Módulo Formativo 1: Inteligencia Artificial

Aplicativos basados en
inteligencia artificial.
Clasificaciones.
Chat bot , reconocedores de
imágenes, herramientas
predictivas, entre otras.
Módulo formativo básico sobre
competencias digitales transversales
Indice
1. El reto .............................................................................................................................................................................. 4

1.1 Juan busca ayuda para su negocio .......................................................................................................... 4

2. Objetivos y contenidos .......................................................................................................................................... 5

2.1 Introducción........................................................................................................................................................... 5
2.2 Objetivos de la unidad ................................................................................................................................ 5
2.3 Contenidos de la unidad ........................................................................................................................... 6

3. Definición de cambio ...............................................................................................................................................7

3.1 La Inteligencia Artificial ....................................................................................................................................7

3.2 Origen de la IA..................................................................................................................................................7
3.3 Aplicación práctica ....................................................................................................................................... 8

4. La IA frente al ser humano................................................................................................................................... 9

5. Trending topics en IA ..............................................................................................................................................10

5.1 Aprendizaje automático a gran escala...................................................................................................10

5.2 Aprendizaje profundo ................................................................................................................................10
5.3 Aprendizaje por refuerzo..........................................................................................................................10
5.4 Aplicación práctica ....................................................................................................................................... 11
5.5 Robótica ............................................................................................................................................................. 11
5.6 Visión artificial.................................................................................................................................................. 11
5.7 Procesamiento del lenguaje natural .................................................................................................. 12
5.8 Sistemas de colaboración ....................................................................................................................... 12
5.9 Crowdsourcing y computación humana ........................................................................................... 12
5.10 Teoría algorítmica de juegos y elección social ............................................................................ 13
5.11 Internet de las Cosas (IoT) ....................................................................................................................... 13
5.12 Computación neuromórfica.................................................................................................................... 13

6. Introducción al Machine Learning ...................................................................................................................14

6.1 Tipos de estándares.........................................................................................................................................14

7. NPL: Procesamiento de lenguaje natural ...................................................................................................15

7.1 Áreas dentro del NLP ...................................................................................................................................... 15

7.2 Tokenización ................................................................................................................................................... 16
7.3 Speech to Text ................................................................................................................................................ 17
7.4 Comprensión del lenguaje natural...................................................................................................... 17

8. Chatbots ........................................................................................................................................................................19

8.1 Las funciones básicas que se esperan de un chatbot ..................................................................19

8.2 Aplicación práctica ...................................................................................................................................... 19

2
 8.3 Formas de respuesta de un Chatbot ................................................................................................20

9. Recomendadores automáticos........................................................................................................................ 21

9.1 Sistemas de Recomendación Automática........................................................................................... 21

9.2 Aplicación práctica ..................................................................................................................................... 22
9.3 Técnicas de Recomendación Automática.....................................................................................22
9.4 Hibridación de Técnicas de Recomendación ..............................................................................24
9.5 Ejemplos de aplicación de recomendaciones ............................................................................24

10. En resumen… ....................................................................................................................................................... 26

3
1. El reto
1.1 Juan busca ayuda para su negocio

Juan se ha dado cuenta de que tiene que actualizar sus conocimientos para poder afrontar
el futuro del negocio que regenta. Ha oído hablar de la inteligencia artificial, pero le suena a
chino…

Juan es un emprendedor entusiasta, y dueño de un pequeño negocio local de recambios

de automóvil. Durante los últimos años, Juan ha trabajado duro para hacer crecer su
empresa, pero se enfrenta a diversos desafíos que obstaculizan su éxito. A pesar de su
dedicación y esfuerzo, se encuentra con dificultades para gestionar eficientemente su
negocio y satisfacer las necesidades cambiantes de sus clientes.

Sin embargo, Juan está a punto de descubrir cómo la inteligencia artificial puede ser la
solución que está buscando. En esta unidad didáctica, podrás conocer algunas de sus
aplicaciones prácticas para ayudar a empresarios como Juan a superar los desafíos diarios
de su negocio.

Desde la identificación de patrones en los datos hasta la automatización de tareas, Juan

descubrirá con la inteligencia artificial cómo esta puede ayudarlo a optimizar sus
operaciones y mejorar la experiencia del cliente.

Juan aprenderá, entre otras, sobre los chatbots, herramientas virtuales capaces de atender
las consultas y necesidades de sus clientes de manera rápida y precisa.

Figura 1: Imagen de Juan posando en su taller de recambios.

4
2. Objetivos y contenidos
2.1 Introducción
La inteligencia artificial (IA) ha pasado de ser una idea de ciencia ficción a una realidad
concreta que transforma nuestra interacción con el mundo. En diversos campos, como la
medicina, la industria, la educación y el entretenimiento, la IA ha adquirido un papel
fundamental. Esta unidad didáctica tiene como objetivo explorar los conceptos básicos de
la IA y sus aplicaciones en diferentes áreas, sumergiéndonos en un fascinante viaje por el
mundo de la IA.

En primer lugar, nos adentraremos en los fundamentos esenciales de la IA, examinando sus
conceptos clave y las diferentes ramas que la conforman. Desde el aprendizaje automático
hasta el procesamiento del lenguaje natural, descubriremos cómo la IA se ha convertido en
una herramienta poderosa para el análisis y la toma de decisiones en numerosos sectores.

A continuación, exploraremos las distintas categorías de aplicativos basados en IA.

