MiniBook Avanzando en La IA

Avanzando en la Inteligencia Artificial
Avanzando en la
Inteligencia Artificial
Curso 100% Online modalidad Asincrónico

Contenido grabado acceso al aula virtual durante 4 semanas
4 Módulos - 15 horas
18/03/24
Foros y horas de oficina para consultas y soporte
12/04/24
Descripción
Programa de educación laboral diseñado para
mujeres venezolanas migrantes en Chile; orientado a
desarrollar habilidades en el uso responsable y
efectivo de herramientas y aplicaciones de IA
generativa, en el lugar de trabajo.
Las participantes aprenderán sobre la importancia de
la IA generativa, su contribución a las mejoras en la
productividad y la creatividad en las actividades
laborales, conocerán los software gratuitos
disponibles, mejorarán las habilidades para
estructurar los datos de entrada e interactuarán
efectivamente con los modelos de IA
Objetivos Contenido
Identificar y describir los conceptos y
aplicaciones fundamentales de los
productos de la IA generativa. Fundamentos de la Módulo
Comprender cuándo y por qué es 1
apropiado utilizar productos de IA Módulo 2
Evaluación
generativa basados en LLM, en el lugar de
trabajo. Mejores Prácticas en el
uso de la IA Generativa
Demostrar habilidad para utilizar
eficazmente productos de IA generativa Evaluación Uso responsable de
para mejorar la productividad en el lugar
Módulo 3 la IA Generativa
de trabajo.
Analizar las limitaciones y riesgos de los Evaluación
productos de IA generativa y cómo Módulo

La IA generativa y el
evitarlos. lugar de trabajo 4
Integrar el conocimiento de los productos
de IA generativa basados en LLM, en la
Evaluación
comunicación con otros profesionales.
Evaluar la efectividad y aplicabilidad de los
Cierre
productos de IA generativa basados en
Avanzando en la IA
LLM en diferentes contextos laborales.
Recursos Perfil participantes

Computador Ser extranjera con carnet de identidad
Conexión a internet estable
Mujeres activas en el uso de la
Contenido tecnología
Graduadas de formaciones online
Vídeos
Lecturas por lecciones Habilidades en autoaprendizaje,
requerido para el cumplimiento exitoso
Material de apoyo: Infografías y del programa.
presentaciones
Mujeres motivadas, con prioridad en el
Foros para consultas y publicaciones
aprendizaje continuo y disponibilidad de
Horario de consultas síncronicas con horas semanales para capacitación.
relatores
Referencias Instructores
Beneficios Profesor: Carlos Rafael Soto

Correo:csoto@dataelevates.com
Potenciar el uso de herramientas Tutor Técnico: Delmira Ravago
de la IA generativa. Correo:dravago@dataelevates.com
Aumentar la creatividad, eficiencia e
innovación en el ambito laboral. Preparado para aprender
Gestión eficiente de los datos sobre las aplicaciones
de la IA generativa
Soporte en la toma de decisiones
basadas en datos
Elaborado por Data Elevates, en alianza con CDI Chile
Financiado por Data.org y respaldado por Microsoft
Módulo 1
Introducción a la Inteligencia Artificial
Bienvenida Módulo 1
Objetivos de aprendizaje
Comprender los conceptos

1 claves relacionados con la IA
Comprender los ciclos de

2 desarrollo de la IA a nivel macro.
Conocer las aplicaciones populares

3 de la IA, y particularmente de la IA
generativa, en el mundo moderno.
Hoja de ruta
1.1 Introducción a la
Inteligencia
Artificial
1.2 Historia y Evolución de la

Clasificación
1.3 de los
Algoritmos
de
Inteligencia
Artificial
1.4 Pre y Procesamiento

de Datos
1.5 Tendencias Actuales

en la Inteligencia
Artificial
Resumen
Inteligencia Artificial Débil
Inteligencia Artificial Fuerte
Aprendizaje Automático (Machine

Learning
Aprendizaje Profundo (Deep Learning)
Redes Neuronales
Pre Procesamiento de datos
Procesamiento de Lenguaje
Natural (NLP)
Visión por Computadora
Sistemas expertos
Reconocimiento de patrones
Procesamiento de datos
Habilidades a desarrollar
1 Definir los términos claves de IA
2 Comprender los algoritmos de IA
Conocer los modelo de inteligencia

3 Artificial, sus avances e impacto en
nuestras vidas.
¿Preparado para iniciar con la

introducción a la inteligencia
artificial?
Bienvenida!
Módulo 1
INTELIGENCIA
Capacidad de entender, asimilar, elaborar

información y utilizarla para resolver
problemas.
Facultad de aprender, de entender, de
razonar.
Conocimiento, comprensión, acto de
entender.
Fuente: RAE
INTELIGENCIA ARTIFICIAL - IA
Disciplina y conjunto de capacidades

cognoscitivas e intelectuales expresadas por
sistemas informáticos o combinaciones de
algoritmos, cuyo propósito es la creación de
máquinas que imiten la inteligencia humana
para realizar tareas, y que pueden mejorar
conforme recopilen información.
Fuentehttps://es.wikipedia.org/wiki/Inteligencia_artificial:
TIPOS DE INTELIGENCIA ARTIFICIAL
IA DÉBIL O ESTRECHA
Se refiere a sistemas de IA que están diseñados para
tareas específicas y limitadas.
Se basa en la interferencia humana para definir los

parámetros de sus algoritmos de aprendizaje y
proporcionar los datos de entrenamiento relevantes
para garantizar la precisión.
Impulsa la mayor parte de la IA de hoy.
Ejemplos: asistentes virtuales, chatbots y sistemas de

recomendación en línea, reconocimiento facial en
imágenes o vídeos, entre otros
IA FUERTE O GENERAL
Se refiere a sistemas de IA que poseen una

comprensión profunda y generalizada del mundo,
similar a la inteligencia humana
Estos sistemas tienen la capacidad de razonar,

aprender y adaptarse a una amplia variedad de tareas
sin necesidad de programación específica.
la IA fuerte aún no se ha logrado y es un objetivo a

largo plazo en el campo de la IA.
SÚPER IA
Se refiere a un intelecto que es mucho más

inteligente que el mejor cerebro humano, en
practicamente cualquier campo.
Expertos en IA y biotecnología no esperan que estas

tecnologías sean capaces de producir un alto nivel
de inteligencia en un futuro cercano
Módulo 1
IA APLICADA EN NUESTRO DÍA A DÍA
ASISTENTE PERSONAL MÓVIL

DISPOSITIVOS DOMÉSTICOS
HOGAR INTELIGENTE El uso asistentes virtuales te ofrece respuestas a
situaciones concretas, brinda recomendaciones y
Estos dispositivos pueden realizar el control y permite realizar acciones según los hábitos e
monitoreo de la iluminación, temperatura, uso intereses personales.
del TV, apertura/cierre de cortinas, riego, Ayuda a organizar agendas/recordatorios, gestionar
citas, hacer llamadas telefónicas, búsquedas en
sistemas de seguridad en el hogar: activación de
internet, proporcionar información sobre clima,
alarmas y/o envío de mensajes, uso de robot
eventos, noticias, realiza traducciones en tiempo
para limpieza en el hogar, entre otros
real,
Ejemplos; Alexa (Amazon), Siri (Apple), Google
Assistant (Google) y Bixby (Samsung), entre otros.
IA EN CORREOS
ELECTRÓNICOS
Las respuestas automáticas a correos

IA EN LA SEGURIDAD
electrónicos mediante IA, son una práctica
común, ahorrar tiempo y mejorar la eficiencia Los wearables tienen la capacidad de enviar
en la gestión de correo mensajes en caso de emergencia. A menudo
La detección de correos spam o dañinos es cuentan con funciones de seguridad y salud, que
muy util por razones de seguridad. permiten a los usuarios enviar alertas o mensajes a
contactos predefinidos en situaciones críticas
Ejemplos: relojes, alfileres, pulseras y gafas
inteligentes, entre otros.
Algunos relojes IA están equipados con sensores,
que pueden detectar caídas o cambios bruscos en
la actividad, lo que activa automáticamente la
IA EN SISTEMAS DE función de envío de mensajes de emergencia.
RECOMENDACIÓN
Estos sistemas están presentes en muchas

áreas, utilizan algoritmos de IA, para conocer
los hábitos y preferencias y luego hacen las
recomendaciones. IA EN LA SEGURIDAD
Ejemplos: Servicios de Streaming: FINANCIERA
Plataformas como Netflix, Spotify y YouTube;
Sitios web de comercio electrónico como
Sistemas comúnmente utilizados en diversas
Amazon, los utilizan para sugerir productos
industrias, como los servicios financieros, comercio
basados en tu historial de compras y
electrónico y telecomunicaciones, para prevenir y
navegación; Plataformas cómo Facebook e
detectar fraudes.
Instagram, los utilizan para sugerir
La IA puede identificar anomalías o patrones
publicaciones, páginas y personas que
inusuales que podrían indicar la presencia de
podrían interesarte.
actividades fraudulentas, mediante el uso del
aprendizaje supervisado y no supervisado. Es
frecuente recibir mensajes y/o correos solicitando la
confirmación de una actividad bancaria por
seguridad.
IA EN LA SALUD
La IA se utiliza en la salud en una variedad de

formas, desde la prevención de enfermedades
IA EN AUTOMOVILES
hasta la gestión de sistemas de salud para AUTÓNOMOS
mejorar la eficiencia en todos los procesos de
atención médica a traves del análisis de Los coches autónomos utilizan la IA para navegar y
grandes cantidades de Datos y detección de tomar decisiones de conducción. Estos vehículos
patrones. utilizan tecnologías avanzadas como sensores,
Ejemplos: Detección temprana de cámaras, radares y sistemas de inteligencia
enfermedades, asistencia en el diagnóstico artificial para detectar su entorno y tomar
enfermedades, mejoras de la atención al decisiones de conducción.
paciente ( los chatbots a preguntas comunes) y La implementación de coches autónomos plantea
en la gestión de sistemas de salud: desafíos regulatorios y éticos, y su adopción
completa aún está en proceso.
Algunos ejemplos: Waymo(Google), Tesla Autopilot,
Aurora driver, Uber ATG, Aptiv entre otros.
Módulo 1
Historia y Evolución de la IA
Alan Turing
publica
“Computing Machinery
and Intelligence”
John McCarthy, Marvin
Minsky y Claude Shannon
Tras descifrar la máquina
enigma durante la Segunda 1950 idean la expresión
inteligencia artificial
Guerra Mundial y sentar las
bases de la informática Fue ideada la expresión «inteligencia
actual, Turing plantea si las
máquinas pueden pensar y
presenta el Test de Turing
1956 artificial» por John McCarthy, Marvin
Minsky y Claude Shannon en la
Conferencia de Dartmouth
1961
Marvin Minsky publica
“ Pasos hacia la inteligencia
Artificial”
El cientifico reconoce los primeros

1964 Joseph Weizenbaum
escribe Eliza
Joseph Weizenbaum escribe
1964 pasos del campo de la Inteligencia
Artificial, en un trabajo Académico.
Sirve de Inspiración a otros
Eliza, un chatbot que investigadores e impulsa nuevas
mantiene conversaciones iniciativas. Describe 5 habilidades
con humanos. esenciales de la IA: búsqueda,
reconocimiento de patrones,
aprendizaje,planificaión e inducción
Un ordenador vence
albackgammon
1979
El profesor de la Japón inicia
Universidad Carnegie Proyecto Quinta Generación
Mellon (EEUU), Hans
Berliner crea el programa
informático BKG.9.8 , que
1981 Japón comienza el proyecto
“Quinta Generación” - buscan crear
vence al entonces máquinas capaces de aprender y
campeón mundial, Luigi traducir automáticamente de un
Villa. La victoria impulsa idioma a otro, sin éxito.
nuevos proyectos para
juegos más complejos
1997
Deep Blue vs Garri Kaspárov
Desarrollado por IBM, este

ordenador ganó al entonces
campeón mundial de Ajedrez Garri
Kaspárov. La primera partida en
1996, la perdió la máquina. Pero
una versión mejorada vence al
ajedrecista ruso en 1997.
Un ordenador al volante
Un coche autónomo
2005
desarrollado por la
Universidad de
Stanford (EEUU) gana
La IA Watson de IBM ganar el
una competición de
vehivulos robot tras
conducir 212 kmde
2011 juego de preguntas Jeopardy.
La inteligencia artificial Watson de
desierto sin apoyo IBM consigue ganar el juego de
humano preguntas y respuestas “Jeopardy”
a los campeones humanos
2014 Un ordenador supera

con éxito
el Test de Turing
El programa llamado Eugene, fue
desarrollado en Rusia y se hizo
pasar por un niño de 13 años
Microsoft lanza Tay

2016 AlphaGo de Google gana al Go
La conocida Multinacional La inteligencia artificial AlphaGo

lanza en internet un de Google gana el juego oriental
chatbot capaz de aprender “Go” al campeón del mundo, Lee
a partir de la interacción Sedol
con las personas. Tras
apenas un día de
funcionamiento, el
software se vuelve racista,
xenófobo y homófobo
¿ 2045 ? La inteligencia Artificial

supera a la humana
Según el inge. y futurista, Ray
Brinttia, by Bravent
Kurzwell, se alcanza la llamada

singularidad tecnológica y los
ordenadores son capaces de razonar
mejor que un humano. Muchos
expertos en cambio, no son tan
optimistas con la llegada de una
inteligencia Artificialcapaz de “pensar”
por si misma.
Módulo 1
Historia y Evolución de la IA
Fundamentos 1101
1100
Teóricos
1950 -1960 1950
Test de Turing - Juego de la
Imitación
Sistemas y
Término de Inteligencia Artificial Reglas
1960 - 1970
1960 Diseño y Desarrollo de Sistemas

expertos - Modelo MYCIN
Programa Eliza, ChatBot-
Procesamiento de lenguaje
Natural- PLN
1970
Invierno de la
Inteligencia
Artificial
1970 – 1980
Avances Limitados y Reducción

