U1.

IA FUERTE Y DÉBIL
1. I NTRODUCCIÓN A LA IA
• Hay una digitalización creciente en la sociedad
• Cada día se almacenan más y más datos de todos los sucesos que ocurren
en nuestras vidas
• ¿Con qué objetivos?
• El objetivo final es que el alumno/a sepa seleccionar y aplicar los algoritmos
adecuados de aprendizaje supervisado y no supervisado, adecuado al
problema que se intenta resolver, y optimizando el modelo
 PERO ANTES DE EMPEZAR…
En general, y
sea la técnica
que sea…. Datos
Datos

Datos

Modelo

Conocimiento
 • No toda la ciencia de datos es Big Data
• No todo el Big Data es ciencia de datos

Análisis de
Big Data
Big Data Análisis de Minería de datos
Sin Análisis
Small Data
 Machine Estadística y
Computación Learning Matemáticas

Big Data
Simulación

Sistemas de Ciencia Investigación

Información de datos operacional

Ingeniería del
conocimiento
Gestión del Comportamiento
conocimiento social
Negocio
Gestión Economía
conductual
I NTELIGENCIA ARTIFICIAL
FUERTE Y DÉBIL
• La Inteligencia Artificial (IA) se le asignaba a un sistema HW+SW que
operaba del mismo modo que la inteligencia humana.

• Inteligencia humana
• ¿Qué es?
• ¿Cómo aprendemos?

• El reconocimiento de los límites ha creado dos subcategorías:

• IA fuerte
• IA débil
 ¿PATRONES?
• Piensa en una mesa, con todos los atributos que tendría esa mesa
¿PATRONES?
¿PATRONES?
¿PATRONES?
 IA FUERTE
• Es la capacidad del sistema de actuar adecuadamente en un entorno de
incertidumbre.
• Universalidad de situaciones que pueden aparecer en el dominio de
aplicación.
• Un ordenador puede simular la mente humana:
• Se puede implementar formalmente y de forma no ambigua
• Se puede alcanzar un estado de autoconsciencia
• Se pueden entender los objetos del mundo de una forma activa y autónoma
• Esta visión viene originalmente de la maquina universal de Turing
Si todos los procesos de resolución de problemas pueden ser simplificados a
procesos computacionales, entonces, una máquina con operaciones
relativamente simples, podría resolverlos con una adecuada serie de comandos.
 IA DÉBIL
• La IA débil intenta construir sistemas para ejecutar eficientemente ciertas
tareas intelectuales (que un ser humano puede realizar)
• No se requiere implementar TODA la inteligencia humana para obtener las
funcionalidades del sistema deseado
• Se implementan agentes que abordan tareas específicas, en un entorno
específico
• La evolución de la IA débil aparece por la aparición de herramientas
informáticas limitadas (redes neuronales, machine learning, …)
• Más tarde han aparecido herramientas más complejas, con el objetivo de
simular tanto habilidades humanas, como el razonamiento humano.
• Las técnicas de Aprendizaje Automático son parte de la IA débil
• https://www.tree-hugger8.net/how-smart-are-dolphins-5112510

• https://www.youtube.com/watch?v=6M92OA-_5-Y
 EJEMPLOS DE ÉXITO
IA DÉBIL
• IBM Deep blue, jugando ajedrez
• IBM Watson, para procesar lenguaje natural y aprender sin supervisión de lo
que va leyendo en documentos
• Google usa redes neuronales profundas para reconocer imágenes
• Google ha comprado Deep Mind, que es capaz de reconocer estructuras
de las proteínas del cuerpo humano
• Esencial para el desarrollo de tratamientos para enfermedades
• Acelera los procesos de investigación
• Lo que antes llevaría meses, lo hace en minutos (ojo, con un % de error)
• La IA fuerte aún está por aparecer, pero la IA débil nos ayuda en algunas
tareas
El objetivo no es crear máquinas que simulen
la mente humana, sino entender el proceso
de conocimiento humano, y desarrollar
máquinas que nos ayuden (o que hagan) los
aspectos de los problemas más difíciles o
tediosos para los humanos
 PROBLEMAS MORALES, ÉTICOS Y
SOCIALES
• El desarrollo de la IA fuerte tiene restricciones tecnológicas que limitan su
evolución.
• También hay problemas morales, éticos y sociales.
• Algunos países apuestan por la IA débil sin muchas restricciones