Estudiaremos los chatbots, asistentes virtuales capaces de conversar con humanos y
reconocer imágenes, brindando respuestas rápidas y precisas. También analizaremos las
herramientas predictivas, que nos permiten anticipar eventos futuros y realizar pronósticos
confiables. Cada categoría de aplicativo tiene características y funcionalidades propias, y
nuestro objetivo será comprender en detalle cada una de ellas.

Además, evaluaremos los beneficios y limitaciones de cada tipo de aplicativo en diversos

contextos. Desde mejorar la eficiencia en procesos empresariales hasta avanzar en la
atención médica personalizada, exploraremos cómo la IA puede generar un impacto
positivo en múltiples áreas. Sin embargo, también seremos conscientes de los límites y
desafíos éticos que conlleva su implementación, evaluando críticamente las implicaciones y
consideraciones al utilizar estos aplicativos en la vida cotidiana.

2.2 Objetivos de la unidad

1. Comprender los conceptos básicos de la inteligencia artificial y su aplicación en
diferentes campos.

2. Identificar las diferentes categorías de aplicativos basados en inteligencia artificial,

como chatbots, reconocedores de imágenes y herramientas predictivas.

3. Analizar las características y funcionalidades de cada tipo de aplicativo.

4. Evaluar los beneficios y limitaciones de cada tipo de aplicativo en diferentes

contextos.

5
2.3 Contenidos de la unidad
• Introducción a la Inteligencia Artificial.

• La IA frente al ser humano.

• Trending topics en IA.

o Aprendizaje automático a gran escala.

o Aprendizaje profundo.

• Introducción al Machine Learning.

• NLP: Procesamiento de lenguaje natural.

o Áreas dentro del NLP.

• Chatbots.

• Recomendadores automáticos.

o Técnicas de Recomendación Automática.

o Hibridación de Técnicas de Recomendación.

o Ejemplos de aplicación de recomendadores.

Importante
A lo largo de la unidad, te encontrarás algunas palabras marcadas con este color. Esto
señala que podrás ampliar su significado en el Glosario del curso.

6
3. Definición de cambio
3.1 La Inteligencia Artificial

Figura 2: Robot androide sobre un microchip.

La Inteligencia Artificial (IA) es una palabra de moda muy utilizada hoy en día, rodeada de
conceptos malinterpretados y preguntas sobre su finalidad y su alcance real. Aparte de sus
conocidos retos éticos y filosóficos, la IA puede ser el catalizador de grandes avances en
materia de cambios sociales, económicos y tecnológicos.

La Inteligencia Artificial (Artificial Intelligence, en inglés) es una disciplina en Computación

que aspira a desarrollar sistemas capaces de emular los procesos cognitivos humanos.

3.2 Origen de la IA

Figura 3: Robot androide sobresale de la pantalla de un portátil rodeado de emoticonos.

Si bien mucha gente la percibe como algo completamente novedoso, en realidad surgió en
la década de 1950. A lo largo de los años, la IA se ha desarrollado en diversos ámbitos de la
industria. Pero es ahora cuando se ha abierto camino hasta nuestros hogares y ha
alcanzado un máximo histórico en términos de aplicaciones, financiación y entusiasmo.

La eclosión de sistemas como ChatGPT han disparado las expectativas del gran público; sin
embargo, es importante no olvidar sus limitaciones, porque el hecho es que la inteligencia
artificial aún está muy lejos de tener una inteligencia general similar a la humana.

7
3.3 Aplicación práctica
Ahora Juan puede Implementar un chatbot basado en IA en su sitio web explorando
opciones como ChatGPT. El chatbot puede ayudar a los visitantes de tu sitio web a
encontrar los recambios adecuados para sus vehículos, responder preguntas frecuentes y
proporcionar asistencia instantánea en línea.

También puede personalizar las recomendaciones de productos utilizando técnicas de IA

para analizar los datos de sus clientes, como las compras anteriores y las preferencias.

Ahora, puede utilizar algoritmos de recomendación basados en IA para ofrecer a sus

clientes opciones relevantes y mejorar su experiencia de compra. Esto les permitirá
encontrar rápidamente los recambios que necesitan y aumentará la satisfacción del cliente.

Aun así, debe recordar que la IA es una herramienta poderosa, pero también es importante
tener en cuenta sus limitaciones. Debe asegurarse de respaldar la tecnología con
conocimiento y experiencia para brindar un servicio integral y confiable a sus clientes.

8
4. La IA frente al ser humano
El poder de la IA reside en la velocidad de las operaciones informáticas. La IA puede
analizar instantáneamente conjuntos de datos masivos y sugerir variaciones y mejoras en el
diseño. Sin embargo, para lo que al cerebro humano le lleva segundos, las IAs necesitan
algoritmos intrincados y ejemplos de aprendizaje para simular el proceso de pensamiento
como, por ejemplo:

• Reconocimiento facial (Face Recognition).

• Reconocimiento de voz (Speech Recognition).

• Reconocimiento de imágenes (Image Processing).

• Análisis de datos.

• Predicción.

• Aprendizaje (Machine Learning / Deep Learning).

• Resolución de tareas.

Figura 4: Joven se comunica con robot androide que sale de la pantalla de su portátil.

