Inteligencia artificial y aprendizaje automático
Valentina abre el celular y dice «poneme música de murga». La aplicación la entiende al instante. Nadie le escribió al programa una regla para cada palabra ni para cada voz: aprendió a partir de miles de ejemplos. ¿Cómo se logra eso? ¿Y qué pasa si los ejemplos no son justos? Lo vas a poder explicar al final de esta página.
Qué es la inteligencia artificial
La inteligencia artificial (IA) es el conjunto de técnicas que permiten que una computadora realice tareas que normalmente asociamos con la inteligencia humana: reconocer imágenes, entender la voz, traducir, recomendar o conversar.
Está más cerca de lo que pensás:
-
El desbloqueo del celular con la cara.
-
Las recomendaciones de videos o de música.
-
El corrector y el teclado predictivo.
-
Los filtros de spam del correo.
-
Los asistentes de voz y los traductores.
Explicá con tus palabras qué es la inteligencia artificial y dá dos ejemplos de aplicaciones que usás o conocés en la vida cotidiana.
Explicá con tus palabras qué es la inteligencia artificial y dá dos ejemplos de aplicaciones que usás o conocés en la vida cotidiana.
Programación tradicional vs. aprendizaje automático
En la programación tradicional una persona escribe las reglas y el programa las aplica a los datos para dar una respuesta.
En el aprendizaje automático (machine learning) pasa al revés: le damos al sistema datos con las respuestas correctas y él encuentra las reglas por su cuenta.
En la programación tradicional, una persona escribe las reglas que sigue el programa. Explicá en qué se diferencia el aprendizaje automático, en el que el sistema…
En la programación tradicional, una persona escribe las reglas que sigue el programa. Explicá en qué se diferencia el aprendizaje automático, en el que el sistema aprende a partir de ejemplos.
Querés crear un programa que detecte si un correo es spam. Describí cómo lo harías con programación tradicional (reglas escritas a mano) y cómo lo harías con aprendizaje…
Querés crear un programa que detecte si un correo es spam. Describí cómo lo harías con programación tradicional (reglas escritas a mano) y cómo lo harías con aprendizaje automático. Indicá una ventaja del segundo enfoque.
Entrenar y predecir
Un modelo es el resultado del aprendizaje: lo que el sistema «se quedó» después de ver los ejemplos. Funciona en dos etapas.
-
Entrenamiento: el modelo recibe muchos ejemplos etiquetados (por ejemplo, fotos de perros y de gatos con su nombre) y va ajustándose para acertar.
-
Predicción: le mostrás un dato nuevo (una foto que nunca vio) y el modelo responde con la clase que cree más probable.
Para construir modelos sencillos sin escribir código existen entornos visuales como Teachable Machine: subís ejemplos de cada clase (imágenes o sonidos), entrenás con un botón y probás con la cámara o el micrófono.
Un modelo de clasificación aprende a distinguir fotos de perros y de gatos. Indicá qué significa «entrenar» el modelo y qué significa que haga una «predicción» con una…
Un modelo de clasificación aprende a distinguir fotos de perros y de gatos. Indicá qué significa «entrenar» el modelo y qué significa que haga una «predicción» con una foto nueva.
Medir si el modelo acierta
Un modelo puede parecer perfecto con los ejemplos que ya vio, pero lo que importa es cómo responde ante datos nuevos. Por eso se separan los datos: unos para entrenar y otros para probar.
El porcentaje de aciertos es:
$$\text{aciertos} = \frac{\text{predicciones correctas}}{\text{total de pruebas}} \cdot 100\,\%$$Un modelo se entrenó con 100 fotos de frutas etiquetadas como «manzana» o «banana». Luego se lo probó con 20 fotos nuevas y acertó en 17. Calculá el porcentaje de…
Un modelo se entrenó con 100 fotos de frutas etiquetadas como «manzana» o «banana». Luego se lo probó con 20 fotos nuevas y acertó en 17. Calculá el porcentaje de aciertos e interpretá el resultado. Explicá por qué es importante probar el modelo con fotos que no usó para entrenar.
Sesgos: cuando los datos no son justos
El modelo aprende lo que hay en los datos, incluso lo injusto. Un sesgo aparece cuando los datos de entrenamiento no representan bien a todas las personas o reproducen prejuicios, y el modelo trata peor a ciertos grupos.
También los contenidos digitales pueden mostrar una sola mirada y ocultar otras. Una IA que genera imágenes de «profesión» y muestra casi siempre varones está repitiendo el sesgo de sus datos.
Una aplicación de reconocimiento de voz entiende muy bien a algunas personas, pero se equivoca mucho con otras que tienen un acento distinto. Explicá a qué se puede…
Una aplicación de reconocimiento de voz entiende muy bien a algunas personas, pero se equivoca mucho con otras que tienen un acento distinto. Explicá a qué se puede deber esto en relación con los datos de entrenamiento y qué podría hacerse para mejorarlo.
Una empresa usa un sistema de inteligencia artificial para preseleccionar currículums. Se entrenó con los datos de las personas contratadas en los últimos años, que…
Una empresa usa un sistema de inteligencia artificial para preseleccionar currículums. Se entrenó con los datos de las personas contratadas en los últimos años, que fueron mayoritariamente varones. Analizá qué sesgo puede reproducir el sistema, qué consecuencias sociales tiene y qué medidas propondrías para que sea más justo.
Privacidad de los datos de entrenamiento
Para entrenar modelos hacen falta datos, y muchos son personales: fotos, voz, contactos, ubicación. Gratis casi nunca significa sin costo: a veces el pago son tus datos.
En Uruguay, la Ley 18.331 de protección de datos personales y la URCDP (Unidad Reguladora y de Control de Datos Personales) son el marco que protege a las personas. Lo importante es que sepas que tus datos tienen valor y que podés decidir sobre ellos.
Una aplicación gratuita de edición de fotos pide acceso a tu cámara, tus contactos y tu ubicación para «mejorar la inteligencia artificial». Argumentá qué riesgos de…
Una aplicación gratuita de edición de fotos pide acceso a tu cámara, tus contactos y tu ubicación para «mejorar la inteligencia artificial». Argumentá qué riesgos de privacidad hay, qué datos realmente necesitaría la aplicación para funcionar y qué decisiones tomarías vos antes de aceptar los permisos. Justificá tu postura.
Volvé al principio: el asistente de Valentina entiende su voz porque se entrenó con miles de ejemplos de voces (aprendizaje automático, no reglas a mano). Si faltaran voces como la suya, el sesgo haría que la entendiera peor; y esos datos de voz plantean preguntas de privacidad.
Resumen
-
La IA realiza tareas que parecen inteligentes a partir de datos; encuentra patrones, no «piensa».
-
En la programación tradicional se escriben las reglas; en el aprendizaje automático el sistema las encuentra a partir de ejemplos con respuesta.
-
Entrenar es ajustar el modelo con ejemplos etiquetados; predecir es responder ante un dato nuevo.
-
Se mide con datos de prueba nuevos: $\text{aciertos} = \frac{\text{correctas}}{\text{total}} \cdot 100\,\%$.
-
Los datos pueden traer sesgos: se corrigen con datos variados, auditoría y revisión humana.
-
Los datos de entrenamiento pueden afectar la privacidad: pedí solo los permisos necesarios.