Recomendación:

• La UE pone límites a su uso mediante la LGPD

HitchBOT es un robot de cuerpo cilíndrico, fabricado con un cubo de plástico, con
brazos y piernas unidos, y una pantalla LED que mostraba ojos y una boca.
Estaba programado para pedir a las personas que lo recogieran y los llevara con ellas.
Cruzó con éxito Canadá y algunos países europeos. En agosto de 2015, apareció
decapitado en Filadelfia.
¿Hicieron algo malo los vándalos al decapitar a HitchBOT más allá de destruir la
propiedad privada?
¿Tenían la obligación moral de no interferir en su estado normal de funcionamiento y
dejarle continuar su viaje por el mundo?
Los replicantes de la película Blade Runner (1982).
Supongamos que un día se pudiera fabricar una "persona de "plástico". La IA fuerte ha
triunfado. Piensa, siente y habla como nosotros. Se diferencia en los materiales, se
diferencia en cómo llega a este mundo. Roba, mata, crea, ama, siente, ... como nosotros.
¿Cual es la ley que se le debería aplicar a las máquina? ¿Qué significa matar una
máquina? ¿Qué derechos morales tendría dicha máquina? ¿Es solo una máquina? Un
punto de vista bajo el cual es relevante analizar las respuestas es empleando el
argumento aristotélico de equidad: los mismos casos se deberían tratar del mismo
modo.
El niño de la película Inteligencia Artificial (2001).
Plantea un escenario donde se ha recreado un niño a la perfección, exactamente
idéntico a una persona fallecida. No tiene sus recuerdos, pero su exterior es
exactamente idéntico, de forma que incluso las propias máquinas piensan que es un
niño humano.
¿Es consciente de sí mismo?
A pesar de ser una máquina, ¿tiene sentimientos? ¿Los sentimientos son simulados o
existen de verdad?
¿Debe tener los mismos derechos que un humano? ¿Qué lo diferencia de un humano, si
se comporta como un humano y siente como un humano?
• Hay situaciones nuevas que pueden originarse, y que antes de la IA (fuerte
o débil) no existían.
• Es necesario tener en cuenta que la tecnología cambia el mundo:
• La tecnología modifica las relaciones sociales
• La tecnología modifica la economía
Cambios económicos.
Supóngase que el nivel de automatización alcanzado provoca una reducción drástica el
mercado de trabajo.
Miles de empleos desaparecen y otros nuevos se generan (pero en un número
insuficiente para la población) ¿Qué mecanismos de redistribución de rentas se
deberían establecer? ¿Deberían pagar impuestos los robots (ciertos tipos)?
Las inversiones en tecnología productiva hacen que solo las grandes corporaciones
tengan acceso, concentrando la capacidad productiva y poseyendo un poder superior a
muchos estados.
¿Qué compromisos sociales se les debe imponer? ¿Se debe circunscribir a impuestos o
a otros aspectos?
¿Y EL EMPLEO?
Cambios sociales.
Yo soy yo y mis circundantes: Sistemas híbridos hombre-máquina.
En la actualidad el nivel de integración entre la tecnología y el ser humano es muy
limitado. Existen dispositivos que corrigen defectos en la visión o la audición de un ser
humano. La tecnología puede ir evolucionando y mejorando diferentes capacidades
humanas, convirtiendo ciertos desarrollos tecnológicos en artefactos de uso común.
En ese futuro, los límites del ser humano se desdibujan y se cuestionará cuales son.
¿Qué límites hombre-máquina se definirán para evaluar capacidades en el trabajo, en
el colegio, en el deporte, etc.?
• Ahora mismo, la IA ya tiene un impacto muy grande en la sociedad.
• A continuación hay varios ejemplos, que nos deben hacer reflexionar
El coche autónomo ya es una realidad.
Supóngase un escenario donde los coches autónomos conviven con coches
conducidos por particulares.
Esta situación se dará en cualquier otro modo de transporte, como metro autónomos,
drones, barcos, etc.
Supóngase que se produce un accidente en el que está involucrado un coche autónomo,
¿Quien es el responsable? ¿El propietario del vehículo?¿El fabricante del vehículo? ¿El
desarrollador del software?
• https://www.moralmachine.net/hl/es
Sistemas de reconocimiento facial.
Los sistemas de reconocimiento facial han alcanzado un alto grado de sofisticación y
fiabilidad.
Estos sistemas permitirían implementar una vigilancia masiva de la ciudadanía.
Por motivos de seguridad ¿Queda justificado el uso de estos sistemas? ¿Se podrían
implantar pero restringiendo su uso?
Por ejemplo, un juez autoriza el visionado de imágenes para la búsqueda de una persona
determinada con una finalidad específica.
O por el contrario, empleando la despedida de Robe Iniesta al final de un concierto de
Extremoduro: Recordad!!, este es un país libre!!, podéis ir y hacer lo que queráis!! pero que no
os vean.
Los algoritmos de IA (débil) aprenden el mundo tal cual es, con sus sesgos, sus
discriminaciones, abusos y perpetuando el status quo.
En el libro Armas de destrucción matemática, su autor O’Neil expone ejemplos de como los
algoritmos califican a maestros y estudiantes, ordenan currículos, conceden (o niegan)
préstamos, evalúan a los trabajadores, se dirigen a los votantes, fijan la libertad condicional y
monitorean nuestra salud.
Los ciudadanos se sitúan frente a esta nueva tecnología como se hizo en el pasado con la teoría
económica. La teoría económica es Ciencia, es inexorable, tiene sus reglas objetivas,
incuestionables, que impactan en la vida de las personas sin que estas intervengan u opinen.
¿Qué autoridad o poder de decisión debe tener los algoritmos? ¿Cómo los algoritmos deben
rendir cuentas y a quien? ¿Cuales decisiones deben ser justificadas y cómo?
 POR ÚLTIMO
• https://www.xataka.com/robotica-e-ia/conozcan-norman-primera-
inteligencia-artificial-entrenada-para-pensar-como-psicopata