9
5. Trending t opics en IA
5.1 Aprendizaje automático a gran escala
Muchos de los problemas básicos del aprendizaje automático se conocen bien. Uno de los
principales objetivos actuales es adaptar los algoritmos existentes a conjuntos de datos
extremadamente grandes. Por ejemplo, mientras que los métodos tradicionales podían
permitirse hacer varias pasadas sobre el conjunto de datos, los modernos están diseñados
para hacer una sola pasada; en algunos casos, sólo pueden admitirse métodos sublineales
(que son aquellos métodos que sólo analizan una fracción de los datos). La extensión de los
modelos a grandes volúmenes de datos puede permitir extraer conclusiones más completas.

5.2 Aprendizaje profundo

La capacidad de entrenar con éxito redes neuronales convolucionales ha beneficiado sobre
todo al campo de la visión artificial, con aplicaciones como el reconocimiento de objetos, el
etiquetado de vídeos, el reconocimiento de actividades y diversas variantes de las mismas.
El aprendizaje profundo también está haciendo incursiones significativas en otras áreas de
la percepción, como el audio, el habla y el procesamiento del lenguaje natural.

5.3 Aprendizaje por refuerzo

Mientras que el aprendizaje automático tradicional se ha centrado sobre todo en la
extracción de patrones, el aprendizaje por refuerzo traslada el foco de atención a la toma
de decisiones, y es una tecnología que ayudará a la IA a avanzar más profundamente en el
ámbito del aprendizaje y la ejecución de acciones en el mundo real. Ha existido durante
varias décadas como marco para la toma de decisiones, pero históricamente los métodos
no han tenido demasiado éxito en la práctica, debido principalmente a problemas de
representación y escalado.

Sin embargo, la llegada del aprendizaje profundo ha proporcionado al aprendizaje por

refuerzo un importante espaldarazo. El reciente éxito de AlphaGo, un programa informático
desarrollado por Google Deepmind, que venció al campeón humano de Go en un combate a
cinco partidas, se debió en gran parte al aprendizaje por refuerzo. AlphaGo se entrenó
inicializando un agente automatizado con una base de datos de expertos humanos, pero
posteriormente se perfeccionó jugando un gran número de partidas contra sí mismo y
aplicando el aprendizaje por refuerzo.

Figura 5: Dos jóvenes aprenden utilizando su portátil, de donde emergen signos de interrogación.

10
5.4 Aplicación práctica
Juan puede utilizar el aprendizaje por refuerzo para determinar los precios óptimos de sus
recambios y crear estrategias promocionales efectivas. El algoritmo de aprendizaje por
refuerzo analizará datos históricos de ventas, márgenes de beneficio y factores externos,
como la demanda estacional o la competencia. A medida que el algoritmo interactúa con
los datos en tiempo real, aprenderá a tomar decisiones más acertadas sobre los precios y
las promociones para maximizar las ventas y los beneficios.

Además, mediante el análisis de datos históricos de demanda, tendencias del mercado y

disponibilidad de los proveedores, el algoritmo de aprendizaje por refuerzo aprenderá a
tomar decisiones sobre los niveles óptimos de inventario y los momentos adecuados para
realizar pedidos. Esto ayudará a Juan a evitar la escasez o el exceso de inventario,
mejorando así la satisfacción del cliente y reduciendo los costos asociados al
almacenamiento de productos.

Al aplicar el aprendizaje por refuerzo en su negocio de recambios de automóvil, Juan podrá

tomar decisiones más informadas sobre precios y promociones, así como gestionar de
manera más eficiente su inventario. Esto contribuirá a aumentar la rentabilidad de su
negocio y a ofrecer una mejor experiencia a sus clientes.

Figura 6: La imagen muestra a Juan sonriente delante de un coche, con una llave inglesa en la mano.

5.5 Robótica
La navegación robótica, al menos en entornos estáticos, está en gran medida resuelta. Los
esfuerzos actuales se centran en cómo entrenar a un robot para que interactúe con el
mundo que le rodea de forma generalizada y predecible. Los avances en la percepción
fiable de las máquinas, incluida la visión artificial, la fuerza y la percepción táctil, en gran
parte impulsados por los avances en aprendizaje automático, son los elementos clave para
hacer avanzar las capacidades de la robótica.

5.6 Visión artificial

La visión artificial es actualmente la forma más destacada de percepción artificial. Ha sido
la subárea de la IA más transformada por el auge del aprendizaje profundo. Hasta hace
pocos años, los métodos de reconocimiento facial, basados en vectores y álgebra lineal,
eran la única base disponible para los algoritmos. Pero la confluencia de la computación a
gran escala con grandes conjuntos de datos y el perfeccionamiento de los algoritmos de
redes neuronales ha dado lugar a mejoras espectaculares en el rendimiento.

11
5.7 Procesamiento del lenguaje natural
A menudo asociado al reconocimiento automático del habla, el Procesamiento del
Lenguaje Natural es otra área muy activa de la percepción por máquinas. Se está
convirtiendo rápidamente en un producto básico para las lenguas corrientes con grandes
conjuntos de datos. Tenemos pruebas de ello en nuestros propios dispositivos móviles, a
los que continuamente recurrimos para tareas relacionadas con el lenguaje natural.

La investigación se orienta ahora hacia el desarrollo de sistemas refinados y capaces de

interactuar con las personas a través del diálogo, no sólo de reaccionar a peticiones
simples. En este sentido, ChatGPT se ha convertido en el abanderado de esta
transformación, proporcionando un entorno de interacción que casi logra que nos
olvidemos de que estamos hablando con una máquina.

Figura 7: Imagen que muestra a un joven que dice la palabra Hola en diferentes idiomas, con el planeta Tierra de
fondo.

