué datos de entrada usa el modelo.
Para predecir el consumo eléctrico de un edificio, proponé al menos seis variables de entrada (temperatura exterior, hora del día, día laborable o feriado, ocupación,…
Para predecir el consumo eléctrico de un edificio, proponé al menos seis variables de entrada (temperatura exterior, hora del día, día laborable o feriado, ocupación, histórico del día anterior, radiación solar) y justificá cada una. Explicá qué es la ingeniería de variables y por qué suele decidir más que el algoritmo elegido.
Tipos de aprendizaje: supervisado, no supervisado y por refuerzo
Ejemplos de conjuntos etiquetados: foto → gato/perro, correo → spam/no spam, lectura de un sensor → sano/avería. Las etiquetas suelen ponerlas personas (a veces miles, en trabajos mal pagados), y eso cuesta tiempo y dinero: es uno de los mayores costos del aprendizaje supervisado.
Clasificación y regresión
Dentro del supervisado, predecir una categoría (¿fractura o no?) es clasificación; predecir un número (¿cuánto costará un apartamento?) es regresión.
En aprendizaje supervisado, ¿qué es la etiqueta de un dato? Poné tres ejemplos de conjuntos de datos etiquetados (foto → gato/perro, correo → spam/no spam, sensor →…
En aprendizaje supervisado, ¿qué es la etiqueta de un dato? Poné tres ejemplos de conjuntos de datos etiquetados (foto → gato/perro, correo → spam/no spam, sensor → sano/avería) y explicá quién suele producir las etiquetas y qué costo tiene.
Explicá la diferencia entre aprendizaje supervisado, no supervisado y por refuerzo, y clasificá estas aplicaciones: filtro de spam entrenado con correos etiquetados,…
Explicá la diferencia entre aprendizaje supervisado, no supervisado y por refuerzo, y clasificá 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.
Distinguí entre un problema de clasificación (predecir una categoría) y uno de regresión (predecir un número). Clasificá estas tareas: estimar el precio de una vivienda,…
Distinguí entre un problema de clasificación (predecir una categoría) y uno de regresión (predecir un número). Clasificá 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.
Evaluar un modelo: sobreajuste y matriz de confusión
Se detecta comparando errores: error muy bajo en entrenamiento y mucho más alto en prueba es la señal de sobreajuste.
Validación cruzada
Con pocos datos, una sola división puede dar una estimación «con suerte» (la prueba salió fácil) o «con mala suerte» (salió difícil). En la validación cruzada se dividen los datos en varias partes y se rota cuál se usa para probar; el error final es el promedio. Así la estimación depende menos del azar.
Matriz de confusión
Conjuntos desbalanceados
Un sistema aprende con el $80\,\%$ de los datos y se evalúa con el $20\,\%$ restante. Explicá qué son el conjunto de entrenamiento y el de prueba, qué es el sobreajuste…
Un sistema aprende con el $80\,\%$ de los datos y se evalúa con el $20\,\%$ restante. Explicá qué son el conjunto de entrenamiento y el de prueba, qué es el sobreajuste y cómo se detecta comparando los errores en ambos conjuntos.
Big data: volumen, velocidad, variedad y su costo
En una app de transporte urbano: volumen = millones de viajes registrados; velocidad = la posición GPS de cada ómnibus cada pocos segundos; variedad = GPS, tarjeta del STM, reportes de usuarios en texto y fotos.
Definí «big data» y explicá las tres «V» clásicas (volumen, velocidad y variedad) con un ejemplo de cada una en el contexto de una aplicación de transporte urbano.
Definí «big data» y explicá las tres «V» clásicas (volumen, velocidad y variedad) con un ejemplo de cada una en el contexto de una aplicación de transporte urbano.
Una intendencia instala sensores de tráfico en $200$ cruces que envían una lectura cada $5$ segundos. a) Estimá el número de lecturas generadas al día y al año. b)…
Una intendencia instala sensores de tráfico en $200$ cruces que envían una lectura cada $5$ segundos. a) Estimá el número de lecturas generadas al día y al año. b) Razoná qué problemas de almacenamiento y procesamiento plantean y por qué las bases de datos convencionales de un solo servidor pueden quedarse cortas.
Huella ambiental: del kWh al CO₂
Entrenar y usar un modelo grande consume electricidad en centros de datos (en Uruguay, la que factura UTE). ¿Cuánto CO₂ significa eso? Para saberlo necesitás un factor de emisión.
Además, el ciclo de vida de un sistema de IA tiene tres fases que pesan en su huella: fabricar el hardware (servidores, chips) y construir el centro de datos, entrenar el modelo (un gran gasto de una sola vez) y usar el modelo (inferencia: pequeño gasto por consulta, repetido millones de veces).
Datos, sesgo y ética: mirar la IA con ojo crítico
La IA y la ciencia de datos ofrecen muchas oportunidades, pero un modelo solo es tan justo como los datos con que aprende.
Privacidad, uso de los datos y atención
-
Privacidad: quitar nombres no anonimiza: combinar código postal, fecha de nacimiento y sexo puede reidentificar a una persona al cruzar bases de datos. Los datos de salud y las fotos de otras personas son especialmente sensibles: cuidá los datos propios y los de terceros, y activá la autenticación en dos pasos.
-
Colonialismo de datos: empresas de unos pocos países extraen los datos de millones de usuarios de otros países, los procesan y obtienen el valor, mientras las personas que los generan casi no tienen control ni beneficio.
-
Mercantilización de la atención: muchas plataformas ganan dinero con tu tiempo de pantalla; sus recomendadores se optimizan para retenerte, no necesariamente para beneficiarte.
La concejalía de seguridad de una intendencia encarga a un equipo técnico un sistema de aprendizaje automático para «predecir qué barrios sufrirán más incidentes…
La concejalía de seguridad de una intendencia 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 actas policiales y detenciones de los últimos cuatro años.
- a) Argumentá 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.
- b) Modelá la dinámica de bucle cerrado (profecía autocumplida) que provocará el despliegue de este algoritmo: predecí 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.
- c) Diseñá una propuesta alternativa para la intendencia 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.
Diseñá 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…
Diseñá 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…
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.
- a) Justificá 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?
- b) Analizá 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.
- c) Diseñá 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).
Volvé al principio: tu celular sugiere rutas y tu correo filtra spam porque modelos entrenados con datos aprendieron los patrones; sirven si se evalúan bien con datos de prueba y si los datos no reproducen sesgos ni vulneran tu privacidad.