• https://www.businessinsider.es/ia-encuentra-limite-resurreccion-muertos-
929563
https://lamenteesmaravillosa.com/black-mirror-be-right-back-la-perdida-del-querido/

• https://es.wikipedia.org/wiki/Serie_de_los_robots
2. MODELOS DE APRENDIZAJE AUTOMÁTICO
 ¿QUÉ ES UN MODELO?
• Los métodos de Aprendizaje Automático (AA) son ejemplos de IA débil.
• Se realiza un modelo matemático de la realidad que deseamos tratar
• El dominio de aplicación es conocido y está delimitado

• Para:
• Modelo M
• Realidad R
• Observador O
• Según Marvin Lee Minsky:
a) El modelo M contesta a las preguntas que el observador O hace sobre la
realidad R
b) Los datos que genera el modelo M sobre la realidad R reproducen las
observaciones que se dispone del fenómeno R

• La condición (A) apunta a qué tipo de datos deben registrarse y ser usados.
Éstos deben estar alineados con los objetivos del estudio.
• La condición (B) indica que los modelos no intentan sintetizar la verdad, sino
simplemente reproducir las observaciones
• El aprendizaje automático considera la realidad (dominio de aplicación)
como una caja negra, que para unas entradas X, genera una salida Y
• El modelo de AA simula este proceso, sin reproducir la realidad
• Buscamos que la predicción del modelo y las observaciones de la salida de
la realidad sean coincidentes
 Variables variables
de entrada Realidad: de salida
CAJA NEGRA
𝑥 𝑦
 variables
Variables
de salida
de entrada MODELO
predicha
MATEMÁTICO
𝑥 𝑦ො

parámetros
• De manera formal, se pondría:
𝑦 = 𝐹𝜃 𝑥, 𝛼
• Donde:
• 𝑦 = salida
• 𝑥 = entradas (un valor, una serie de valores, etc)
• 𝛼 = vector de parámetros (o pesos)
• 𝐹𝜃 = familia 𝐹 de funciones (o modelos) parametrizadas por 𝜃
• 𝜃 = hiperparámetros

• Los hiperparámetros nos permiten ensayar más de un único modelo,

mejorando el resultado final
• El problema para el modelo consiste en encontrar, para un valor dado de
hiperparámetros 𝜃, el mejor valor de 𝛼 que describa las observaciones
existentes

• Es decir, lo que realmente hace es esto:

𝑦 = 𝐹𝜃 𝑥, 𝛼 = 𝛼0 + 𝛼1 𝑥 + 𝛼2 𝑥 2 + ⋯ + 𝛼𝜃 𝑥 𝜃

• Si buscamos un modelo que reproduzca exactamente las observaciones, se

denomina problema de interpolación
• Si deseamos un modelo que describa aproximadamente el conjunto de
observaciones, se denomina problema de aproximación
CLASIFICACIÓN DE LOS SAA
 PRINCIPALES TÉCNICAS PARA
DESARROLLAR MODELOS DE AA
• Las técnicas van a ser las formas de abordar un problema, teniendo en
cuenta que cada técnica va a ir orientada a solucionar una o varias de las
tareas que nos podemos encontrar.