1980
de Financiamientos
Redes
Neuronales y
Aprendizaje
Automático
1990 1980 – 1990
Desarrollo de Redes Neuronales

Profundas.
Modelo - Deep Learningel
MUscle and Nerve Inference
“Boom” de la Network (MUNIN)
Inteligencia
Artificial
1990-2010
2010
Desarrollo de aplicaciones prácticas de IA,
en:
Algoritmo y motor de búsqueda por L. Page
y S. Brin - Google- 1996
DeepBlue v.s. Kasparov (1997) Algoritmo de
IBM
Procesamiento del Lenguaje Natural
Apps para smartphones
Asistentes Virtuales
Avance en Robótica
Big Data y el
Aprendizaje
Profundo
2010 – Act..
Sistemas y programas con un
lenguaje natural y efectivo
2019 - GPT-2 - Open AI
2020 - GPT-3 - Open AI
2024 2021- Etica de la IA

2022- Deep Mind lanzó AlphaFold
- Programa ordenador que puede
predecir la estructura de las
proteinas
2021- Dall-E - Open AI
2022-2023: Robot quirúrgico
autonómo Da VinciX, recibe
aprobación de la FCA.
2023: GPT-4 - Open AI (Marzo)
https://www.linkedin.com/pulse/desde-sus-inicios-la-evoluci%C3%B3n-de-inteligencia-artificial/?originalSubdomain=es1970 – 1980
Módulo 1
Clasificación de Algoritmos de Inteligencia Artificial
¿Qué son algoritmos de Inteligencia Artificial?
Son un conjunto de reglas y procesos que permiten a una

computadora realizar y ejecutar acciones basadas en la inteligencia y
en la información adquirida.
Están diseñados para solucionar problemas complejos que exceden el
nivel de complejidad de los programas informáticos tradicionales.
Se basan en principios y en modelos apropiados para diferentes
problemas.
¿Cómo se clasifican los algoritmos de Inteligencia Artificial
Aprendizaje
Profundo
Planificación
Aprendizaje
Automático Robótica
Generación
de Texto
Respuesta a Visión
Preguntas Arificial
Inteligencia Visión por

Artificial Computadora
Procesamiento del
Extracción de Lenguaje Natural Reconocimiento
Texto de Imagenes
Clasificación
Reconocimiento
Traducción de Voz
Automática
Texto a Voz
Sistema Experto
Voz a Texto
¿Cómo se usan los algoritmos en Inteligencia Artificial?
Cada algoritmo de inteligencia artificial tiene su propia metodología y técnicas específicas

para abordar los datos y resolver los problemas.
Recopilación de datos
El algoritmo debe contar con un
conjunto de datos relevantes y
representativos para poder Pre Procesamiento de datos
aprender Los datos pueden presentar ruido,
errores o información irrelevante,
por lo que éstos se limpian, ajustan
Selección del Modelo
y normalizan para mejorar su
El algoritmo debe elegir uno o calidad.
varios modelos de aprendizaje
automático que se ajusten al tipo
de problema que se está Entrenamiento del Modelo
intentando resolver. El algoritmo utiliza los datos de
entrenamiento para ajustar y
mejorar el rendimiento del modelo
Validación del Modelo de aprendizaje automático
El modelo evaluado con nuevos

datos para medir su precisión y Implementación del Modelo
eficacia. Una vez que el modelo ha sido
validado, se puede utilizar para
Mejora Continua resolver el problema para el cual fue
creado.
El algoritmo busca mejorar su
desempeño a través de la
retroalimentación que le
proporcionan los resultados de su
uso
Aprendizaje Automático Machine Learning - ML
¿Qué es el Aprendizaje Automático?
El aprendizaje automático (AA), aprendizaje automatizado, aprendizaje de máquinas o aprendizaje

computacional, es el subcampo de las ciencias de la computación y una rama de la inteligencia
artificial, cuyo objetivo es desarrollar técnicas que permitan que las computadoras aprendan.
¿Cómo funciona el Aprendizaje Automático?
Datos de
Lanzar En el aprendizaje de máquinas un
Entrenamiento
computador observa datos, construye un
modelo basado en esos datos y utiliza
ese modelo a la vez como una hipótesis
Estudiar el Algoritmo de Modelo ML acerca del mundo y una pieza de
Aprendizaje Clasificación Evaluar
Problema Ejemplo
Automático Regresión software que puede resolver
Entrenar el problemas".Se dice que un agente
modelo
aprende. cuando su desempeño mejora
con la experiencia y mediante el uso de
datos, de forma autónoma.
Analizar Errores
¿Cuáles son los tipos de Aprendizaje Automático?
Aprendizaje Aprendizaje Aprendizaje

Supervisado No Supervisado por Refuerzo
Recompensa
Entrada Salida Entrada Salida

Entrada Salida
Entrenar
Datos etiquetados Sin Etiquetas Procesos de Decisión

Feedback directo - Sin Feedback - Retroalimentación Sistemas de Recompensas
Retroalimentación directa Encontrar estructuras ocultas Aprender series de
Predicción de resultados / futuro en los Datos Acciones
Algoritmos: Regresión lineal y Incluye clustering o
Logística, árboles de decisión, agrupamientos, K-means y
bosques aleatorios, máquinas reglas de asociación
de vectores soportes.
Aplicaciones del Aprendizaje Automático
Lucha
contra el Reconocimiento
Spam en de Imágenes
la web
Detección Reconocimiento
de Fraude de voz
online
Soporte Arendizaje
en linea a Automático
clientes en
Educación
Servicios Asistentes
en Medios personales
Sociales virtuales
Ventajas Desventajas
Facilidad para identificar tendencias Adquisición de datos

y patrones
No necesita intervención humana Tiempo y recursos
Mejoramiento continuo Interpretación de los resiultados
Manejo de Data Multidimencional y Alta susceptibilidad a errores

Multivariable
Amplia aplicación
Aprendizaje Profundo - Deep Learning - DL
¿Qué es el Aprendizaje Profundo?
IA Aprendizaje Automático ML
ML Aprendizaje Suppervisado
Aprendizaje
No Suppervisado
Aprendizaje Reforzado
Deep Aprendizaje Profundo

Learning
El Aprendizaje Profundo - Deep Learning, es un subconjunto del aprendizaje

automático - machine learning
1.
Básicamente es una red neuronal con tres o más capas. Estas redes neuronales
intentan emular el comportamiento del cerebro humano —aunque lejos de igualar su
capacidad— pero le permiten "aprender" a partir de grandes cantidades de datos.
¿Cómo funciona el Aprendizaje Profundo?
Neurona Las redes neuronales operan a través de una

combinación de entradas de datos, ponderaciones y
sesgos. Estos elementos trabajan conjuntamente para
reconocer, clasificar y describir con precisión los objetos
dentro de los datos.
Las redes están formadas por capas de nodos, que
contienen una capa de entrada, una o varias capas ocultas
Salida
y una capa de salida. Cada nodo, o neurona artificial, se
Predicción conecta a otro y tiene un peso y un umbral asociados.
Entrada
Capas Ocultas
Si la salida de un nodo individual está por encima del
Lotes de capas ocultas - Aprendizaje Profundo valor de umbral especificado, dicho nodo se activa y
envía datos a la siguiente capa de la red. De lo contrario,
no se pasan datos a la siguiente capa de la red.
¿Cuáles son los algoritmos usados en el Aprendizaje

Profundo?
Q-learning Algoritmos Genéticos Redes Neuronales
Utilizado en problemas de toma de Inspirados en la evolución biológica, Usa redes neuronales artificiales lo
decisiones secuenciales, permite a se utilizan para encontrar soluciones que permite procesar patrones
un agente aprender a tomar eficientes en problemas de más complejos que el Aprendizaje
acciones para maximizar una optimización y aprendizaje por Automático convencional.
recompensa a lo largo del tiempo. prueba y error.
Aplicaciones del Aprendizaje Profundo
Reconocimiento Visión por

de voz computadora
Los sistemas de reconocimiento automático del El aprendizaje profundo ha sido clave para lograr
habla basados en aprendizaje profundo han avances en el reconocimiento y clasificación de
alcanzado niveles de precisión comparables a los objetos en imágenes y videos. Desde la detección
humanos. Esto ha permitido aplicaciones como de rostros hasta la segmentación de imágenes y la
asistentes virtuales, traducción automática de voz conducción autónoma, las redes neuronales
y transcripciones precisas ( configuración de profundas han demostrado su capacidad para
traductores inteligentes) . comprender y extraer información visual de manera
efectiva
Procesamiento del
Lenguaje Natural Modelado
del Audio
El aprendizaje profundo se ha utilizado para
mejorar la comprensión del lenguaje natural, lo que El aprendizaje profundo se ha utilizado para crear
ha llevado a mejoras en la traducción automática, modelos de audio que pueden separar y reconocer
la generación de texto y la respuesta a preguntas, diferentes fuentes de sonido en una grabación
Se ha usado en el desarrollo de lenguaje natural
para asistentes virtuales Reconocimiento
Facial
Tratamiento Avanzado
de Imágenes El aprendizaje profundo se ha utilizado para el
reconocimiento facial, lo que ha llevado a mejoras
El aprendizaje profundo se ha utilizado para en la seguridad y la identificación de personas
mejorar la calidad de las imágenes, reducir el ruido
y mejorar la resolución Conducción
Autónoma
Generación de
contenido
Los vehículos autónomos utilizan algoritmos de
El aprendizaje profundo se utiliza para generar aprendizaje profundo para reconocer y responder a
contenido como imágenes, música y texto de diferentes situaciones en la carretera, como
manera automatizada, como en la creación de arte detección de peatones, señales de tráfico y
generativo o la redacción automática de noticias. obstáculos.
Redes Neuronales
¿Qué son las redes neuronales?
Las Redes Neuronales, Redes Neuronales Artificiales (ANN) o Redes Neuronales

Simuladas (SNN), son un subconjunto del aprendizaje automático y constituyen el eje
de los algoritmos de aprendizaje profundo - Deep Learning.
Una red neuronal es un modelo computacional que emula el modo en que el cerebro
humano procesa la información y aprende. Un número elevado de unidades de
procesamiento interconectadas, que parecen versiones abstractas de neuronas,
funcionan en simultáneo.
Cada neurona está conectada con otras a través de enlaces. En los enlaces el valor
de salida de la neurona anterior es multiplicado por un valor de peso. los sistemas
aprenden y se forman a sí mismos, en lugar de ser programados.
Red neuronal simple Red neuronal de Aprendizaje profundo
Capa de entrada Capa oculta Capa de salida
Elementos de las redes Neuronales
Conjuntos de entrada
Pesos sinápticos
Función de activación o transferencia
Sesgo o error
Clasificación de las redes neuronales

según su arquitectura y aplicación
Redes Neuronales Feed Forward

Son redes con múltiples capas que transmiten
información solo hacia adelante.Se usan en una
amplia gama de aplicaciones de clasificación y
regresión. A pesar de su versatilidad y facilidad de
escalado, su propensión al sobreajuste e
incapacidad de manejar dependencias temporales
son limitaciones notables.
Redes Neuronales Convolucionales DCN

Tipo de red neuronal donde las neuronas
corresponden a campos receptivos de una manera
muy similar a las neuronas en la corteza visual
primaria. Son muy efectivas para tareas de visión
artificial, como en la clasificación y segmentación de
imágenes.
Redes neuronales Recurrentes RNN

Concebidas para almacenar eficientemente
información. Salida depende de la historia pasada.
No tienen una estructura de capas, sino que permiten
conexiones arbitrarias entre las neuronas, incluso
pudiendo crear ciclos, con esto se consigue crear la
temporalidad, permitiendo que la red tenga memoria.
Autoencoders AE
Son redes neuronales diseñadas para codificar
entradas en representaciones más compactas. Son
fundamentales en tareas de reducción de
dimensionalidad y denoising. Sin embargo, pueden
fallar con datos extremadamente ruidosos o al
capturar la variabilidad en datos muy diversos
Redes Generativas Adversarias - GAN

Consisten en dos redes en competencia: una
generativa y otra discriminativa. Generan datos
altamente realistas, pero su entrenamiento es
notoriamente difícil e inestable. Se utilizan para
generar imágenes de rostros humanos u otros
objetos, realizar la traducción de texto a imagen,
convertir un tipo de imagen en otro y para mejorar la
resolución de las imágenes (superresolución), entre
otras aplicaciones
Procesamiento del Lenguaje Natural NLP
¿Qué es el Procesamiento de Lenguaje Natural?
Es un campo de la informática, la lingüística y la inteligencia artificial

que se ocupa de la interacción entre el lenguaje humano y las
computadoras. Ayuda a programar máquinas para que puedan
analizar y procesar grandes volúmenes de datos, asociados con
lenguajes naturales. Es una tecnología o mecanismo moderno, que
1101 utilizan las maquinas para comprender, analizar e interpretar el
1100
leguaje humano.
Es una tecnología que mezcla el aprendizaje automático, aprendizaje
profundo y el modelos estadísticos con modelado computacional
basado en reglas lingüísticas
Los algoritmos de NLP permiten a las computadoras procesar el

lenguaje humano a través de textos o datos de voz y decodificar su
significado para diversos fines
¿Cómo funciona el Procesamiento de Lenguaje Natural?
Al realizar todas las entradas, las El NLP opera en dos fases:

computadoras utilizan un Fase de conversión:dónde
programa especializado que les Texto los datos son procesados
ayuda a procesar la entrada a una Fase Desarrollo de los
salida comprensible Video Audio algoritmos.
Extracción
Extración de las de la Entidad
Relaciones
PLN
Clasificación por Análisis de

