Documentos de Académico
Documentos de Profesional
Documentos de Cultura
Sección: EP001
Grupo N° 06:
Lima, 2023
1
ÍNDICE
Contenido
CAPÍTULO I: INTRODUCCIÓN.....................................................................................................3
2.1. Objetivos.............................................................................................................................4
REFERENCIAS BIBLIOGRAFÍAS...............................................................................................14
2
CAPÍTULO I: INTRODUCCIÓN
A medida que la inteligencia artificial continúa avanzando, su impacto se vuelve cada vez
más evidente en campos tan diversos como la atención médica, la manufactura, el transporte, el
servicio al cliente, la investigación científica y más.
Estos avances tecnológicos también plantean importantes cuestiones éticas y sociales, así
como preocupaciones sobre la privacidad, la toma de decisiones automatizada, el desempleo
tecnológico y la equidad en el acceso a los beneficios de la inteligencia artificial.
3
CAPÍTULO II: OBJETIVOS
Objetivos
Objetivo General
Objetivos Específicos
4
CAPÍTULO III: MARCO TEÓRICO
Inteligencia Artificial
Alan Turing tenía como objetivo lograr una réplica o simular la inteligencia
humana en las máquinas, mediante esto se planteó varias interrogantes. Así creando
artículos como “Computing Machinery and Intelligence” y “Test Turing” dando como
base la inteligencia artificial.
Según Patrick Winston, profesor de inteligencia artificial del MIT propone, “La
IA es un conjunto de algoritmos activados por restricciones, buscando la mejor solución
posible vinculando el pensamiento, la percepción y la acción”.
1
sistema comercial experto en la configuración de nuevos sistemas informáticos
provocando un auténtico auge y haciendo que se unan más inversionistas al proyecto de
la IA.
Debido a los amplios algoritmos que contiene la IA, ha sido usado en varios
sectores como:
El sector industrial, pues gracias a la IA las industrias han reducido en gran escala
algunos errores manuales que provocan los empleados o factores internos de la industria,
la IA analiza los datos que contienen los equipos IoT para lograr una predicción sobre la
carga y la demanda mediante Deep Learning y anticiparse a posibles fallos de
funcionamiento.
1
Machine Learning y Deep Learning
Machine Learning
Ej. El detector de spam, este algoritmo sigue una serie de patrones para
derivarlo como spam o no.
Ej. En el área de marketing se usa este tipo de algoritmo ya que nos permite
sacar patrones de abundantes datos que vienen de las redes sociales y así, se
crean las campañas de publicidad.
Deep Learning
1
Aprendizaje Profundo
Mandos de televisión activados por voz, como los modelos actuales de TV en las
cuales tienen micrófono incorporado y tan solo diciendo lo que queremos buscar o
ver, la IA lo tomará como información y lo producirá.
Reconocimiento facial automático, como los smartphones que aceptan una revisión
biométrica del rostro para poder desbloquear el equipo.
Los algoritmos del aprendizaje profundo son redes neuronales modelados por un
cerebro, las redes neuronales son módulos de software llamado nodos, que utilizan
cálculos matemáticos para procesar los datos.
1
Capa de Entrada (Input Layer): Los datos se introduce y forma varios nodos con la
información, la cual constituye a la capa de entrada.
Capa Oculta (Hidden Layer): Procesa los datos y lo transmiten a otras capas
neuronales. En esta capa se procesa la información a diferentes niveles, adaptando
su comportamiento mientras reciben nueva información, es decir, evalúa las posibles
soluciones mediante diferentes puntos de vista.
Capa de Salida (Output Layer): Es formado por los nodos que emiten datos de
salida, mediante el algoritmo de salida de respuestas (“Sí” o “No”), pues únicamente
tienen dos nodos en la capa de salida.
Estas redes neuronales están presentes en varios casos de uso en muchos sectores,
como los siguientes:
1
Marketing orientado mediante el filtrado de redes sociales y el análisis de
datos de comportamiento
1
CAPÍTULO IV: DESARROLLO
Entradas (inputs): la neurona artificial recibe una serie de señales de entrada, cada
una con un valor numérico correspondiente. Estos insumos son funciones o información
que se utilizan para tomar decisiones o producir resultados.
Peso (Weights): Cada entrada está ponderada por un valor numérico llamado "peso".
Estos pesos indican la importancia relativa de cada entrada en los cálculos generales
realizados por la neurona. Los pesos se pueden ajustar durante el entrenamiento de la red
neuronal.