5.8 Sistemas de colaboración

La investigación sobre sistemas colaborativos estudia modelos y algoritmos que ayuden a
desarrollar sistemas autónomos capaces de trabajar en colaboración con otros sistemas y
con los seres humanos. Esta investigación se basa en el desarrollo de modelos formales de
colaboración y estudia las capacidades necesarias para que los sistemas se conviertan en
socios eficaces. Cada vez hay más interés por las aplicaciones que aprovechan la
complementariedad entre humanos y máquinas, para que los humanos asistan a los
sistemas de IA para superar sus limitaciones, y para que los agentes aumenten las
capacidades y actividades humanas.

5.9 Crowdsourcing y computación humana

Dado que las capacidades humanas son superiores a los métodos automatizados para
realizar muchas tareas, la investigación sobre crowdsourcing y computación
humana estudia métodos para aumentar los sistemas informáticos utilizando la inteligencia
humana para resolver problemas que los ordenadores por sí solos no pueden resolver bien.
El ejemplo más conocido de crowdsourcing es Wikipedia, un repositorio de conocimientos
que mantienen y actualizan los internautas y que supera con creces en escala y
profundidad a las fuentes de información compiladas tradicionalmente. El crowdsourcing se
centra en idear formas innovadoras de aprovechar la inteligencia humana. El trabajo en este
campo ha facilitado avances en el desarrollo de aplicaciones de IA al permitir recopilar en
poco tiempo grandes cantidades de datos de entrenamiento.

12
5.10 Teoría algorítmica de juegos y elección social
Cada vez se presta más atención a las dimensiones económicas y de computación social
de la IA, incluidas las estructuras de incentivos. La IA distribuida y los sistemas
multiagente se estudian desde principios de los años 80, adquirieron importancia a finales
de los 90 y se aceleraron con Internet. Entre los temas a los que se presta atención se
encuentran el diseño computacional de mecanismos (una teoría económica del diseño de
incentivos, que busca sistemas compatibles con los incentivos en los que los datos de
entrada se comunican con veracidad), la elección social computacional una teoría sobre
cómo agregar órdenes de clasificación de alternativas, la obtención de información
alineada con los incentivos (mercados de predicción, reglas de puntuación, predicción entre
iguales) y la teoría algorítmica de juegos (los equilibrios de los mercados, los juegos en red
y los juegos de salón).

5.11 Internet de las Cosas (IoT)

Cada vez se investiga más la idea de que una amplia gama de dispositivos con capacidad
de conexión a Internet, que pueden recoger y compartir información de sus sensores. Estos
dispositivos pueden incluir electrodomésticos, vehículos, edificios, cámaras y otras cosas.
Mientras que conectar los dispositivos es una cuestión de tecnología y redes inalámbricas,
la IA puede procesar y utilizar las enormes cantidades de datos resultantes con fines
inteligentes y útiles.

5.12 Computación neuromórfica

Las computadoras tradicionales se ajustan habitualmente a la arquitectura von
Neumann de computación, que separa los módulos de entrada/salida, el procesamiento
de instrucciones y la memoria. Con el éxito de las redes neuronales profundas en una
amplia gama de tareas, los fabricantes buscan activamente modelos alternativos de
computación con el objetivo de mejorar la eficiencia del hardware y la robustez de los
sistemas informáticos. El concepto de computación neuromórfica se centra en replicar la
estructura de sistemas nerviosos biológicos para construir arquitecturas de computación
más eficientes para estos propósitos. Este campo es aun altamente experimental, y no se
han conseguido todavía resultados reseñables que hagan viables estas arquitecturas
alternativas a las tradicionales.

13
6. Introducción al Machine Learning
6.1 Tipos de estándares
El enfoque del Aprendizaje Automático, o Machine Learning, es que un sistema puede
aprender y evolucionar de varias formas. En general, se puede decir que una IA aprende a
base de descubrir patrones (de datos), errores y aciertos (ensayo y error).

A diferencia de la programación convencional, el aprendizaje automático (ML) empieza por

el final, de modo que no se codifica la solución, sino que la propia máquina aprende a partir
de un conjunto de reglas. Se podría decir que el aprendizaje automático es la estrategia que
permite el desarrollo de sistemas computacionales orientados a descubrir patrones en un
conjunto de datos de entrada.

Existen tres modalidades de aprendizaje automático: aprendizaje supervisado, aprendizaje

no supervisado y aprendizaje por refuerzo.

Aprendizaje supervisado
Entrenar un algoritmo para realizar clasificación y regresión con un conjunto de datos
etiquetados. En este caso, lo que sucede es que hay una indicación humana con respecto a
lo que debe hacer la IA con los datos.

Aprendizaje no supervisado
Se entrena el sistema para desarrollar un algoritmo que detecte clústeres (que son
agrupaciones de datos) y asociaciones entre los mismos, a partir de un conjunto de datos
sin etiquetar.

Figura 8: Un cerebro conectado a varios dispositivos, supervisado por una persona.

Aprendizaje por refuerzo

Entrenar a un agente para que realice determinadas acciones en un entorno sin un conjunto
de datos. Es un método de entrenamiento basado en recompensar los comportamientos
deseados y/o castigar los no deseados. En general, un agente de aprendizaje por refuerzo
es capaz de percibir e interpretar su entorno, emprender acciones y aprender por ensayo y
error.

14
7. NPL: Procesamiento de lenguaje
natural
Definición
El Procesamiento del Lenguaje Natural (Natural Language Processing o NLP, por sus siglas
en inglés) es una rama de la inteligencia artificial y la lingüística computacional que se
enfoca en la interacción entre los humanos y las máquinas a través del lenguaje humano
(lenguaje natural). El objetivo principal del NLP es crear procedimientos computacionales
eficientes para comprender, interpretar, manipular y generar lenguaje natural de manera
válida.

7.1 Áreas dentro del NLP

El NLP abarca diversas tareas y disciplinas, pero hay dos conceptos fundamentales en este
campo: generación de lenguaje natural (NLG) y la compresión de lenguaje natural (NLU).
Aunque están estrechamente relacionados, tienen enfoques diferentes y desempeñan
roles distintos en el procesamiento del lenguaje.

Generación de Lenguaje Natural

La generación de lenguaje natural (Natural Language Generation, NLG) se refiere a la
capacidad de una máquina para producir texto o discurso en lenguaje humano de manera
autónoma. En NLG, una computadora toma información o datos en una forma estructurada
y los transforma en un texto coherente y legible que puede ser entendido por los seres
humanos. Esta tarea implica una comprensión profunda del contenido y la intención
comunicativa, y requiere habilidades como la gramática, la coherencia y la cohesión textual.
Los sistemas de generación de lenguaje natural se utilizan en una amplia gama de
aplicaciones, como la redacción automática de informes, la creación de contenido, los
chatbots y los asistentes virtuales.

Figura 9: Chatbot representado por un robot junto a un smartphone, con una conversación de chat en su pantalla.

Comprensión de Lenguaje Natural

La comprensión del lenguaje natural (Natural Language Understanding, NLU) se centra en la
capacidad de una máquina para entender y extraer significado del lenguaje humano. En
NLU, el objetivo es que las computadoras sean capaces de interpretar y procesar el
lenguaje en su forma natural, comprendiendo las intenciones, los conceptos, la semántica y

15
la estructura del texto o el habla. Esta tarea implica reconocer y clasificar entidades, analizar
la gramática, identificar relaciones entre palabras y frases, y comprender el contexto. La
comprensión de lenguaje natural es esencial en aplicaciones como los motores de
búsqueda, los sistemas de respuesta automática, los sistemas de procesamiento de texto y
la asistencia en la traducción.

Comprensión del lenguaje hablado (SLU)

La responsabilidad principal de las técnicas SLU (Spoken Language Understanding) no es
solo comprender la función de frase, sino comprender el significado del mensaje hablado
en sí. Para extraer el significado del mismo, normalmente se trata de extraer un texto a partir
del habla, y después se debe convertir el texto no estructurado, ya sea el resultado del ASR
(Automatic Speech Recognition), o el texto escrito en un chatbot de solo texto, en objetos de
datos gramaticales estructurados, que serán procesados.

7.2 Tokenización
El primer paso en este proceso es dividir una oración en tokens que representan cada una
de sus partes componentes: palabras, signos de puntuación, números, etc. La tokenización
es difícil debido a la frecuencia de entradas ambiguas o mal formadas que incluyen:
términos con más de una palabra (por ejemplo, “Nueva York”), contracciones, abreviaturas y
otros. Estos tokens se pueden analizar utilizando una serie de técnicas para crear varias
estructuras de datos diferentes que procesará el administrador de diálogos.

Entre las técnicas tradicionales para llevar a cabo esta tokenización, destacan las siguientes:

Bag of Words.

Se ignoran la estructura de las frases, el orden y la sintaxis. Sólo se cuentan las ocurrencias
de cada palabra, que se emplean para crear un modelo de vector en el que se ignoran las
palabras auxiliares (como los artículos, por ejemplo) y las flexiones (verbales) en un proceso
denominado lematización. Este modelo encaja bien cuando se trata de realizar inferencias
basadas en modelos de reglas.

Expresiones regulares.

Las frases son tratadas como expresiones regulares de forma que se pueda aplicar
reconocimiento de patrones.

Latent Semantic Analysis (LSA).

Esta técnica es similar a la anterior, con la diferencia de que no considera las palabras como
unidades básicas para la comparación, sino los conceptos. Durante el procesamiento, los
grupos de palabras que aparecen juntos con frecuencia son agrupados en una única
entrada. Finalmente, se calcula la distancia entre el vector representando cada expresión y
el documento que mejor se ajuste.

Part of Speech Tagging (PoS).

Se etiqueta cada palabra en el texto de entrada con su categoría morfológica (es decir:
nombre, verbo, adjetivo, etc.). Este etiquetado permite almacenar información relevante a
título contextual y semántico. También es útil para determinar el tipo de respuesta que se
debe generar.

16
7.3 Speech to Text
La conversación es la forma más natural y potente de comunicación, y posiblemente en un
futuro se establezca como el medio estándar de interacción con las máquinas. La
conversión de voz a texto (Speech to Text) comienza con el proceso de reconocimiento
automático de voz (Automatic Speech Recognition, ASR), que tiene que ser capaz de hacerlo
con independencia del hablante y abarcando un amplio vocabulario (Large Vocabulary
Continuous Speech Recognition, LVCSR).

Figura 10: Una persona pronuncia la palabra en inglés Hello, y un smartphone la reconoce. Representado por un
robot junto a un smartphone, con una conversación de chat en su pantalla.

La calidad del LVCSR puede medirse a partir de la amplitud del vocabulario, la capacidad
de reconocer hablantes específicos para personalizar las respuestas, la habilidad para
procesar un flujo continuo de palabras incluso sin pausas entre ellas, la capacidad de
eliminar ruido y de procesar la voz a diferentes distancias del micrófono.

Cada vez que un hablante dice una palabra, el sonido resultante dependerá del ruido, la
distancia al micrófono, el estado de ánimo, etc. No hay una correspondencia directa entre
sonido y fonema, por lo que el reconocimiento de voz no es un proceso determinista sino
estocástico.

Una vez que la señal de voz entra por el micrófono, ésta es discretizada, y el sistema de
ASR debe extraer las características acústicas más destacadas, generando un vector de
características, que será decodificado para asignar las palabras más probables.

Para ello, en primer lugar, se necesita un modelo acústico que, dada una palabra (W), nos
dé la probabilidad de que escuchemos un sonido determinado (X), es decir, ᴩ(X/W). La
representación estadística de cada palabra generada a partir del análisis de un corpus de
sonidos se representa tradicionalmente como un Modelo de Markov Oculto (Hidden Markov
Model, HMM), donde cada palabra es independiente del resto de palabras. A continuación,
el reconocimiento de voz se tratará como un problema de clasificación, en el que se
aplicará el modelo de Bayes. Dado un sonido, la regla de Bayes proporcionará un ranking
de las palabras más probables. Se seleccionará la más probable, y el resto se almacenará
para reforzar los algoritmos de aprendizaje.

7.4 Comprensión del lenguaje natural

El objetivo de esta última etapa del procesamiento de lenguaje natural es recoger la salida
de texto no estructurado del ASR y producir una representación estructurada que contenga

17
la comprensión del lenguaje hablado (Spoken Language Understanding, SLU) o la
comprensión del lenguaje natural (Natural Language Understanding, NLU).

Una forma de extraer el significado del lenguaje natural es el reconocimiento de acto de

diálogo (Dialogue Act Recognition, DA), es decir, la función de la frase, si es una pregunta,
una sugerencia, etc. Para ello, se etiqueta un conjunto de datos de entrenamiento para
generar el modelo. La clasificación DA es crítica para aplicaciones como
los chatbots porque proporciona el contexto al bot, incluyendo los roles sociales de los
usuarios, las emociones y demás, y dirige la comunicación futura.

A menudo las acciones de diálogo son específicas del dominio, y entonces se denominan
intenciones.

El problema de los modelos desarrollados para DA es que llevan mucho coste de

desarrollo, porque deben construirse nuevos modelos cuando se trabaja con un nuevo
dominio. Además, no son muy robustos cuando se produce la entrada de muchos usuarios.
Para resolver estos problemas han surgido modelos estadísticos basados en datos: el
modelo de estado oculto del vector (Hidden Vector State, HVS) y el modelo de máquina de
vector de soporte (SVM).

En el modelo HVS, dada una frase, ésta se representa estructurada en nodos, donde cada
nodo es un estado. Para llegar a cada nodo se produce una secuencia de estados, y de esta
forma se tiene el árbol de análisis del modelo. El modelo de SVM se trata de aprendizaje
supervisado. Dado un conjunto de datos etiquetados, el algoritmo genera un hiperplano
óptimo que divide la muestra en sus etiquetas adecuadas.

Figura 11: Varias personas acompañadas de diferentes bocadillos de diálogos.

18
8. Chat bot s
Un chatbot es un sistema de diálogo online humano – computador basado en lenguaje
natural.

8.1 Las funciones básicas que se esperan de un chatbot

Agente dialogístico

Un chatbot debe entender al usuario, es decir, se espera que proporcione una capacidad de
comprensión. Los bots reciben como entrada texto en lenguaje natural que será procesado
por las herramientas correspondientes, y se espera que proporcione una respuesta acorde.

Agente personificado

Debe proporcionar cierta presencia (aunque esta característica se ha visto en algún

momento como opcional), ya que se ha demostrado que resulta esencial para los usuarios
ordinarios. Incluso los primeros bots (ELIZA, CHARLIE, ALICE…) tenían un nombre de persona
asociado. Actualmente, el esfuerzo en materia de experiencia de usuario se focaliza en
aplicar personas (en el sentido de UX) para transmitir mayor confianza a los usuarios y
dotarlos de personalidad.

Agente racional

Debe tener acceso a una base de conocimiento y sentido común (corpus específico), de
forma que pueda proporcionar un comportamiento competente y responder a las
preguntas de los usuarios. Para ello, podrá valerse de información específica.

8.2 Aplicación práctica

Juan puede utilizar un agente dialogístico, como un chatbot, en su sitio web o en
plataformas de mensajería, y su objetivo será entender las consultas de los usuarios y
proporcionar respuestas relevantes. Mediante el uso de herramientas de procesamiento de
lenguaje natural, el chatbot analizará el texto ingresado por los clientes y buscará entender
su intención y necesidades. Luego, proporcionará respuestas adecuadas y precisas, ya sea
brindando información sobre los recambios disponibles, recomendando productos o
resolviendo consultas sobre precios y disponibilidad.

19
Además, el chatbot puede funcionar las 24 horas del día, los 7 días de la semana, lo que
permitirá a los clientes obtener respuestas inmediatas incluso fuera del horario comercial.

Al implementar un agente dialogístico, Juan podrá proporcionar un servicio al cliente más

eficiente y personalizado, lo que contribuirá a fortalecer la imagen de su negocio y a
fomentar la fidelidad de los clientes.