Tópicos Sentimientos
Técnicas en el Procesamiento del Lenjuaje crudo

Tokenización
Procesamiento del
Detener la eliminación de Palabras
Lenguaje Crudo
Lematización y Stemming
Etiquetado de parte de discurso
La 1era fase es el Procesamiento de datos, donde los datos de

entrada se preparan y limpian para que la máquina pueda
analizarlos y señalar todas las características de entrada y los
hace adecuado para algoritmos informáticos.
En la 2da etapa la máquima desarrolla un algoritmo dónde

puede procesarlo: Se pueden utilizar: un sistema basado en
reglas lingüisticas para la decisión final del procesamiento o
sistemas basados en Aprendizaje Automático.
Clasificación de los Algoritmos de

Procesamiento de Lenguaje Natural - NLP
Verifica el texto para su significatividad comparándolo con las reglas

Análisis de la gramática formal. Analiza la gramática y estructura de las
Sintático
oraciones. Usado en la corrección gramatical, que identifica errores.
Captura el significado del texto dado, teniendo en cuenta el

Análisis
Semantico contexto, la estructuración lógica de las oraciones y los roles
gramaticales. Usado en asistentes virtuales.
Generación de Consiste en la creación automática de texto coherente y

lenguaje Natural comprensible por parte de un sistema informático. Disponible en
sistemas que elaboran resumenes de noticias.
Reconocimiento Es la habilidad de una máquina para interpretar frases o palabras de
del habla un lenguaje. Convierte habla en texto, utilizado en sistema de
dictado por voz.
Traducción Utiliza machine learning para traducir texto de forma automática de
Automática
un idioma a otro.
Aplicaciones del Procesamiento de Lenguaje Natural
Tareas casi Resueltas Tareas que demuestran un Tareas de PLN cuyo grado de
Completamente por PLN rápido y satisfactorio avance en madurez es todavía limitado
PLN
Detección Detección Detección y Análisis de Detección de Desambiguación Asistentes de Preguntas y

de Spam de Partes de reconocimiento Sentimientos Referencias del sentido de Diálogo y Chat Respuestas
las oraciones de entidades Cruzadas las palabras Bots
PLN para idiomas

Generación de de bajos recursos
Resumenes
Visión por Computadora
¿Qué es la visión por Computadora?
Sub campo de la Inteligencia Artificial y Machine Learning

Es una disciplina científica que incluye métodos para adquirir, procesar, analizar y comprender
las imágenes del mundo real con el fin de producir información numérica o simbólica para que
puedan ser tratados por un ordenador.
¿Cómo funciona la Visión por Computadora
Adquisición y Reconocimiento e
Escenario a Digitalización Procesamiento Obtención de Interpretación de
analizar Previo Características Aplicación
Información
Tareas de la Visión por Computadora
Clasificación de
Detección de
Imagenes
Objetos
Clasifica una imagen dada, como
perteneciente a una de un conjunto de La detección de objetos la
categorías predefinidas. Asigna una imagen puede contener muchos
etiqueta a una imagen completa objetos que se localizan y y
basada en su contenido. clasifican dentro de una imagen.
Ejemplo, para clasificar fotos o
imágenes en post de redes sociales.
Seguimiento de
Identificación Objetos de Videos
de Objetos
Seguir el rastro de los objetos
El objetivo es encontrar instancias de un
de un fotograma a otro
objeto en imágenes. Determinar si el objeto
aparece o no en una imagen y si aparece,
especificar el lugar o los lugares donde
aparece
Reconocimiento Segmentación de
Facial imágenes
Pueden identificar y validar la Es capaz de dividir una imagen en
identidad de una persona a partir de partes o regiones para su análisis.
su rostro. Utilizado en aplicaciones médicas
para segmentar imágenes de
resonancia magnética.
Aplicaciones de la Visión por Computadora
Organización de Salud
contenidos
Procesamiento de imagenes, rayos
Google Apple Resonancia Magnetica,
Fotos Fotos mamografía, entre otros
Motores de Agricultura
Búsqueda Visual
Visión
por Computadora Sistemas para vigilar las cosechas y
Resolver problemas
Google Imagenes motor de busqueda visual
Reconocimiento Automoviles
Facial Autoconductores
Permite a los coches dar sentido a
su entorno
identifica a las personas en las fotos
Realidad
Aumentada
Detectar objetos físicos, tanto

superficies como objetos
individuales dentro de un espacio
físico determinado, en tiempo real y
a utilizar esta información para
colocar objetos virtuales dentro del
entorno físico.
Sistemas Expertos
¿Qué son los Sistemas Expertos?
Es un sistema informático que emula el razonamiento actuando tal y como lo haría un

experto en cualquier área de conocimiento. Son una de las aplicaciones de la inteligencia
artificial que pretende simular el razonamiento humano, de la misma manera que lo haría
un experto en un área de especialización
Son aplicaciones de software que combinan conocimientos especializados y algoritmos

de IA para emular la toma de decisiones de expertos humanos
¿Cuáles son los componentes de un Sistema Experto?

Generador de Explicaciones
Se encarga de explicar el comportamiento
del SE al encontrar una solución.Permite al
usuario hacer preguntas al sistema para
poder entender las líneas de
razonamiento que este siguió.
Subsistema de adquisición
de conocimiento
Es la acumulación, transferencia y
Usuario Experto transformación de la experiencia para
Ing . Conocimnto
Sub Sistema de
resolver
Interfaz de Generador de Adquisición de problemas de una fuente de conocimiento
Usuario Explicaciones Conocimientos a un programa de computadora para
construir o expandir la base de
conocimiento
Motor de Interferencia
Es el cerebro del SE, es esencialmente un

Motor de programa de computadora que provee
interferencias
metodologías para razonamiento de
información en la base de conocimiento
Base de Conocimientos
Base de Conocimiento
Memoria de Contiene el conocimiento necesario para
trabajo Reglas Marcos comprender, formular y resolver
problemas
Hechos Control
Base de hechos
Es una memoria de trabajo que contiene

los hechos sobre un problema, alberga
los datos propios correspondientes a los
problemas que se desean tratar
Clasificación de los Sistemas Expertos
Utilizan un conjunto de reglas “si-entonces” para tomar decisiones.

Basados
Usados en sistemas de diagnóstico médico, que sugieren tratamientos
en reglas basándose en los síntomas del paciente.
Resuelven nuevos problemas basándose en soluciones de casos

Basado anteriores. Ejemplo, usados en sistema de soporte al cliente que
en casos sugieren soluciones basadas en incidencias
previas similares.
Usos de los Sistemas Expertos
Diagnóstico Médico
Analizan síntomas y ofrecen posibles diagnósticos
Detección de Fraudes
Identifican transacciones sospechosas en el sector financiero.
Control de procesos Industriales

Supervisan y ajustan operaciones en fábricas.
Asesoramiento Legal y Financiero

Proporcionan recomendaciones basadas en leyes y datos financieros.
Reconocimiento de Patrones
¿Qué es el Reconocimiento de Patrones?
Es una disciplina encargada de identificar figuras, reconocer formas o leer patrones, con la
finalidad de recopilar información sobre el objeto que se está estudiando y asignarlo a un
grupo o clase.
Es la ciencia que se ocupa de los procesos sobre ingeniería, computación y matemáticas

relacionados con objetos físicos o abstractos, con el propósito de extraer información que
permita establecer propiedades de entre conjuntos de dichos objetos.
¿Cómo funcionan el Reconocimiento de Patrones?
Modelos de Modelos de
Dispositivos Pre Reducción de Aprendizaje Prueba
de Medición Procesamiento Dimensionalidad
U=V/ [V]
Aprendizaje
Sensores Filtrado de Ruido Selección de las Supervisado Validación
Mundo real Extracción de características Cruzada
Aprendizaje No
Camaras Caraterísticas Supervisado
Bases de Datos Proyección de las Aprendizaje Bootstrap
Normalización características Semi Supervisado
Adquisición de datos
El responsable de este proceso es un dispositivo llamado
sensor. Funciona transformando magnitudes físicas o
químicas en magnitudes eléctricas. Las variables
captadas pueden ser: color, temperatura, intensidad
lumínica, inclinación, velocidad, fuerza, entre otros.
Formulación de una característica

Consta en la formulación de características para
usarse posteriormente en la clasificación de
objetos
Selección de Atributos
Es la selección adecuada de atributos para describir a
los objetos
Clasificación de Objetos
Los objetos se clasifican de acuerdo a los atributos
que presentan, asignándolos en un grupo u otro, en
este proceso se
Aplicaciones delutilizan tecnologías de aprendizaje
Reconocimiento de Patrones
automático.
Aplicaciones del Reconocimiento de Patrones
Reconocimiento facial, de voz, de huella dactilal, de caracteres tanto escritos

a mano cómo digitalmente, de objetos en una imagen o secuencia de
imágenes ( vídeos), de música, de sónidos, de anomalías en imágenes de
rayos x, de celulas infectadas, de situaciones metereológicas, entre otros.
Módulo 1
Pre Procesamiento y
Procesamiento de Datos
¿Qué es el Pre Procesamiento de datos?
Son las técnicas y procesos aplicados a los datos antes de utilizarlos en

modelos de aprendizaje automático, a fin de hacerlos más robustos y
eficientes. Hace referencia a la transformación de los datos en bruto en un
formato más adecuado y comprensible para el algoritmo.
Itera hasta que la Data Itera para encontrar el
este lista mejor modelo
?
Data
Cruda
Pre Aplicación de Modelo
Procesamiento Data Algoritmos de Modelo
Preparada Seleccionado a
de Datos Aprendizaje Candidato
a la Data Implantar
Data
Cruda
Aplicaciones
Algoritmos de
Módulos de Pre
Procesamiento Aprendizaje
de Datos Automáticos
¿Cuáles son las etapas del Pre Procesamiento de datos?
Limpieza de Datos
Eliminación de valores faltantes:
Si los valores faltantes son pocos, se pueden eliminar sin afectar
significativamente la calidad del conjunto de datos. Si son muchos, es
posible imputarlos utilizando técnicas de imputación apropiadas.
Detección de valores atípicos

Implica la identificación de valores inusuales que se desvían
significativamente de la mayoría de los datos. Los valores atípicos pueden
ser corregidos o excluidos, según el caso.
Consistencia de datos
Garantizar que los datos sean coherentes en términos de formato y
unidades
Eliminación de datos duplicados:

Identificar y eliminar registros duplicados que pueden introducir sesgos en
el análisis.
Transformación de datos
Estandarización
Escalar las características para que tengan una media de 0 y una
desviación estándar de 1.
Normalización:
Escalar los datos para que estén en una escala común, lo que es
importante para algoritmos sensibles a la escala, como el análisis de
componentes principales (PCA) o las redes neuronales. Ejemplo:[0, 1].
Codificación one-hot:
Convertir variables categóricas en vectores binarios.
Generación de características polinómicas

Crear nuevas características a partir de combinaciones polinómicas de
las características existentes.
Selección de Características
Pruebas estadísticas
Evalúan la relación entre cada característica y la variable objetivo
Selección basada en modelos

Utilizan modelos de Machine Learning para determinar la importancia
de las características
Selección de características recursivas

Estos métodos eliminan iterativamente las características menos
importantes del conjunto de datos hasta que se alcanza un conjunto
óptimo.
Reducción de la dimensionalidad
Análisis de componentes principales (PCA)
Transforma las características originales en un nuevo conjunto de
características (componentes principales) que son ortogonales y
capturan la mayor varianza en los datos.
Selección de características
También puede verse como una forma de reducción de
dimensionalidad. Elimina características irrelevantes o redundantes
.
Técnicas de proyección
Proyectan los datos de alta dimensión en un espacio de menor
dimensión, como LLE (Embedding local lineal) o t-SNE (t-distributed
stochastic neighbor embedding)
Módulo 1
Pre Procesamiento y
¿Qué es el Procesamiento de datos?
Es "la acumulación y manipulación de elementos de datos para

producir información significativa. implica transformar datos sin
procesar en información valiosa
¿Cuáles son las técnicas de Procesamiento de

datos?
Análisis de Datos
Involucra la exploración y evaluación de conjuntos de

datos para descubrir patrones, tendencias y relaciones.
Pueden emplearse técnicas estadísticas y algoritmos de
aprendizaje automático para realizar un análisis más
profundo.
Mineria de datos
Se refiere a la identificación de patrones y relaciones

ocultas en grandes conjuntos de datos. Utiliza algoritmos
para descubrir información valiosa que puede ser utilizada
en la toma de decisiones.
Modelado de Aprendizaje Automático
SUtiliza algoritmos para permitir a los sistemas aprender y

mejorar su rendimiento a medida que se les proporciona más
datos, sin intervención humana directa.
Procesamiento en Tiempo Real
Se usan para analizar datos a medida que son generados,

permitiendo respuestas rápidas, en entornos donde la
velocidad de procesamiento es crítica.
Visualización de Datos
Es la representación de datos de manera gráfica y efectiva,

para facilitar la comprensión de patrones y tendencias por
parte del usuario.
Módulo 1
Pre Procesamiento y
Lo que debemos recordar
La calidad de los datos es

fundamental para obtener resultados
precisos y confiables.
La limpieza de datos implica abordar
problemas como valores faltantes,
valores atípicos y datos duplicados.
La transformación de datos es
necesaria para preparar los datos para
La selección de características y la el análisis y el modelado.
reducción de la dimensionalidad
simplifican los modelos y mejoran su
eficiencia.
La elección de las técnicas de
preprocesamiento depende del conjunto
de datos y el problema específico. Hay 4.
técnicas: Estandarización, Normalización,
El procesamiento de datos es una Codificación de las categorías y manejo
parte esencial del flujo de trabajo de de valores faltantes.
Data Science.
Usos de Procesamiento de Datos
Industria Financiera
Los bancos y otras instituciones financieras utilizan

el procesamiento de datos para manejar
documentos de clientes, verificar su identidad,
detectar fraudes, realizar transacciones y ofrecer
servicios personalizados.
Servicio Médicos
El sector de la salud utiliza el procesamiento de datos

para gestionar historiales clínicos, diagnosticar
enfermedades, monitorear signos vitales, prescribir
tratamientos y mejorar la calidad de la atención.
Legal
El procesamiento de datos ayuda a los

profesionales del derecho a revisar documentos,
analizar evidencias, automatizar contratos, predecir
resultados y optimizar procesos.
Transporte y Logística
El procesamiento de datos permite a las empresas

de transporte y logística mejorar la eficiencia, la
seguridad y la sostenibilidad de sus operaciones,
mediante el uso de sensores, GPS, rastreo,
optimización de rutas y análisis de demanda.
Educación
El procesamiento de datos facilita el aprendizaje y

la enseñanza, al proporcionar plataformas virtuales,
contenidos interactivos, evaluaciones adaptativas y
retroalimentación personalizada.
Módulo 1
Tendencias Actuales en
Tendencias en el desarrollo de la IA
Desarrollo de IA Explicable XAI

Se desarrollará una XAI, con mayor Crecimiento IA Generativa
privacidad gracias al aprendizaje federado. La
Contenidos originales y personalizados
XAI busca crear modelos de IA cuyas
decisiones puedan ser explicadas y 2da generación de IA Multi Modal, combinará
entendidas, mejorando la confianza y la diferentes tipos de datos: Texto, Audio,
adopción de estas tecnologías. imagen y vídeo
Asistentes con IA, en productos de software
Automatización y Robótica de forma masiva
La integración de la IA en sistemas de En 2026, Gen AI alterará considerablemente el
automatización y robótica ha permitido el 70 % del esfuerzo en diseño y desarrollo de
desarrollo de robots más autónomos y nuevas aplicaciones web y móviles. Fuente
eficientes, capaces de realizar tareas Gartner
complejas y adaptarse a nuevos entornos.
Esto es especialmente relevante en la
manufactura, logística y atención médica Pequeños Modelos Lingüisticos SLM
Modelos que se entrenan en conjuntos de
Asistentes Virtuales
datos más limitados pero de alta calidad, lo
Asistentes con IA por defecto , estarán que les permite funcionar en hardware
presentes en una larga lista de productos de menos potente y menos costoso.
software. Copilot de Microsoft es sólo el Se adaptan a situaciones con poca
primero en la lista. conectividad
Gemelos Digitales
Centro de Datos enfoque Cloud Los gemelos digitales se popularizarán y se
Avance en estrategias de nube por industria, utilizarán para simular y mejorar procesos,
con servicios y capacidades ajustadas a las productos y servicios en diversos sectores,
necesidades por sector. como la industria, la salud, la educación, entre
En 2027 estas iniciativas podrían ser otros
elegidas por más del 70% de las empresas
Aumenta la demanda de rendimiento a los
centros de data Computación Cuantica
Reducir el consumo de energía y de agua ·La computación cuántica puede ser un aliado
será uno de los objetivos de la para garantizar que los centros de datos
infraestructura de desarrollo de Nube Verde soporten a la nueva tecnología.
Mejoras en escalabilidad para seguir siendo
rentables. Modelos de Lenguaje de Gran Escala
Los modelos GPT (Generative Pre-trained
Transformer) han revolucionado la forma en
Tecnología Portátil - Wearables que interactuamos con la tecnología,
El mercado crecerá un 137 % en 2024. mejorando las capacidades de comprensión y
generación de texto de manera significativa.
Usados en el ámbito del fitness, la salud o el Estos continúan evolucionando, con mayor
rendimiento atlético y/o actividades diarias. precisión y capacidad
El Ai Pin, diseñado para llevarlo en la ropa, se
puede tocar para hablar con un asistente Avances en integración de IA
virtual. Utiliza un sistema de proyección láser con la Realidad Aumentada (AR)
para mostrar texto e imágenes y Realidad Virtual (VR)
monocromáticas en la mano del usuario Oportunidades innovadoras en: entrenamiento
Nuevos wearables de Apple se integrarán a y capacitación, comercio electrónico,
su ecosistema, junto a XR. Apple Vision colaboración remota y entretenimiento.
Statista anticipó que en 2024 el número de
usuarios de dispositivos móviles de realidad
aumentada (AR) ascenderá a 1.700 millones en
todo el mundo
Tendencias de la IA en Cumplimiento y Gobernanza
Garantizar la ética, transparencia, privacidad y seguridad

de los sistemas
Desarrollar marcos normativos y éticos para regular el uso
de la IA a nivel nacional e internacional.
Importancia de la Crear mecanismos de auditoría y supervisión que permitan
IA Responsable verificar su calidad, transparencia, explicabilidad y
confiabilidad, así como detectar y corregir posibles
sesgos, errores o vulnerabilidades.
Mayor regulación y supervisión por parte de las
autoridades y sociedad
Ley de inteligencia Artificial de la UE
2026: Predicen que las empresas que apliquen un

programa integral de gestión de confianza, riesgo y
seguridad de IA, aumentarán la precisión en la toma de
Valoración decisiones, al eliminar el 80% de información defectuosa e
Empresarial
ilegitima.
Avanzar en modelos de tecnología sostenible: desarrollos
de nube verde e iniciativas para reutilizar el calor de los
centros de dat0s.
Promoción de impular el desarrollo económico, social y ambiental, y

la Innovación y que reconozca y proteja los derechos de propiedad
Competitividad intelectual y la soberanía de los datos
Módulo 1
Tendencias de la IA en Ciberseguridad y Resiliencia
Aumento en Enfoque Gestión

Rol Central de la IA continua de la Priorizar IA en
Ciberataques Investigación
y sofisticación en Estrategías de Exposición a Inversiones en
Ciberseguridad Amenazas GCTEM Forence Digital
del delito
(GCTEM)
Las organizaciones Permite la detección La inteligencia

GCTEM permitirá a las Gartner prevee en el
diseñan estrategias anticipada de actividades organizaciones 2026, las compañías artificial se utiliza en
integrales de sospechosas y “evaluar la que prioricen sus la investigación
continuidad del automatizar las accesibilidad, inversiones en forense digital, para
negocio y resiliencia; ciberdefensas, mediante exposición y seguridad basadas en analizar grandes
para asegurar la técnicas de aprendizaje aprovechamiento de un programa CTEM conjuntos de datos y
privacidad de los automático y los activos físicos y “obtendrán una descubrir patrones
datos de clientes y procesamiento de digitales de forma reducción de dos que pueden ayudar en
empleados y el lenguaje, que ayudan a continua y tercios en las la identificación de
resguardo de la identificar patrones y consistente”. infracciones”. amenazas y en la
información comportamientos resolución de
corporativa . anómalos en tiempo real. incidentes de
seguridad
Tendencias IA en el Empleo
Creación de nuevos empleos

más que los que recortará
IA creará 500 millones de nuevos puestos de trabajo

en los próximos 10 años a nivel global, más de los que
recortará. Fuente Gartner
Déficit de profesionales en IA,

por la alta demanda
Seguirán faltando profesionales de IA por la elevada

demanda de las empresas.
Requerimientos de Ingenieros Prompt, pasa a convertirse en
una habilidad blanda
Fuente Business Insider
Incremento en la formación de
profesionales No Matemáticos
Se formará a más profesionales no matemáticos

gracias al incremento de Programas No code y el low
code
Improbable que la IA Generativa

destruya puestos de Trabajo
Se espera que los trabajos cambien hacia tareas más

creativas y tecnológicas.
No se descartan despidos en los puestos más
repetitivos que se automaticen
Demanda de perfiles diferentes
Las tecnológicas cada vez buscarán perfiles menos

técnicos, desde abogados a perfiles de negocio.Se
generarán puestos de trabajo relacionados con el desarrollo,
mejora, mantenimiento y programación necesaria para la
correcta aplicación de los sistemas artificiales y otras
nuevas tecnologías
Módulo 1
Tendencias de la IA en las Empresas
Inversión en IA
La mayoría de las empresas aumentará su inversión en IA en 2024
Según Salesforce Research, el 45% de los ejecutivos ya están aumentando las
inversiones en IA
Las compañías invertiran en aquellas vías de negocio que les permitan ser
más competitivas y diferenciarse en un mercado: el procesamiento de
lenguaje natural, la detección y predicción de amenazas, la automatización y
optimización de procesos y la captación y fidelización de talento
Inversión en IA Generativa
Casi un tercio de las grandes empresas gastará más de 10 millones de
euros solo en IA generativa este año
Uso de la IA en Pymes
Las pymes comenzarán a fijarse en el potencial de estas tecnologías,
sobre todo en tareas de atención al cliente marketing, utilizando IA
Generativa,
IA y Ciencia de Datos en la Salud

La aplicación de la IA y el análisis de datos en el sector de la salud está
transformando la forma en que se diagnostican y tratan enfermedades,
desde la personalización de tratamientos hasta el desarrollo de nuevos
medicamentos mediante el análisis de grandes volúmenes de datos
biomédicos.
Iniciativas de código abierto
Llegan las primeras iniciativas de IA de código abierto de mano de Meta e

IBM, que han lanzado la AI Alliance, con más de 50 empresas que
promueven un modelo abierto de desarrollo de IA, a diferencia de las
tecnologías cerradas de otras compañías como Microsoft y Google.
La iniciativa privada va a seguir imponiéndose de forma holgada a la
pública
1er año IA protagonista en lanzamientos de nuevos

ordenadores, smartphones y otros dispositivos
tecnológicos.
Los dispositivos con IA se popularizarán y será un factor de compra
importante pero aún no generalizado.
Las nuevas funciones de los dispositivos se centrarán en la interfaz
inteligente y en la experiencia de usuario.
La IA no se limitará a PC y móviles sino que dará el salto también al Internet
de las Cosas y con ello alcanzará la ubicuidad.
La IA seguirá siendo una herramienta importante para el desarrollo de
dispositivos, por ejemplo las cámaras
Módulo 2
Mejores prácticas en el uso de
la Inteligencia Artificial Generativa
IAG
Mejores prácticas en el uso
de la IA Generativa
Comprender las aplicaciones y

1 usos de la inteligencia Artificial
Generativa (IAG)
Desarrollar habilidades en el uso

de modelos para generación de
2 texto e imagenes, de forma
efectiva y con mayor certidumbre
Hoja de ruta
2.1
¿Qué es la IA generativa?
2.2 Aplicaciones populares

de la IA generativa
2.3 OpenAI y
ChatGPT
2.4
Dominando ChatGPT:
Estrategias Efectivas para
Comunicar Instrucciones
2.5 capacidades
Explorando las
de ChatGPT
2.6 Limitaciones de
los LLM y
de ChatGPT
Mejores prácticas en el uso
de la IA Generativa
Resumen
Redes Antagónicas
Inteligencia Artificial Generativas GAN-
Generativa IAG Generative Adversarial
Networks
Modelos Transformadores
Generativos Codificadores automáticos
Pre entrenados - GPT variacionales (VAE)
Modelos de Arte IA Modelos de Lenguaje

Grande LLM

Modelos Fundamentales - OpenAI y ChatGPT
Básicos
Aplicaciones populares Ingeniería Rápida - Prompt

de la IA generativa
Capacidades de ChatGPT Limitaciones de ChatGPT
Comprender las aplicaciones y usos de

1 la Inteligencia Artificial Generativa -
IAG
Comprender cómo funcionan los LLM, su

2 aplicación para generar y traducir texto y
otros contenidos, así como realizar otras
tareas de NLP
Aprender a estructurar correctamente

“indicaciones/prompts” al utilizar
3 aplicaciones de IAG para obtener
resultados coherentes y con mayor
certidumbre.
Desarrollar habilidades en el uso de

4 ChatGPT, con el fin de incorporarlo como
una herramienta disponible en las
actividades diarias.
¿Preparado para aprender sobre

las Mejores prácticas en el uso de
la IA Generativas?
Bienvenida!
Módulo 2
Mejores prácticas en el uso de la
Inteligencia Artificial Generativa - IAG
¿Qué es la IA generativa?
Es un tipo de sistema de IA capaz de generar contenido nuevo y

original: texto, imágenes, vídeos, música, código de software u otros
medios, en respuesta a comandos.
Se basa en métodos de aprendizaje automático profundo, que utilizan

redes reuronales generativas en el análisis de textos, imágenes y
vídeos. Son modelos matemáticos complejos ( modelos de lenguaje).
La AI generativa aprovecha técnicas avanzadas, como redes

generativas adversativas (GAN), modelos de lenguaje grandes (LLM),
modelos autocodificadores variacionales (VAE) y transformadores
para crear contenido en un rango de dominios dinámico.
¿Cuáles son las modalidades de la IA generativa ?
Respuestas a Generar código de Edición de texto,

preguntas sobre programación corrección de errores
Texto cualquier tópico
Traducción Escribir historias,
Poemas, novelas
Generar imagenes a Eliminación de Modificar el estilo

Imágenes partir de ideas en objetos de una de una imagen,
texto imagen ejemplo: Realista a
Sustituir personas animación
en una imágen
Producir videos a Incluir efectos Sustituir a personas

partir de ideas en especiales en vídeo
Vídeo texto Animación
automática
Traducción de voz
Producción de Clonación de Voz en tiempo real
Audio discurso a partir
de texto. Producción de Conversación de
música en cualquier voz con instrumento
estilo musical
Otros Predicción de las Generación de código Multimodal: Manejan

Moléculas estructuras de fuente oara nuevos multiples tipos de
Código proteínas y programas datos, texto e imagen
descubrimiento de
Multimodal fármacos
¿ Cómo funciona la IA generativa?

https://www.elastic.co/es/what-is/generative-ai
Los modelos se entrenan con sets de datos grandes y algoritmos

de aprendizaje profundo.
Aprenden las estructuras, las relaciones y los patrones de sus
datos de entrenamiento, basados en las neuronas del cerebro
humano y luego generan nuevos datos, que tienen características
similares que se alinean a los patrones que aprendieron.
Los resultados son salidas nuevas y únicas, basadas en las
solicitudes de entrada.
Módulo 2
¿ Cuáles son los modelos de aprendizaje usados

en IA generativa?
Modelos de Lenguaje Grande

Redes Antagónicas Generativas - GAN - LLM
Usan algoritmos Transformadores
Permiten desarrollar un Generativos Pre entrenados - GPT
aprendizaje no supervisado y GPT-3 y GPT-4
la creación de contenido Emplea una arquitectura
novedoso. de red neuronal, con un
Son un tipo de modelo de IAG sistema de encoding y
que funciona compitiendo decoding por capas.
contra sí mismo. Se centran
específicamente en tareas
basadas en el lenguaje
humano (NLP), como el
Auto codificadores resumen, la generación de
texto, la clasificación, la
Variacionales (VAE) conversación abierta y la
Generan datos a partir de ruido extracción de información.
aleatorio. Utilizan una entrada Utilizan metodos
existente, para producir una estadísticos.
nueva salida.
Consta de dos partes: un Sistemas de arte de IA
encoder y un decoder.
El encoder toma los datos de Se refiere a cualquier obra
entrada y los comprime en un de arte generada mediante
“resumen”. Luego, el decoder el uso de IA, Incluyen
toma esta representación y la modelos como Stable
reconstruye en una nueva Diffusion, Midjourney y
salida. DALL-E.
Emplean las GANs y otros
Modelos Básicos Modelos de Difusión modelos de IA de manera
Son modelos de lenguaje específica, para generar
Herramienta Stable Diffusion pinturas, música, poesía,
neuronal conversacional
para aplicaciones de entre otros.
Incorporan varias redes Requieren de ajustes y
dialogo. Google LAMDA neuronales en un modificaciones para
marco general, a veces producir resultados que
integrando diferentes sean estéticamente
arquitecturas como agradables y
CNN, transformers y artísticamente
VAE.
Los modelos de interesantes.
difusión aprenden
comprimiendo datos,
agregando ruido,
eliminando el ruido e
intentando regenerar el
original.
Familias de IA generativa , según tipología
Modelado de Aprendizaje Automático
Este resumen es una de las formas de clasificación de la IA generativa, basado en el tipo de

contenido. La información corresponde a una publicación del blog del Centro de
Innovación E Learning, de la Universidad de Oberta de Catalunya
Módulo 2
¿Qué son las Redes Antagónicas Generativas - GAN?
Generative Adversarial Network (GAN)
Un sistema GAN es una arquitectura de aprendizaje profundo.

Consisten en dos redes en competencia: una generativa y otra
discriminativa. Generan datos altamente realistas, pero su
entrenamiento es notoriamente difícil e inestable.
Se utilizan para generar imágenes de rostros humanos u otros

objetos, realizar la traducción de texto a imagen, convertir un tipo
de imagen en otro y para mejorar la resolución de las imágenes
(superresolución), entre otras aplicaciones
¿Cómo funcionan las Redes Antagónicas Generativas?
Data real Muestra

real
Real
Pérdidas
Discriminador
Variable aleatoria latente
Falso
Generador Muestra
falsa
Consta de dos redes neuronales: Generadora y Discriminadora.

Ambas redes se entrenan en un juego antagónico, en el que una
intenta generar nuevos datos y la otra intenta predecir si la salida
es falsa o real
En el entrenamiento, tanto el generador como el discriminador

evolucionan hasta alcanzar un estado de equilibrio, dónde el
discriminador ya no puede reconocer los datos sintetizados y
aquí termina el proceso de formación.
Módulo 2
Beneficios de la IA generativa
La IAG genera ideas y contenido de alta calidad personalizados,

Creación de contenido y en diferentes extensiones y formatos, en poco tiempo: artículos,
fomento de la creatividad informes, conversaciones, historias, imágenes, videos y música.
Uso en publicidad, marketing, entretenimiento y producción de
medios
Para entrenar modelos de IA generativa se requieren grandes cantidades de datos.
Imitación de la inteligencia Los modelos de IAG pueden comprender y generar texto similar
al humano, valioso en tareas como: análisis de sentimientos,
humana en tareas informáticas
chatbots y asistentes virtuales. Pueden atender consultas de los
clientes y brindar soporte las 24 horas del día, 7 días de la
semana, mejorando el servicio al cliente.
Los modelos de IA generativa pueden tardar mucho tiempo en entrenarse.
Acelera la investigación - Los algoritmos de la IA generativa pueden explorar y analizar

datos complejos de nuevas formas y usarse en problemas que
Innovación y personaliza el requieren soluciones o ideas innovadoras.
aprendizaje
Los modelos de IA generativa pueden ser muy complejos y difíciles de entender.
La IAG puede automatizar tareas repetitivas y que requieren

Automatización de tareas, mucho tiempo, como: la entrada de datos, generación de
eficiencia y reducción de costos contenido y las consultas de atención al cliente. Esto libera
recursos humanos, para centrarse en tareas más estratégicas y
creativas; lo que conduce a mayor eficiencia y ayuda a reducir
los costos, así como facilita la escalabilidad, para manejar
incrementos o disminuciones en las cargas de trabajo.
Generación, interpretación y La IAG puede generar una gran cantidad de datos para ser
usados en estudios e investigaciones. Puede procesar y analizar
aplicación de datos grandes volúmenes de datos para extraer información valiosa,
ayudando a las empresas en la toma de decisiones, identificar
tendencias y predecir resultados futuros de manera más
efectiva.
Desafíos de la IA generativa
Ética y responsabilidad
La generación automática de contenido plantea cuestiones éticas,
como la posibilidad de difusión de información falsa o el uso
inapropiado de la tecnología, por lo que es importante establecer
normativas y regulaciones.
Derechos de Autor y Propiedad Intelectual

Las salidas no siempre identifican la fuente desde la cual extraen
el contenido, lo cual genera problemas de derechos de autor y
atribución. Puede promover nuevos tipos de plagio, que ignoren
los derechos de los creadores de contenido y artistas del
contenido original.
Sesgo y Equidad
Si los datos de entrenamiento contienen sesgos o limitaciones,
estos sesgos pueden verse reflejados en las salidas. Las
organizaciones deben trabajar en mitigar estos riesgos,
garantizando la calidad de la data en sus modelos.
Respuestas poco confiables ó alucinaciones

Los modelos de AI generativa alucinan respuestas; es decir, generan
respuestas incorrectas, casos irreales o ilógicos, o salidas que
parecen fáctibles y seguras y corresponden a información errónea o
en algunos casos sesgada..
Recursos informáticos
Entrenar y ejecutar modelos de AI generativa requiere una cantidad
importante de recursos informáticos (poderosos hardware y gran
capacidad de memoria). Esto aumenta los costos, consumo de
energía y limita la accesibilidad y la escalabilidad de las aplicaciones.
Requisitos de datos
La recopilación y el uso de datos para entrenar modelos de IAG,
plantear riesgos de privacidad y requiere de una gran cantidad de
datos, cuyo almacenamiento, puede resultar costoso y requerir
mucho tiempo.
Falta de interpretabilidad
Los modelos de AI generativa suelen funcionar como "cajas negras",
lo que impacta la comprensión de su proceso de toma de decisiones.
Esto puede dificultar la confianza y la adopción de límites en
aplicaciones esenciales.
Desinformación y manipulación
La IAG se puede utilizar para crear contenido falso realista, como
texto, imágenes y vídeos, que se pueden utilizar para campañas de
desinformación o fraude
Módulo 2
Aplicaciones populares de la
Aplicaciones populares de la IAG
La IA generativa está revolucionando la forma en que creamos y consumimos

contenido, desde la generación de imágenes y música hasta la escritura de
textos y códigos; lo cual ha impactado la creatividad e innovación en todas las
áreas y ha permitido acceder a la tecnología con multiples opciones, a través de
herramientas y/o aplicaciones creadas para diferentes usuarios.
Las aplicaciones de IAG pueden ser clasificadas en diferentes categorías,

según el tipo de contenido generado y/o por los ámbitos o sectores en los
cuales están siendo utilizadas, para la optimización de actividades y procesos,
con un impacto positivo en la productividad y reducción de costos.
Aplicaciones de la IAG utilizadas en la generación texto
ChatGPT ( Chatbot basado en GPT)

ChatGPT es un modelo de lenguaje natural,
basado en GPT-3; que utiliza técnicas de
procesamiento de lenguaje natural (NLP), para
generar respuestas en conversaciones con
humanos, ajustado con técnicas de aprendizaje
tanto supervisadas como de refuerzo.
GPT - Generative Pretrained Transformeres, es un
LLM que utiliza la arquitectura de Transformers y
fué desarrollado por OpenAI.
Modelos: GPT-4 y GPT-3.5
Versiones: ChatGPT- versión gratuita (GPT 3.5),
ChatGPT plus (GPT-3.5 y GPT-4) y Chat GPT
Enterprise.
https://chat.openai.com
Bard / Gemini ( Bot Conversacional)
Google Bard (Gemini) es un bot

conversacional de IA desarrollado por
Google; basado en la familia PaLM 2
(Pathways Language Model 2), que le permite
adaptarse a distintos contextos y
necesidades de usuarios y clientes. Ofrece
acceso a información reciente en Internet.. Se
desarrolló como respuesta directa al auge de
ChatGPT de OpenAI.
https://bard.google.com
https://gemini.google.com/app
Jasper.AI
Jasper es una herramienta de redacción

impulsada por IA, diseñada para generar
contenido para profesionales del marketing,
incluidos textos de anuncios, publicaciones
de blogs y descripciones de productos.
Dispone de capacidad para personalizar el
tono y estilo del texto, a fin de que se adapte
a la voz y la imagen de la marca.
https://www.jasper.ai
Bing Chat ( Microsoft Copilot)

Microsoft Copilot es un asistente virtual de IA
desarrollado por Microsoft que está disponible
en Windows 11 y Microsoft 365 Copilot.
Integra GPT-4 y opera directamente en el
navegador web Edge y en el motor de
búsqueda Bing.
Utiliza un LLM para generar texto, traducir
idiomas, escribir diferentes tipos de contenido
creativo y responder a tus preguntas de forma
informativa, puede realizar algunas tareas en
Windows 11, como escribir código, crear
presentaciones y editar documentos.
https://www.bing.com
Módulo 2
Aplicaciones de la IAG utilizadas en la

generación y edición de imágenes
Dall-E
Dall-E es una herramienta de IA, creada por
OpenAI, que genera imágenes a partir de
descripciones de texto. Está basado en GPT-3 y
es capaz de combinar conceptos, estilos y
atributos para una imagen y "manipular y
reorganizar" objetos en una imagen.
Crea desde imágenes fotorrealistas hasta
pinturas y emoji, ofreciendo una amplia gama de
opciones creativas para artistas, diseñadores, y
profesionales del marketing, arte y diseño.
Versiones: Dall-E 3 y Dall-E 2
https://openai.com/dall-e-2
https://openai.com/research/dall-e
Artbreeder
Es una herramienta de IA que permite a los
usuarios fusionar imágenes, combinándolas y
dejando que la IA produzca una nueva imagen
basada en las entradas. Puede mezclar retratos,
paisajes, animales, pinturas y más.
Se basa en el aprendizaje automático, utiliza

modelos de redes neuronales adversarias:
StyleGAN y BigGAN y algoritmos evolutivos,
para combinar características visuales y
generar resultados sorprendentes.
https://www.artbreeder.com
DeepArt Effects
DeepArt es una plataforma que permite a los
usuarios transformar fotos en obras de arte.
Utiliza modelos de redes neuronales para
analizar e interpretar el estilo de una obra de
arte y luego lo transfiere y aplica a cualquier
foto.
Funciona cómo una comunidad creativa de

artistas, diseñadores y aficionados, donde los
usuarios pueden crear piezas únicas, que imitan
la estética de artistas renombrados.
https://www.deeparteffects.com
Adobe Firefly
Es un sistema de IA para generar imágenes

desde cero, creado por Adobe.
Utiliza un modelo generativo de aprendizaje

automático e instrucciones sencillas de texto
para crear imágenes, efectos de texto y paletas
de colores vivos con la máxima calidad. Crea
contenido nuevo a partir de imágenes de
referencia
https://firefly.adobe.com
Leonardo.AI
Es una plataforma de IA que permite crear y

editar imágenes, utilizando el modelo Stable
Diffusion
Dispone de una interfaz, fácil de usar haciéndolo

accesible tanto para usuarios técnicos como no
técnicos.on Los usuarios pueden cargar suss
propias imágenes y hacer ajustes precisos,
eliminar elementos no deseados o incluso
generar contenido.
https://leonardo.ai
Módulo 2

generación y edición de imágenes
Midjourney
Es un sistema de IA avanzado diseñado para crear
imágenes a partir de descripciones textuales,
similar a Dall-E y al Stable Diffusion de código
abierto.
Utiliza algoritmos de aprendizaje profundo, para
interpretar y transformar palabras en imágenes
detalladas y creativas.
Los usuarios pueden generar obras de arte, dando
órdenes a un bot alojado en la plataforma Discord,
ya sea enviando mensajes directos o invitando a
dicho bot a un servidor de terceros.
https://www.app-midjourney.com
https://www.midjourney.com/home
https://docs.midjourney.com
Ideogram AI Art Generator