1
Umbral (Threshold): algunas neuronas artificiales también pueden contener un
umbral, que es un valor que se compara con una suma ponderada más una función de
activación para decidir si la neurona se activa o no. Si la suma de los pesos más la función
de activación excede el umbral, la neurona se disparará y producirá una señal de salida;
de lo contrario, todavía no funcionará. (Amazon, 2023)
Estos son solo los algoritmos básicos. Dependiendo de la arquitectura de la red (como
redes convolucionales, recurrentes, etc.) y las tareas específicas, se pueden utilizar
variaciones y algoritmos adicionales para mejorar el rendimiento, como la regularización,
la normalización por lotes, entre otros. (Corporativa, I., 2023)
1
demanda futura y optimizar el uso de la energía almacenada. (Amazon,
2023)
Para aplicar una red neuronal a la predicción del género del usuario, se necesitaría
un conjunto de datos etiquetados que contenga información relevante sobre los usuarios y
su género. Aquí hay un enfoque general sobre cómo se podría abordar este problema:
- Diseño de la red neuronal: Diseña una red neuronal que tome las
características de entrada (por ejemplo, las características del usuario) y
tenga una capa de salida con una neurona, que representará la probabilidad
de género (por ejemplo, 0 para masculino y 1 para mujeres). ( Datascientest,
2023)
1. Dependencia Tecnológica:
La dependencia excesiva de las redes neuronales artificiales puede hacer que las personas se
vuelvan demasiado dependientes de la tecnología y pierdan habilidades críticas. Depender
exclusivamente de algoritmos puede reducir la capacidad de las personas para resolver problemas
de forma independiente.
2. Desarrollo de Tecnología Desigual:
Las redes neuronales artificiales necesitan de una gran cantidad de datos para su entrenamiento.
Los países o regiones que no tienen el suficiente acceso de los datos pueden quedarse atrás en el
desarrollo tecnológico y crear una brecha digital más amplia.
3. Ciberseguridad:
En la medida que la red neuronal artificial se torna más difícil, también se vuelven más vulnerables
a los ciberataques. El ataque a sistemas basados en ARN puede tener graves consecuencias, en
especial cuando involucra sistemas críticos, ejemplo servicios de salud o las infraestructuras
energéticas.
EN LA SOCIEDAD:
1. Desempleo y Desigualdad:
Por redes neuronales artificiales la automatización impulsada, podría provocar pérdidas de empleo
en todas las industrias y, si no se gestiona adecuadamente, la transición de la fuerza laboral podría
exacerbar el desempleo y la desigualdad económica.
2. Privacidad y Control de Datos:
La colección de datos utilizados para entrenar redes neuronales artificiales plantea preocupaciones
sobre la privacidad. Si no se manejan de forma adecuada, podrían ocurrir problemas de privacidad
y control inadecuado de los datos personales, afectando la libertad personal.
3. Falta de Transparencia:
en las redes neuronales artificiales los algoritmos utilizados suelen ser difíciles de comprender para
la mayoría de las personas. Esto puede generar una falta de transparencia en las decisiones tomadas
por aquellas tecnologías, lo que puede generar una desconfianza y preocupación entre el público.
(ANA. C)
1
¿QUÉ IMPACTO TENDRÁN LAS REDES NEURONALES ARTIFICIALES (RNA)?
Las redes neuronales artificiales (RNA) tienen el potencial de generar numerosos beneficios, pero
también plantean preocupaciones y desafíos significativos en la sociedad, la tecnología y la
industria. Aquí se detallan algunos de los posibles impactos negativos:
En la Sociedad:
1. Desempleo y Desplazamiento Laboral:
La automatización impulsada por las RNA podría llevar a la pérdida de empleos en industrias que
dependen de tareas rutinarias y repetitivas. Esto podría aumentar el desempleo y crear tensiones
sociales debido al desplazamiento laboral.
2. Manipulación de la Opinión Pública:
Las RNA pueden ser utilizadas para manipular la opinión pública y difundir información falsa y
desinformación de manera más sofisticada, socavando la confianza en las instituciones y la
democracia.
3. Privacidad y Seguridad:
La recopilación y el análisis de grandes volúmenes de datos para entrenar las RNA plantean
preocupaciones sobre la privacidad. Si estos datos se utilizan indebidamente o caen en manos
equivocadas, podría haber violaciones de la privacidad y riesgos de seguridad.