• Hay técnicas:
• Predictivas: tenemos una variable de salida
• Descriptivas: no hay una variable de salida

• Como estas técnicas son tan comunes, las herramientas ya están

programadas
Técnicas según la tarea que estamos haciendo:
• Aprendizaje supervisado
• El problema está presentado con ejemplos, y la solución deseada.
• La meta es aprender la regla general que convierte los datos de entrada en la
solución correcta.
• Aprendizaje no supervisado
• Se deja solo al algoritmo para encontrar la estructura de su entrada de datos
• Aprendizaje por refuerzo
• Se interactúa con un ambiente controlado, y se debe alcanzar una meta
• Para poder elegir la técnica, primero debemos :
• Saber QUÉ problema estamos tratando y
• Saber claramente QUÉ deseamos conseguir

• Los problemas de AA se deben abordar:

1. Según sea predictivo o descriptivo
2. Según la tipología de las variables

• Dependiendo de ambas cosas, vamos a poder utilizar una u otra técnica

 TIPOLOGÍA DE LAS VARIABLES
• Variables cuantitativas
• Los datos toman valores numéricos significativos
• Variables continuas: toman valores de un intervalo de números reales
• Edad, ingresos, altura, …
• Variables discretas: sólo pueden tomar un número finito de valores numéricos
• Número de hijos, número de días rrealizando un tratamietno
• Variables ordinales
• Existe una relación de orden entre las observaciones
• Ranking de llegada en pole
• Variables cualitativas
• Se expresa una cualidad de un objeto, no mide ninguna magnitud concreta.
• Se pueden asignar números a los valores, pero son categorías distintas
• Género, categorizados como 1, 2,…
 APRENDIZAJE SUPERVISADO Y
APRENDIZAJE NO SUPERVISADO
• Que sea de uno u otro tipo va a depender de si tenemos valores de salida,
así como de los tipos de variables de entrada.
• Formalmente:
• El aprendizaje NO supervisado
• Parte de datos no etiquetados previamente
• Sólo se tiene la información 𝑥𝑖 𝑛𝑖=1
• El aprendizaje supervisado
• Parte de un conjunto de datos etiquetados previamente
• Es decir: conocemos las salidas
• Se tiene la información 𝑥𝑖 , 𝑦𝑖 𝑛𝑖=1
• Nos centramos en estos tipos de problemas:
• Clustering
• Busca patrones dentro de los datos
• El objetivo es encontrar subconjuntos de observaciones que son similares entre sí
• Ejemplo: segmentación de mercados
• Regresión
• Predice el valor de una variable continua 𝑦 a partir del valor de 𝑥
• Se denomina 𝑥: regresor, e 𝑦: variable respuesta o variable dependiente
• Ejemplo: recomendaciones de Spotify, si has consumido un cierto producto
• Clasificación
• Predice el valor de una variable cualitativa 𝑦 a partir del valor de 𝑥
• Se denomina 𝑥: característica o atributo, e 𝑦: etiqueta
• Ejemplo: saber si un objeto que vemos es un enemigo
• No existe un método que sea mejor que otro para todos los casos
• Es necesario disponer de una caja de herramientas (técnicas variadas) con
las que poder ensayar diferentes soluciones
• Ejemplo:
• K-Means es muy bueno para clustering cuando se puede separar linealmente
• No es bueno si los grupos no se pueden separar linealmente, por lo que hay que
pasar a otro método no lineal, p. ej., DBSCAN, que lo hace por densidad
TOMA DE DECISIONES BASADA EN MODELOS
• Al modelo se le exige que sea capaz de contestar a las preguntas del
modelador
• Un modelo se elabora con un propósito
• En muchos casos ayudan a la toma de decisiones

• Nos centramos en los modelos de optimización: