Documentos de Académico
Documentos de Profesional
Documentos de Cultura
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
2.1 Introducción........................................................................................................................................................... 5
2.2 Objetivos de la unidad ................................................................................................................................ 5
2.3 Contenidos de la unidad ........................................................................................................................... 6
8. Chatbots ........................................................................................................................................................................19
2
8.3 Formas de respuesta de un Chatbot ................................................................................................20
9. Recomendadores automáticos........................................................................................................................ 21
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…
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.
Juan aprenderá, entre otras, sobre los chatbots, herramientas virtuales capaces de atender
las consultas y necesidades de sus clientes de manera rápida y precisa.
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.
5
2.3 Contenidos de la unidad
• Introducción a la Inteligencia Artificial.
o Aprendizaje profundo.
• Chatbots.
• Recomendadores automáticos.
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
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.
3.2 Origen de la IA
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.
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:
• Análisis de datos.
• Predicción.
• 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.
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.
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.
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.
Figura 7: Imagen que muestra a un joven que dice la palabra Hola en diferentes idiomas, con el planeta Tierra de
fondo.
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).
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).
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.
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.
Figura 9: Chatbot representado por un robot junto a un smartphone, con una conversación de chat en su pantalla.
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.
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.
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.
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.
17
la comprensión del lenguaje hablado (Spoken Language Understanding, SLU) o la
comprensión del lenguaje natural (Natural Language Understanding, NLU).
A menudo las acciones de diálogo son específicas del dominio, y entonces se denominan
intenciones.
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.
18
8. Chat bot s
Un chatbot es un sistema de diálogo online humano – computador basado en lenguaje
natural.
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
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.
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.
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.
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.
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.
21
área de interés clave para brindar experiencias de recomendación aún más efectivas y
personalizadas a los usuarios.
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.
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.
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.
NETFLIX
Figura 19: Joven está sentada junto a su televisor para ver una película en VHS..
24
AMAZON
Figura 20: Familia comprando a través de un móvil, cuya pantalla está adornada con un toldo.
SPOTIFY
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