Es una aplicación que utiliza la IAG para producir
imágenes con texto, a partir de una solicitud de
texto. La imagen generada puede contener texto en
3D o en cualquier estilo, ideal para crear logotipos.
Utiliza modelos de aprendizaje profundo que
incluyen: Redes Generativas Antagónicas (GAN) y
Autoencoders Variacionales (VAEs), los cuales
sintetizan imágenes a partir de indicaciones de
texto.
Funciona directamente a través de una página web,
sólo debes registrarte por medio de tu cuenta de
Google, disponible en sus App.
https://ideogram.ai
Fotor
Fotor es un editor multiplataforma y diseñador
fotográfico. Incluye herramientas como el editor de
fotos, creador de diseños y collage de fotos,
filtros, efectos, herramientas de retoque facial,
mejora automática, texto y súperposiciones,
compatibilidad y almacenamiento en la nube, entre
otros.
Este generador de arte, ofrece arte conceptual,

realista, dibujos animados, bocetos, pintura al óleo,
arte digital, 3D y más estilos de imagen.
https://www.fotor.com/es/
NightCafe Creator
Es una plataforma de arte en línea, que utiliza
varios algoritmos de aprendizaje automático, para
generar obras únicas con creatividad ilimitada.
Engloba varios modelos generativos, entre ellos

DALL-E 2.0, Stable Diffusion, LIP-Guided Diffusion,
Neural Style Transfer y VQGAN+CLIP.
Ofrece varios efectos preestablecidos, que van

desde el cómic hasta la pintura al óleo. Las
imágenes creadas, conservan en su totalidad los
derechos de autor.
https://creator.nightcafe.studio
Craiyon
Craiyon es un modelo de IA que genera
imágenes a través de texto.
Utiliza un complejo modelo basado en el

Generative Pre-trained Transformer 3 (GPT-3)
Es capaz de generar intrincadas ilustraciones,

desde dibujos simples hasta obras de arte
complejas, en múltiples estilos de artísticos,
como caricaturas, fotográficas y abstractas.
https://www.craiyon.com
Módulo 2

generación y edición de videos
RunwayML
RunwayML es una herramienta de diseño de IA con
funcionalidades de texto a voz, imagen, textura 3D
y corrección de color, así como transcripción de
imagen a imagen y de voz a texto. Utiliza
algoritmos de aprendizaje automático.
Es una solución completa de edición de vídeo que

permite a los creativos simplificar el proceso de
edición con más de 30 "herramientas mágicas" que
generan, editan, componen, enmascaran, corrigen,
convierten a pantalla verde y aplican efectos
visuales. Es utilizada por artistas digitales y
diseñadores
https://runwayml.com
Phenaki
Phenaki es un modelo de IA que tiene la
capacidad de generar videos a partir de texto.
Puede generar videos de varios minutos de
duración, a partir de palabras, imagen estática o
descripción.
Utiliza un codificador-decodificador de vídeo que
supera a todas las líneas de base por fotograma
utilizadas en la literatura, en términos de calidad
espacio-temporal y número de tokens por vídeo.
Utiliza un transformador bidireccional
enmascarado condicionado a tokens de texto
precalculados. Los tokens de vídeo generados se
destokenizan posteriormente para crear el vídeo
real.
https://phenaki.video
Soundify
Soundify es un sistema de IA diseñado para ayudar
a los editores de video, en el proceso de post
producción de sonido.
Se basa en el aprendizaje automático, utiliza una
combinación de clasificación de imágenes y redes
neuronales; para clasificar y seleccionar efectos de
sonido para un video.
Trabaja en automatizar el proceso de coincidencia
y mezcla de efectos de sonido con el video, para
que los editores puedan centrarse en la creatividad
y la narración visual.
https://soundify.io
Fllki
Fliki es una plataforma en línea que ofrece
herramientas de generación de video
automatizadas para crear videos de alta calidad
en minutos, sin necesidad de habilidades técnicas
o conocimientos de producción de video.
Utiliza tecnología de inteligencia artificial y
aprendizaje automático para analizar texto y
convertirlo en video de forma automática
Puede ayudar a generar videos de diversos tipos,
como presentaciones de negocios, videos de
redes sociales, videos educativos, anuncios
publicitarios y más
https://fliki.ai
Genmo AI
Genmo es una eficiente herramienta impulsada
por la IA, que transforma el texto en videos
cautivadores.
Utiliza el procesamiento de lenguaje natural,
NLP, reconocimiento de imágenes y algoritmos
de aprendizaje automático para producir videos
a partir de texto.
Ofrece una gama de opciones de colores de

fondo, personajes, música y más, múltiples
formatos de videos para varias plataformas de
redes sociales
https://www.genmo.ai
Módulo 2

generación de música
MuseNet
MuseNet es un generador de música de IA de
varios géneros y estilos, lanzado por OpenAI.
Es una red neuronal profunda que puede crear

composiciones musicales de 4 minutos, con 10
instrumentos diferentes y puede combinar estilos
desde country hasta Mozart o los Beatles. Utiliza la
misma tecnología no supervisada, de propósito
general que GPT-2.
Mediante el análisis de patrones en la música
existente, puede producir piezas originales que no
solo son coherentes sino que también exhiben un
alto grado de creatividad.
https://creativitywith.ai/musenet/
AIVA (Artificial Intelligence Virtual Artist)

AIVA es una plataforma que utiliza IA para
componer música original, a través de algoritmos
avanzados.
Puede crear piezas musicales en diferentes
géneros y más de 250 estilos, incluso trabajando
en colaboración con compositores humanos,
puede ofrecer resultados únicos.
Utilizada por personas que necesitan música
original y personalizada en sus proyectos
creativos y no tienen habilidades en la
composición musical. Ideal para aquellos que
buscan ahorrar tiempo en el proceso de creación
de música.
https://www.aiva.ai
Suno.AI
Suno es un sistema de IA capaz de crear
canciones a partir de un comando de texto,
describiendo el tipo de canción que quieres y
definiendo un título.
Utiliza un modelo de texto a música llamado chirp,

para generar canciones a partir de frases y se
encuentra en su etapa Beta
Compone toda la canción a partir de un prompt,

generando tanto la letra como la música y también
genera una voz que canta la canción, en el idioma
que le hayas solicitado
https://www.suno.ai
Mubert
Mubert es una plataforma que utiliza la IA para
crear música eletrónica original y personalizada,
para diferentes propósitos.
El algoritmo de aprendizaje automático analiza los

samples y crea una base de datos de patrones de
ritmo, tono y melodía. Cuando un usuario solicita
una pista, la plataforma utiliza la base de datos de
patrones para generar música única y original que
se adaptan al estado de ánimo, la duración y el
tiempo deseado.
https://mubert.com
Amper Music AI
Amper Music es una aplicación de IA para crear
música, especial para productores musicales,
vendedores, empresas y podcasters.
La plataforma basada en la nube, es una opción

para generar bandas sonoras originales y sonidos
para video juegos, películas o podcasts.
https://ampermusic.zendesk.com/hc/en-us
Módulo 2
Otras Aplicaciones de la IAG
Grammarly
Boomerang
(Gmail) Gestión correo
Electrónico Make
Sheet AI
Google Search Productividad
Bing IA
Perplexity AI
Buscadores
AI Findy Inteligentes ChatPDF
Angolia Tutor AI
Educación Taskade
Asistida IA
Generative BI GitHub Copilot

AI HelperBot Alpha Code
Análisis de datos Source AI
IA Codex
Tabrine
Programación Ghostwriter
Speechfy Asistida IA
Murf Conversión
TTSMaker IA Text a voz Audio LM
Juke Box
Lenguaje y Murf
voz Gen IA Whisper
AdCreative
Hootsuite
HubSpot Marketing
Inteligente Buffer
Hootsuite
Gestión de
Moz Redes Sociales
Ahrefs
Optimización
de SEO WiziShop
E-Commerce
Inteligente
DeepMotion
3DFY
LeiaPix Converter Diseño
ZoeDepth en 3D Jasper
Rytr
Escritura CopyMatic
Asistida por IA
Trade UI
Finalle Gestión
Financiera
Inteligente
Gymgenie
HappyMama
Salud
IA
Módulo 2
OpenAI y ChatGPT
¿Quién es OpenAI?
OpenAI es una empresa de investigación y despliegue de inteligencia

artificial que tiene como misión asegurar que la inteligencia artificial
general beneficie a toda la humanidad.Algunas de sus áreas de
enfoque son los modelos generativos, la seguridad, la robótica y el
lenguaje natural.
Historia de OpenAI
2015 Fundación de OpenAI

Sam Altman, Elon Musk, Greg
Brockman, y otros inversores, así como
Amazon Web Services (AWS), Infosys, y
Gym/Universe 2016 el laboratorio de YC Research donan un

total de US$ 1000 millones, para la
puesta en marcha de la organización,
OpenAI lanza: sin fines de lucro
OpenAI Gym, un conjunto de herramientas para
desarrollar y comparar algoritmos de
aprendizaje por refuerzo
OpenAI Universe, una plataforma de software
2017 Dota 2
para medir y entrenar la inteligencia general de OpenAI presentó Dota 2, un bot capaz de jugar en
partidas 1vs1 del videojuego ‘Dota’, según las
una IA
reglas estándar del torneo, sin aprendizaje por
imitación.
Open AI informó que gastó 7,9 US$ millones, sólo
en computación en la nube.
GPT -1,Dactyl
2018 OpenAI Chapter
Desarrollo inicial del modelo Generative Pre-
Training Transformer (GPT).
Se presenta Dactyl, un brazo robótico.
Se crea OpenAI Charter, los principios que rigen
OpenAI Híbrida 2019 la compañía
Se trabaja en un documento en colaboración con
GPT-2 otras entidades sobre las amenazas de la
OpenAI se convirtió en una empresa híbrida en

2019, con una entidad sin fines de lucro y otra con
GPT-3 y
fines de lucro, de "ganancias limitadas"
Se inicia una alianza con Microsoft, que invierte mil 2020 OpenAPI Jukebox
millones de dólares
Lanza un potente modelo de lenguaje
Se presenta GPT-2, la evolución del modelo de
procesamiento del lenguaje natural GPT GPT-3, que puede interactuar en
conversaciones con humanos y
generar texto.
Dall-E, Clip, Codex 2021 Se presenta OpenAI API, una interfaz
de programación de aplicaciones para
Playground estandarizar todos los futuros
OpenAI presenta dos modelos vinculados a imagen: desarrollos usando texto en cualquier
Clip, capaz de predecir el fragmento de texto más lenguaje.
relevante para una imagen
Se da a conocer Jukebox
La primera versión de Dall-E, para generar imágenes
digitales a partir de instrucciones de texto
Se lanza Codex
2022 GPT-3.5 Dall-E 2
Se lanza Playground al público junto a un servicio
API. Consiste en la interacción de forma textual con
Whisper
la IA, que devuelve un texto, con características muy 2022 marca el invento más increíble de
completas, según peticiones que pueden ser muy Open AI, ChatGPT: el modelo funciona
concretas GPT-3.5, una herramienta de
generación de texto de IA, que
GPT-4 2023 interactúa con los humanos mediante
el procesamiento del lenguaje natural,
basadas en las indicaciones de los
OpenAi lanza GPT-4. con plan de suscripción, que usuarios.
da acceso a nuevas funciones y mejoras.
Se presenta Dall-E 2 y Whisper, un
OpenAI recibió una inversión de US$ 10.000
millones de Microsoft y anuncia una asociación
sistema de reconocimiento automático
ampliada, para apoyar la investigación y el de voz (ASR) entrenado en 680.000
desarrollo independientes. horas de datos multilingües
Anuncio de los modelos ChatGPT y Whisper en su
API.
Despliege de complementos para ChatGPT.
Publicación de Manifiesto de Seguridad de la IA, en
2024
el que describe su compromiso con la creación de
sistemas de IA seguros y beneficiosos, la
protección de la privacidad y la participación en la
investigación y el compromiso continuos.
Módulo 2
OpenAI y ChatGPT
¿Cuál es la definición de ChatGPT?
ChatGPT es un modelo de lenguaje natural, basado en inteligencia

artificial; que utiliza técnicas de procesamiento de lenguaje natural,
para generar respuestas en conversaciones con humanos, ajustado
con técnicas de aprendizaje tanto supervisadas como de refuerzo.
El término «GPT» es una marca generalizada que significa «Generative

Pretrained Transformer», lo que se traduce como «Transformador Pre-
entrenado Generativo».
Es una aplicación de chatbot de IA desarrollada en 2022 que se

especializa en el diálogo, Está compuesto por los modelos GPT-4 y
GPT-3.5 de OpenAI.
ChatGPT está diseñado para aprender de grandes cantidades de texto

y luego generar nuevas respuestas basadas en lo que ha aprendido
Historia de ChatGPT
GPT-1 GPT-1, o «Generative Pre-trained Transformer 1», fue lanzado por OpenAI,
en junio de 2018.
GPT es un modelo de lenguaje grande (LLM) que utiliza la arquitectura de
Transformers.
2018 Modelo diseñado para generar texto natural en una variedad de tareas,
como la generación de texto automático, la traducción automática y la
11 jun
respuesta a preguntas.
En Febrero 2019, OpenAI desarrolló y lanzó GPT-2, una versión mejorada y