En Tecnología e Industria:
En resumen, mientras que las RNA ofrecen ventajas significativas, su adopción y aplicación deben
manejarse cuidadosamente para abordar estos impactos negativos. Se necesitan regulaciones
adecuadas, transparencia en el uso de algoritmos y esfuerzos continuos para minimizar el sesgo y
garantizar que estas tecnologías se utilicen de manera ética y responsable en la sociedad, la
tecnología y la industria. (ANA.C)
1. Reconocimiento de Patrones:
Las redes neuronales artificiales destacan en la identificación de patrones en materiales complejos
y pueden utilizarse en tecnologías como la voz, el reconocimiento facial y de escritura a mano para
mejorar la autenticación.
2. Conducción Autónoma:
Las redes neuronales artificiales, en la industria del transporte son esenciales para los vehículos
autónomos. Se procesan inmediatamente los datos de los sensores para tomar decisiones seguras,
reducir los accidentes y mejorar la seguridad vial.
3. Innovación y Descubrimiento:
Las RNA se usa para lograr d grandes conjuntos de datos en la investigación científica y develar
patrones complejos en campos como la química, la física y la biología, incrementando el progreso
científico y la innovación.
En pocas palabras, han tenido un impacto significativo las redes neuronales artificiales, en la
sociedad y la tecnología, logrando la precisión, la personalización en campos y la eficiencia que
van desde la medicina hasta la industria y la educación.
CONCLUSIONES:
1. Tras la presente investigación se concluye que las redes neuronales artificiales son una pieza
fundamental en el proceso de creación de una IA capaz de detectar acciones humanas o fallos en
algún sistema.
2. Las redes neuronales artificiales han generado un impacto en distintas ramas de ciencia tales
como la medicina, economía, geología, etc. Todo esto debido a la posibilidad de poder predecir
acciones a tomar en base a un futuro acontecimiento después de analizar gran cantidad de
información.
3. Las redes neuronales influyen en cómo las personas y empresas realizan sus actividades en el día
a día, desde un like en redes, hasta un proceso complejo de automatización industrial. Esto sumado
al machine learning y/o deep learning logran que la IA pueda adaptarse a cualquier ambiente.
4. Se concluye que desarrollar una red neuronal artificial correctamente conlleva a contar con
conocimientos matemáticos y de mucha información (big data) que pueda ser brindada a la red
neuronal para que esta pueda aprender. Los algoritmos utilizados para su entrenamiento pueden
variar dependiendo el objetivo del creador de la red.
1
RECOMENDACIONES:
1. Se debe de contar con los conocimientos adecuados en ciencias para poder iniciar un proyecto de
Inteligencia Artificial que involucre el uso de redes neuronales artificiales.
2. Para poder asegurarse de que la red neuronal funcione de forma correcta, es necesario pasar por
distintas etapas de validación y retroalimentación de la red, puesto que, si se está diseñando alguna
para el sector salud, esta puede ser perjudicial de no estar bien instruida antes de realizar alguna
acción médica.
3. A pesar de que actualmente las redes neuronales ayudan a las personas y empresas, sigue siendo
ideal aún en algunos campos llevar una supervisión humana del funcionamiento de las mismas para
asegurar un funcionamiento correcto y sin riesgos.
4. Se debe de ser cuidadoso al brindar la información base para el entrenamiento de las redes
neuronales puesto que esta última es capaz de aprender de forma errónea o no ética con la finalidad
de lograr lo que el usuario creador le solicite.
1
REFERENCIAS BIBLIOGRAFÍAS
https://www.iberdrola.com/innovacion/machine-learning-aprendizaje-automatico
sa=t&rct=j&q=&esrc=s&source=web&cd=&ved=2ahUKEwiE_Lyp3-
eBAxVgD1kFHb2UBxsQFnoECAsQAw&url=https%3A%2F%2Fwww.sas.com
%2Fes_pe%2Finsights%2Fanalytics%2Fdeep-learning.html%23%3A~%3Atext
%3DEl%2520deep%2520learning%2520es%2520un%2Cde%2520im
%25C3%25A1genes%2520o%2520hacer
%2520predicciones.&authuser=1&usg=AOvVaw3dRQ2g_kPqu0QNFCTsb9W-
&opi=89978449
is/neural-network/#:~:text=Una%20red%20neuronal%20es%20un,lo%20hace
%20el%20cerebro%20humano
Inteligencia artificial : definición, historia, usos, peligros. (2022, August 10). Formation
artificial-definicion
https://aws.amazon.com/es/what-is/deep-learning/