Figura 12: La imagen muestra a Juan sonriente delante de un coche, con el pulgar levantado dando el OK.

Importante
Existen varias arquitecturas modelo para chatbot, posiblemente los más conocidos
sean ChatGPT, basado en el motor GPT, Apple Siri, Amazon Alexa e IBM Watson.
El generador de respuestas (RG) es posiblemente el componente más importante de la
arquitectura de un chatbot Recibe un texto estructurado y genera una respuesta para
entregar al usuario. Para tomar la decisión sobre qué responder al usuario, se hace uso de
tres componentes: una base de datos de conocimiento, un historial de diálogo y una fuente
de datos externa.

8.3 Formas de respuesta de un Chatbot

• Las formas en las que un robot puede emitir una respuesta son mediante los
modelos basados en reglas, los basados en la recuperación de información (IR), los
generativos de traducción automática estadística (SMT), los de secuencia a
secuencia (Seq2Seq) y los de aprendizaje de refuerzo con bots Seq2Seq.

• El modelo basado en reglas se basa en que el robot tiene una base de

conocimiento con documentos, donde cada documento tiene un patrón y una
plantilla. Cuando el robot recibe una entrada que coincide con el patrón, envía
como respuesta el mensaje almacenado en la plantilla.

20
9. Recomendadores automáticos
9.1 Sistemas de Recomendación Automática
Los sistemas de recomendación automática se han convertido en nuestros mejores
aliados para el descubrimiento de contenido relevante en un mundo de la información
abrumadora. Las diferentes técnicas de recomendación emplean enfoques diversos para la
generación de recomendaciones personalizadas. La hibridación de estas técnicas permite
superar las limitaciones inherentes a cada estrategia individual y proporcionar
recomendaciones más precisas y contextualmente relevantes.

Un recomendador automático es un sistema o procedimiento computacional diseñado para

seleccionar un subconjunto de elementos de un conjunto de entrada mayor conforme a
una serie de preferencias inferidas a partir de información de un conjunto de usuarios. Estos
sistemas engloban el conjunto de técnicas y algoritmos utilizados para proporcionar
recomendaciones personalizadas a los usuarios en contextos con un elevado volumen de
información del que hay que seleccionar ciertos ítems. Estos sistemas se basan en el
análisis y procesamiento de datos, incluyendo información sobre preferencias y
comportamiento de los usuarios, así como características del contenido disponible. El
objetivo principal de los sistemas de recomendación automática es ayudar a los usuarios a
descubrir y acceder a contenido relevante y personalizado, superando la sobrecarga de
información y proporcionando sugerencias adaptadas a las necesidades y preferencias
individuales de cada usuario.

Figura 13: Una persona introduce ceros y unos por un conducto que convierte este código en datos que se
muestran en la pantalla de un ordenador.

Los sistemas de recomendación automática se fundamentan en diversas técnicas, entre las

que se incluyen el filtrado colaborativo, el filtrado basado en contenido, el filtrado
demográfico y el filtrado basado en conocimiento. Estas técnicas se aplican para analizar
los datos recopilados, modelar las preferencias de los usuarios y generar recomendaciones
basadas en similitudes y relaciones identificadas. Además, los sistemas de recomendación
pueden emplear enfoques híbridos que combinan múltiples técnicas con el fin de mejorar
la precisión y relevancia de las recomendaciones, compensando las limitaciones inherentes
a cada enfoque individual.

Con el continuo avance tecnológico y el crecimiento de la cantidad de datos disponibles, la

investigación y el desarrollo de sistemas de recomendación híbridos seguirán siendo un

21
área de interés clave para brindar experiencias de recomendación aún más efectivas y
personalizadas a los usuarios.

9.2 Aplicación práctica

Ahora Juan puede implementar un sistema de recomendación automática en su negocio
para ayudar a sus clientes a encontrar los recambios de automóvil más relevantes y
adecuados a sus necesidades. El sistema de recomendación automática analizará los datos
de preferencias y comportamiento de los usuarios, así como las características de los
recambios disponibles en su inventario. Con esta información, el sistema generará
recomendaciones personalizadas, sugiriendo a cada cliente los recambios que mejor se
ajusten a sus intereses y necesidades específicas.

Juan puede explorar diferentes opciones de software de recomendación automática

disponibles en el mercado, algunos de los cuales se pueden adaptar a las necesidades
específicas de su negocio. También es importante recopilar datos sobre las preferencias y
el comportamiento de los clientes para mejorar continuamente la precisión y efectividad
del sistema de recomendación.

Al implementar un sistema de recomendación automática, Juan podrá brindar una

experiencia de compra más personalizada, mejorar la satisfacción del cliente y aumentar las
ventas en su negocio de recambios de automóvil.

Figura 14: La imagen muestra a Juan firmando un documento.

9.3 Técnicas de Recomendación Automática

Filtrado Colaborativo

Figura 15: Varias personas se muestran interconectadas.

Esta técnica se basa en la idea de que las preferencias de un usuario se pueden predecir a
partir del comportamiento de usuarios similares. Utiliza datos históricos de usuarios para

22
identificar patrones de preferencia y hacer recomendaciones en función de la similitud
entre usuarios.

Filtrado Basado en Contenido

Figura 16: Varios pulgares hacia arriban aprueban la idea de una persona, representada por una bombilla
encendida.

Esta técnica analiza las características y propiedades del contenido (como películas,
productos o artículos) para encontrar similitudes entre ellos y recomendar elementos que
sean similares a los que un usuario ha mostrado interés previo.