GPT-2 más grande de GPT-1.
GPT-2 representó un salto significativo en rendimiento y capacidad del
modelo.
GPT-2 fue entrenado con una cantidad mayor de datos, lo que le permitió
generar textos más coherentes, mayor contexto, más largos y complejos
que su predecesor.
2019 GPT-2 fue criticado por su capacidad para generar textos engañosos o
14 feb incluso peligrosos. Debido a esto OpenAI decidió no lanzar la versión
completa al público en general.
En sep 2019 OpenAI publicó investigación sobre cómo ajustar GPT-2, con
preferencias y comentarios
En mayo de 2020, OpenAI lanzó GPT-3, superó a sus predecesores en

GPT-3 términos de tamaño y poder, con un total de 175 mil millones de
parámetros.
GPT-3 fue entrenado en un conjunto de datos masivo de
aproximadamente 570 GB de texto.
2020 GPT-3 revolucionó la forma en que interactuamos con la IA.
GPT-3 demostró una mejora notable en la capacidad de generar texto
28 may coherente, con contexto, y para realizar tareas de lenguaje natural
complejas, como la traducción de idiomas y la generación de códigos de
programación.
Aplicaciones basadas en GPT-3: DALL-E,CLIP, Whisper y ChatGPT.
API GPT-3
Codex En 2021, OpenAi lanza Codex, es un modelo de lenguaje entrenado
específicamente en código de programación,con 6 mil millones de
parámetros y 800 millones de líneas de código en su arsenal
Codex impulsa a GitHub Copilot, la innovadora herramienta de
2021 completado de código de programación con inteligencia artificial.
El 18 de nov. 2021, fue publicada la API de GPT-3
El 30 de nov 2022 marca el invento más increíble de Open AI, bautizado

ChatGPT como GPT-3.5, bajo el nombre de ChatGPT, publicado en su blog.
ChatGPT ha llegado a ser ampliamente utilizada por usuarios diarios en
GPT-3.5 diversas tareas y contextos.
Los detalles sobre la cantidad de datos utilizados para entrenar
2022 ChatGPT, se mantienen sin publicar.
30 nov
14 de marzo de 2023: OpenAI lanza GPT-4 en ChatGPT y Bing, que

GPT-4 promete una mayor confiabilidad, creatividad y habilidades para
resolver problemas.
ChatGPT 01 de feb de 2023,:OpenAI anunció ChatGPT Plus - GPT-4, una opción
de suscripción premium para usuarios de ChatGPT, que ofrece menos
2023 IOS tiempo de inactividad y acceso a nuevas funciones.

01 de marzo de 2023: OpenAI presentó la API de ChatGPT para que los
desarrolladores integren la funcionalidad de ChatGPT en sus
14 mar
aplicaciones. Primeros usuarios incluyen My AI de SnapChat, Quizlet Q-
Chat, Instacart y Shop by Shopify.
15 de mayo de 2023: OpenAI lanzó la aplicación ChatGPT iOS, que
permite a los usuarios acceder a GPT-3.5 de forma gratuita. Los
usuarios de ChatGPT Plus pueden cambiar entre GPT-3.5 y GPT-4.
31 de mayo de 2023: los usuarios de ChatGPT Plus pueden acceder a
más de 200 complementos de ChatGPT.
Módulo 2
OpenAI y ChatGPT
Evolución de ChatGPT
GPT-1 GPT-2 GPT-3 Codex

de OpenAI ChatGPT GPT-4
GPT-3.5
2018 2019 2020 2021 2022 2023

11 jun 14 feb 28 may 30 nov 14 mar
Modelo Modelo transformer Aprendizaje Modelo con capacidad Modelo de Modelo de Modelo de lenguaje más
Pre entrenamiento multitarea no de aprendizaje con lenguaje aprendizaje profundo avanzado hasta la fecha,
generativo. supervisado pocas muestras. entrenado en por refuerzo, con capacidad multimodal,
código de retro alimen-tación puede tomar texto o
Parametros 117 MM 1.5 billones. 175 billones. programación. humana. imagénes como entrada y
6 billones de Combinación de tres generar texto.
Datos de Entrenamiento 8 MM de páginas 40 GB de texto web : 570 GB de texto: parámetros y modelos: code- 170 trillones ( estimado)
web: Common Crawl, Common Crawl, Common Crawl, 800 millones de davinci-002, text-
BookCorpus y texto
BookCorpus. BookCorpus, Wikipedia, líneas de código davinci-002 y text-
web.
Libros, Artículos y más. en su arsenal davinci-003 y 1.3
Longitud de secuencia máxima 1024 2048 billones, 6 billones y
4096 175 billones de
Arquitectura del decodificador 12 capas 96 capas. Las parámetros. Capacidades mejoradas
48 capas.
del transformador variaciones incluyen de razonamiento y mayor
Logró resultados Davinci, Babbage, Curie y Versión mejorada de precisión en la resolución
Resultados para tareas de GPT-2 fue capaz Ada GPT-3, que ha de problemas complejos.
modelado como de completar Revolucionó la forma en llegado a ser Ofrece un plan de
LAMBADA y tareas de que interactuamos con ampliamente suscripción
demostró comprensión de la IA y estableció las utilizada por
rendimiento lectura y de bases para la creación usuarios diarios en
competitivo para traducción de de ChatGPT. Codex impulsa a diversas tareas y
tareas como GLUE y idiomas. GitHub Copilot. contextos.
SQuAD.
Se desconocen los
Otros Genera texto detalles sobre la
coherente, a menudo cantidad de datos
carece de contexto y utilizados para
puede producir entrenar el modelo
resultados
incoherentes y sin
sentido
Creación de cuenta en ChatGPT
Para usar ChatGPT, debes tener al menos 18 años y una cuenta OpenAI.
1
Crea una cuenta en OpenAI
Visita el sitio web de OpenAI.
https://openai.com/
Luego debes dar click en iniciar sesión.

Te solicitará registrarte
Si todavía no tienes una cuenta OpenAI,
regístrate utilizando tu correo electrónico y
una contraseña.
Es posible que también tengas que
compartir tu nombre, fecha de nacimiento
y número de teléfono antes de que te
2
dejen entrar
Al concluir podrás visualizar la ventana del
chat
Revisar configuración y
condiciones de uso
Recibirás algunos mensajes de
condiciones de uso, capacidades y
limitaciones. Estos incluyen un aviso de
que pueden revisar tu interacción con
ChatGPT para evaluar el rendimiento del
sistema.
Revisa las instrucciones personalizadas y

la configuración
Explora en ChatGPT: Puedes hacer

preguntas generales o específicas, pedir
ayuda con tareas de escritura, solicitar la
generación de contenido creativo como
poemas o historias, entre otros.
3 Iniciar conversación
con ChatGPT
Práctica usando diferentes estilos de
conversación
Puedes comenzar a hablar con ChatGPT.
Práctica usando diferentes estilos de Busca el cuadro de mensajes en la parte
conversación inferior de la pantalla para empezar una
conversación.
Formula preguntas sobre diferentes
dominios: arte, tecnología, ciencia, cultura, Es útil revisar la documentación oficial de
deportes, entre otros. OpenAI , para conocer el modelo
Solicita la generación de contenido Prueba con ejemplos simples y diferentes

creativo: poemas, historias, entre otros. tareas:
Explora el apoyo para redactar un correo
electrónico, un ensayo o cualquier otro
tipo de texto
Módulo 2
Dominando ChatGPT: Estrategias Efectivas para
Comunicar Instrucciones
Generación de ingeniería rápida
Es un concepto o metodología en IA del Procesamiento de Lenguaje

Natural (NLP), que se ocupa del diseño, desarrollo y optimización de
instrucciones “Prompts”, que permitan el uso eficiente de los modelos
lingüisticos (LLM), incluyendo habilidades y técnicas útiles para
interactuar, comprender sus patrones y desarrollarlos.
Proceso Logros/Metas
Crear instrucciones explicitas
para guiar al modelo de IA
1 2 3
Definir la instrucción Comprender Refinar y ajustar Mejorar el

clara y concisa el problema Maximizar el potencial
Definir objetivo Diseñar la pregunta, Ser más específico, funcionamiento y
del modelo de IA efectividad
orden o escenario añadir más contexto
Definir la tarea y
configuración general o cambiar la
a ser resuelto por la redacción.
IA
¿Qué quieres que La ingeniería rápida generalmente funciona convirtiendo
genere la IA?
una o más tareas en un conjunto de datos basado en
mensajes y entrenando un modelo de lenguaje con lo que
Mejorar la instrucción con base
a la salida generada se ha llamado "aprendizaje basado en mensajes" o
Prueba de la pregunta y simplemente "aprendizaje rápido".
análisis de la respuesta
Revisar, mejorar e iterar

el proceso
Proceso de Generación de ingeniería rápida
Prompt
¿Cómo pueden ser domesticados los perros?
Pre- Processing
Tokenización: El mensaje se divide en palabras individuales: tokens
Codificación: Se les asignan valores numéricos a los tokens
Incrustación
Asignación de los tokens de mensajes a sus incrustaciones correspondientes
Ventana contextual
El modelo busca en sus datos de entrenamiento información contextual, como
artículos sobre perros o imágenes de perros en casa o con la familia.
Comprensión del modelo

El modelo intenta comprender el significado de la consulta de
entrada mediante las incrustaciones y establece contexto
Inferencia
El modelo pasa por una serie de pasos de inferencias, calculando probabilidades
para varios tokens candidatos y seleccionando las opciones más probables en
función del contexto
Generación
Los tokens seleccionados se reformatean como texto legible por humanos,
utilizando las guías de estilo que el usuario ha esbozado
Salida/ Respuesta
La domesticación de los perros es un proceso que ha evolucionado durante miles de
años. Aquí te dejo algunos puntos clave sobre cómo se pueden domesticar los perros:
Origen de la domesticación, beneficio mutuo, adaptación a la dieta humana,
entrenamiento y socialización, entre otros.Es importante recordar que cada perro es un
individuo y puede requerir diferentes enfoques de entrenamiento y socialización. La
paciencia, la consistencia y el refuerzo positivo son fundamentales en este proceso.
Módulo 2
Dominando ChatGPT: Estrategias Efectivas
para Comunicar Instrucciones
Generación de ingeniería rápida

conceptos claves
Tarea o es la instrucción, pregunta o conjunto de

Prompt indicaciones dadas a un modelo de IA para generar una
respuesta específica.
Información externa o antecedentes relevantes

Contexto adicionales, que puede dirigir al modelo a respuestas
mejores
Puede ser una transcripción, un artículo, un PDF, un sitio
web, entre otros.
Conceptos Token
Unidad básica de procesamiento NLP, que puede ser una
palabra, un fragmento de palabra o un símbolo
claves
Proceso de ajustar un modelo de lenguaje preentrenado

para tareas o dominios específicos, a menudo mediante
Fine tuning el uso de prompts y set de datos adicionales específicos
para mejorar el comportamiento del modelo.
Priming
Contexto adicional e instrucciones para mejorar
Facilitación los resultados
Elementos básicos de un “prompt”
Claridad y precisión Contexto

Debe ser claro y directo, evitando Es esencial definir el contexto
ambigüedades que puedan llevar a adecuadamente, para guiar al
respuestas erróneas modelo hacia la respuesta deseada
Estructura lógica Instrucción
Elementos
Es la orden que la herramienta de IA
Deben seguir una secuencia lógica
necesita para generar la salida.
que facilite al modelo entender y
Es la tarea que queremos que el
procesar la solicitud
Básicos modelo lleve a cabo.
Formato de salida de un Tono y Longitud de la Respuesta

Es el tipo o formato en que
deseamos que la herramienta nos Prompt En algunos casos, es preciso señalar
el tono, para indicar la emoción que
proporcione la respuesta. queremos transmitir con el texto. e
igual la longitud, para determinar su
profundidad.
Creatividad
Adaptabilidad
Ser creativo con los prompts puede
llevar a respuestas más interesantes Un prompt eficaz debe ser capaz
o inesperadas de adaptarse a diferentes
situaciones y requerimientos.
Actividades antes del “prompt”
Receta de instrucciones
Instrucción
Prompt
Rol
Tarea
Instrucción
Contexto
Entrada
Bases de datos y Flujo de Trabajo

otros almacenes de
información
AI Generativa
Indicación
Bibliotecas de instrucciones
Gráfico basado en publicaión de PromptEnginnering.org

Metodologías
Módulo 2
Técnicas de ingeniería rápida
Técnicas de
ingeniería rápida
Zero-shot prompting One-shot prompting / Few-shot prompting Chain-of-thought Prompts basados en

Single-shot prompting prompting plantillas
Capacidad de un Implica proporcionar Técnica avanzada Técnica eficaz para
modelo de IA para un sólo ejemplo al Consiste en dar al donde se guía al estandarizar las
responder a una modelo antes de modelo varios modelo a través de solicitudes a
solicitud, sin haber realizar una solicitud. ejemplos para un proceso de modelos de IA,
sido expuesto mejorar su capacidad razonamiento paso a especialmente en
previamente a de respuesta en paso. aplicaciones
ejemplos similares. tareas específicas empresariales o de
servicio al cliente.
Estrategias de openAI en la
generación de prompt
Escribir instrucciones claras

Especificar el tipo o formato de respuesta que quieres. Esto
incluye:
Pedir al modelo que adopte un rol determinado («Eres un…»)
Delimitar partes o secciones que debe tener la respuesta
Especificar los pasos necesarios para responder
Dar detalles y ejemplos de respuestas correctas
Especificar la extensión de la respuesta
Aportar documentación y textos de referencias
Pedir el texto de referencia al modelo

Pedir citas
Dividir las tareas complejas en otras más sencillas

Esto incluye dar ejemplos de cada grupo cuando le pides
que clasifique o agrupe cadenas de texto.
Estrategías Clarificar intenciones