Filtrado Demográfico

Figura 17: Dos personas unidas por la parte en la que son muy parecidas.

Esta técnica utiliza información demográfica y características socioeconómicas de los

usuarios para hacer recomendaciones. Se basa en la idea de que personas con
características similares pueden tener preferencias similares.

Filtrado Basado en Conocimiento

Figura 18: Dos cabezas unidas por un engranaje hacia una bombilla encendida.

Esta técnica utiliza conocimiento experto o reglas específicas del dominio para hacer
recomendaciones. Se emplea cuando hay restricciones o limitaciones específicas en la
generación de recomendaciones, como en el ámbito de la salud o la educación.

23
Modelado de Asociación
Esta técnica identifica asociaciones o relaciones entre elementos y utiliza esos patrones
para hacer recomendaciones. Por ejemplo, si un usuario compra un producto A y otro
producto B ha sido comprado por la mayoría de los usuarios que también compraron A,
entonces se recomendará el producto B al usuario.

9.4 Hibridación de Técnicas de Recomendación

La hibridación de diferentes técnicas de recomendación permite compensar las carencias
inherentes a cada estrategia individual. Al combinar técnicas, se aprovechan las fortalezas
de cada enfoque y se superan sus limitaciones. Por ejemplo:

1. La hibridación del filtrado colaborativo y el filtrado basado en contenido permite

mitigar el problema de arranque en frío, donde no se tienen suficientes datos de un
usuario nuevo. El filtrado basado en contenido proporciona recomendaciones
iniciales basadas en características de contenido, mientras que el filtrado
colaborativo se emplea a medida que se recopilan más datos de preferencia del
usuario.
2. La hibridación del filtrado colaborativo y el filtrado demográfico permite
proporcionar recomendaciones más precisas al considerar tanto las preferencias
individuales del usuario como las similitudes demográficas con otros usuarios.
3. La hibridación de técnicas de recomendación ofrece la flexibilidad y la capacidad
de adaptarse a diferentes situaciones y contextos, mejorando así la calidad y la
relevancia de las recomendaciones proporcionadas a los usuarios.

9.5 Ejemplos de aplicación de recomendaciones

El uso de recomendadores está muy extendido, especialmente en todas aquellas
plataformas orientadas a la elección de productos, servicios o contenidos por parte de los
usuarios. Por tanto, no resultarán sorprendentes los ejemplos que se listan a continuación:

NETFLIX

Figura 19: Joven está sentada junto a su televisor para ver una película en VHS..

Netflix utiliza una combinación de filtrado colaborativo y filtrado basado en contenido.

Recomienda películas y programas de televisión en función de las calificaciones y
preferencias de visualización anteriores del usuario, así como de características de
contenido como género, actores y directores.

24
AMAZON

Figura 20: Familia comprando a través de un móvil, cuya pantalla está adornada con un toldo.

Amazon utiliza técnicas de recomendación basadas en contenido y filtrado colaborativo.

Proporciona recomendaciones de productos basadas en las compras y búsquedas
anteriores del usuario, así como en productos similares comprados por otros usuarios.

SPOTIFY

Figura 21: Jóvenes escuchando música a través del móvil.

Spotify emplea técnicas de filtrado colaborativo y modelado de asociación. Recomienda

canciones y listas de reproducción en función de las preferencias musicales del usuario, así
como de las canciones y listas de reproducción populares entre los usuarios con gustos
similares.

25
10. En resumen…
1. Inteligencia Artificial (IA) es una disciplina en constante evolución que busca emular
los procesos cognitivos humanos.
Aunque ha experimentado avances significativos en diversos ámbitos de la industria,
todavía está lejos de poseer una inteligencia general similar a la humana. Sin embargo,
su poder radica en la capacidad de analizar rápidamente conjuntos de datos masivos y
realizar tareas como el reconocimiento facial, de voz e imágenes, análisis de datos,
predicción y aprendizaje automático, entre otros. Aunque existen limitaciones, la IA tiene
el potencial de generar grandes cambios en la sociedad, la economía y la tecnología.
2. Inteligencia Artificial (IA) abarca una amplia gama de aplicaciones y subáreas de
investigación, y está presente en prácticamente todos los sectores de la industria y
la vida cotidiana.
Algunos de los trending topics en IA incluyen el aprendizaje automático a gran escala, el
aprendizaje profundo, el aprendizaje por refuerzo, la robótica, la visión artificial, el
procesamiento del lenguaje natural, los sistemas de colaboración, el crowdsourcing y la
computación humana, la teoría algorítmica de juegos y elección social, el Internet de las
Cosas (IoT) y la computación neuromórfica. El aprendizaje automático se puede dividir
en tres modalidades: aprendizaje supervisado, aprendizaje no supervisado y aprendizaje
por refuerzo. Cada modalidad tiene su enfoque y objetivo específico para entrenar a los
sistemas de IA.
3. Los chatbots son sistemas de diálogo online basados en lenguaje natural que tienen
la capacidad de comprender al usuario, acceder a una base de conocimiento y
proporcionar respuestas competentes.
Los sistemas de recomendación automática son sistemas computacionales diseñados
para seleccionar elementos de un conjunto de entrada mayor, utilizando técnicas como
el filtrado colaborativo, basado en contenido, demográfico, basado en conocimiento y
modelado de asociación. La hibridación de estas técnicas permite superar las
limitaciones individuales y proporcionar recomendaciones más precisas y
personalizadas a los usuarios.

26