Resumir tareas largas
de OpenAI
Proporcionar resúmenes
Dar al modelo tiempo para pensar

Pide que revise si la solución a la que ha llegado es correcta.
Instruye al modelo para que se tome su tiempo
Pide que cometa errores
Prueba lo siguiente:«tómate tu tiempo, trabaja paso a paso»
«esto me importa mucho, por favor»
Usar herramientas externas

Para determinadas tareas, pedir al modelo que use
embeddings, una función específica de código o que se
conecte a la API adecuada dará siempre mejores respuesta
que dejar que el modelo trabaje sin herramientas.
Probar los cambios de manera sistemática

Para saber si estamos consiguiendo la mejor respuesta
posible necesitamos medirlo y hacer cambios de manera
sistemática.
Módulo 2
Utilización de ingeniería rápida
Análisis de sentimientos
Traducción de lenguajes
Responder preguntas
Resumen de textos
Generación de códigos
Respuestas en chatbot
Clasificación de documentación
Captura de Imágenes
Reconocimiento de la entidad nombrada
Módulo 2
Limitaciones de los LLM y ChatGPT
Limitaciones de ChatGPT
Respuestas incorrectas
1 A veces escribe respuestas que suenan plausibles pero incorrectas o sin
sentido. Solucionar este problema es un desafío
Durante el entrenamiento de RL (Reinforcement Learning from Human
Feedback (RLHF)), actualmente no hay una fuente de verdad.
Entrenar al modelo para que sea más cauteloso, hace que rechace
preguntas que puede responder correctamente.
El entrenamiento supervisado induce a error al modelo porque la
respuesta ideal depende de lo que el modelo sabe, en lugar de lo que sabe
el demostrador humano.
Sensibilidad a los ajustes

2 Sensibilidad a los ajustes en la redacción de entrada o al intentar el mismo
mensaje varias veces. Por ejemplo, dada una formulación de una pregunta, el
modelo puede afirmar que no sabe la respuesta, pero dada una ligera
reformulación, puede responder correctamente
Falta de sentido común

3 Aunque puede generar respuestas similares a las humanas y tiene acceso a
una gran cantidad de información, no posee sentido común de nivel humano, y
el modelo carece también de los conocimientos previos que tenemos. Esto
significa que ChatGPT puede dar a veces respuestas sin sentido o inexactas a
determinadas preguntas o situaciones
El modelo suele adivinar lo que el usuario requiere, en lugar de realizar

preguntas aclaratorias en caso de una consulta ambigua
4 Sesgo de Datos
El modelo suele ser excesivamente detallado y abusa de ciertas frases. Estos
problemas surgen de sesgos en los datos de entrenamiento (los formadores
prefieren respuestas más largas que parezcan más completas) y de problemas
conocidos de sobreoptimización.
Manejo de solicitudes inadecuadas

5 El modelo a veces responderá a instrucciones dañinas o exhibirá un
comportamiento sesgado, a pesar de los esfuerzos en hacer que el modelo las
rechace. Se usa la API de moderación para advertir o bloquear ciertos tipos de
contenido no seguro, pero continuan algunos falsos negativos y positivos.
6 Falta de conocimiento específico del dominio

Aunque el modelo puede responder a una amplia variedad de preguntas y
comentarios, puede tener dificultad para responder a preguntas específicas de
dominio, cómo preguntas sobre medicina y finanzas.
Módulo 2
Limitaciones de los LLM y ChatGPT
Lista de Capacidades de ChatGPT
7 Falta de inteligencia emocional

Si bien puede generar respuestas que parezcan empáticas, no posee
verdadera inteligencia emocional. No puede detectar señales emocionales
sutiles ni responder adecuadamente a situaciones emocionales complejas
8 Dependencia del entrenamiento

Necesita ser entrenado en grandes cantidades de datos de lenguaje natural
para funcionar correctamente. Esto significa que su rendimiento puede verse
afectado, si el conjunto de entrenamiento no es lo suficiente grande o diverso.
GPT-4, GPT 3.5 no conocen eventos posteriores a septiembre de 2021, por su
conjunto de entrenamiento.
9 Capacidad de recolectar información del usuario

Una de las vulnerabilidades más comunes en ChatGPT es su capacidad para
recolectar información personal de los usuarios. Aunque esta información es
utilizada para mejorar la calidad del servicio, es importante que los usuarios
sean conscientes de qué tipo de información están compartiendo y con quién.
10 Susceptibilidad a los ataques de phishing

Una vulnerabilidad importante de ChatGPT, es su susceptibilidad a los
ataques de phishing. Los usuarios deben tener cuidado al hacer clic en
enlaces que se les proporcionen a través de la herramienta, ya que estos
pueden llevar a sitios web peligrosos que buscan robar información
personal.
11 Susceptibilidad de los usuarios al Malware

lPuede ser a vulnerable a los ataques de malware. Los usuarios deben
asegurarse de tener instalado un buen software antivirus y de mantenerlo
actualizado para evitar posibles ataques.
12 Costes y potencia de cálculo

ChatGPT es un modelo lingüístico de inteligencia artificial muy complejo y
sofisticado que requiere importantes recursos informáticos para funcionar
con eficacia, lo que significa que ejecutarlo puede resultar caro y requerir el
acceso a sistemas de hardware y software especializados
Ejecutar ChatGPT en hardware de gama baja o en sistemas con potencia de
cálculo limitada puede dar lugar a tiempos de procesamiento más lentos,
menor precisión y otros problemas de rendimiento
Las organizaciones deben considerar detenidamente sus recursos y

capacidades informáticas antes de utilizar ChatGPT.
Módulo 2
Explorando la capacidades de ChatGPT
Lista de capacidades de ChatGPT
1 Procesamiento del Lenguaje Natural (NLP)

Diseñado para comprender y responder una amplia gama de consultas, temas y
generar lenguaje natural.
• Puede mantener diálogos fluidos y naturales con los usuarios.
• Responder preguntas sobre diversos temas
• Proporcionar información detallada.
• Competir con seres humanos en varios campos del conocimiento, en especial
aquellos que guardan profunda relación con el lenguaje.
• GPT-4 puede procesar ahora hasta 25.000 palabras de texto de un usuario
2 Aprendizaje autónomo
Está diseñado para aprender automáticamente del lenguaje natural que
encuentra en línea. Aprende y mejora continuamente mediante actualizaciones de
datos y retroalimentación de los usuarios.
3 Generación de texto coherente y contextualmente relevante

Puede producir contenido bien estructurado para diferentes formas de texto que
se asemeja al estilo y conocimiento humano: informes, ensayos, cartas, correos
electrónicos, poemas, historias, canciones, parodias de celebridades, generar
listas, instrucciones paso a paso, lluvia de ideas y más, utilizando sus propias
palabras y conocimientos.
Es útil como redactor de texto, creador de contenido, actua como asistente virtual
en atención al cliente, tutorías en línea y toma de decisiones, para usuarios y
empresas
4 Resumen y traducción de texto

Puede resumir y traducir escritos en varios idiomas. Es un chatbot multilingüe
que admite más de 50 idiomas, entre ellos inglés, español, francés, alemán,
chino, japonés, árabe y muchos más.
Es una herramienta valiosa para la creación de contenido y la comunicación
global.
5 Asistencia en resolución de problemas

Puede ayudar a resolver problemas técnicos y proporcionar sugerencias y
recomendaciones precisas y útiles en diversas áreas, basadas en las
preferencias y necesidades del usuario
6 Escritura creativa y toma de decisiones

Puede generar ideas, sugerencias y soluciones en contextos creativos y de
toma de decisiones.
7 Adaptabilidad
Es altamente adaptable y puede ajustarse para satisfacer las necesidades
específicas de un usuario o empresa
8 Desarrollo de código
Es capaz de desarrollar código en varios lenguajes de programación. Puede
generar fragmentos de código, código de ejemplo y código de programación
real copiable y pegable en lenguaje de programación natural. Esto lo hace
idóneo para tareas de desarrollo de aplicaciones, como crear apps o depurar
las existentes
Módulo 2
Explorando la capacidades de ChatGPT
Lista de capacidades de ChatGPT
9 Escalabilidad y capacidad para procesar grandes volúmenes de

consultas
Es una solución altamente beneficiosa para empresas y organizaciones que
buscan mejorar la comunicación, la eficiencia y la experiencia del usuario
10 Solución de operaciones matemáticas y ecuaciones

Entre sus funciones se encuentra la solución de operaciones matemáticas y
ecuaciones
11 Identificación y corrección de errores

Puede identificar errores en la conversación con o sin retroalimentación
explícita del usuario. Puede rectificarlos disculpándose con el usuario y
ofreciendo información precisa
12 Versión multimodal imagen texto- GPT-4

Capaz de procesar imágenes y texto, y generar producciones de texto. Tiene
capacidades de interpretación visual y texto al mismo tiempo, lo que permite a
los usuarios abordar tareas de visión o lenguaje. En diversos contextos, como
documentos con fotos, diagramas o capturas de pantalla
13Versión de voz a imagen GPT-4

La nueva capacidad de voz está impulsada por un nuevo modelo de texto a voz,
capaz de generar audio similar al humano a partir de solo texto y unos pocos
segundos de voz de muestra.
Disponible para usuarios Plus y Empresarial
14 Versiones personalizadas de ChatGPT

Permite crear versiones personalizadas de ChatGPT para casi cualquier área de
especialización, con instrucciones, conocimientos y capacidades específicas.
Entre ellas:Asistente de documentos, codificación, escritura, Analista de datos,
asesor de soporte técnico, extractor de texto, diseñador visual, navegador web.
15 Integración con otras herramientas

Tiene capacidad para integrarse a otras herramientas cómo Excel o Chrome.
Actualmente están disponibles extensiones o complementos o add-ons para
navegadores web. Entre ellas: ChatGPT for Google, YouTube videos
Summary with ChatGPT, ChatGPT Writer, Resumen de ChatGPT para
Chrome, ChatGPT Toolkit, AIPRM for ChatGPT, ShateGPT, Luna, entre otros..
Módulo 3
Uso Responsable de la
Uso responsable de la IA generativa
Conocer qué es un sistema de Inteligencia

Artificial responsable, sus características y los
01 principios éticos que deben considerarse en el
entorno laboral y empresarial para su gestión
Comprender y ser capaz de identificar los

riesgos éticos asociados al uso de
02 aplicaciones de la IA generativa basadas en
LLM (atribución, sesgos, falsedades, entre
otros) y cómo mitigarlos.
Hoja de ruta
3.1
Ética y responsabilidad en
la generación de contenido
automatizado
Tendencias en las
3.2 regulaciones y normativas
del uso de la IA generativa
3.3 Seguridad
en la IA
3.4
El sesgo en el
entrenamiento de la IA
3.5 Desafíos y riesgos

en la IA generativa
3.6
Estrategias para la
mitigación de riesgos
en la generación de
contenido mediante IA
Uso responsable de la IA generativa
Resumen
Regulaciones y normativas
Seguridad en la IA Desafíos y riesgos en la IA

generativa
Mitigación de riesgos en
la generación de Sesgo
contenido mediante IA
Conocer qué es un sistema de IA

1 responsable, sus características y los
principios éticos que se deben tener en
cuenta.
Identificar los sesgos que existen en la

2 inteligencia artificial
Comprender de forma clara los desafíos y

riesgos en el uso de la IA generativa, cómo
3 gestionarlos, para hacer un uso eficiente
de la tecnología en el lugar de trabajo
Comprender la importancia y la necesidad

4 de la seguridad de la IA
Comprender la diversidad de desafíos que

5 enfrentan los países de la región para
implementar un proyecto de IA ético.
Comprender y conocer las regulaciones y

6 estándares internacionales asociadas a la
gestión de contenidos generados por

el uso responsable de la
IA generativa?
Bienvenida!
Módulo 3
en la generación de contenido automatizado
Definición de ética y responsabilidad
La ética se refiere a los principios morales que guían nuestras acciones,

mientras que la responsabilidad implica la obligación de rendir cuentas por
nuestras acciones.
En la generación de contenido
En el contexto de la generación de contenido automatizado, la ética y

responsabilidad, se refieren a los principios y prácticas, en como se
diseñan, implementan y utilizan los sistemas de IA de manera que sean
justos, transparentes y beneficiosos para todos.
A medida que la IA avanza y se integra en diversas áreas de nuestra

sociedad, es fundamental establecer principios éticos para su desarrollo y
uso responsable, respetando los valores y derechos humanos.
La ética implica la consideración de valores esenciales y principios

morales que deben ser respetados al diseñar, desarrollar y utilizar los
sistemas de generación de contenido automatizado. Esto incluye la
preocupación por la veracidad, imparcialidad, privacidad, inclusión y otros
valores éticos en la creación y distribución de contenido generado
automáticamente.
La responsabilidad se refiere a la obligación de los desarrolladores,

usuarios y organizaciones de garantizar que los sistemas de generación
de contenido automático; se utilicen de manera segura, ética y respetuosa.
Implica tomar medidas para mitigar riesgos, corregir posibles sesgos y
asegurarse de que el contenido generado cumpla con estándares éticos y
legales.
Recomendación sobre la ética

de la inteligencia artificial de la UNESCO
La UNESCO aborda la ética de la IA como una reflexión normativa

sistemática, basada en un marco integral, global, multicultural y evolutivo
de valores, principios y acciones interdependientes; que pueden guiar a las
sociedades a la hora de afrontar de manera responsable, los efectos
conocidos y desconocidos de las tecnologías de la IA en los seres
humanos, las sociedades, el medio ambiente y los ecosistemas, y les
ofrece una base para aceptar o rechazar las tecnologías de la IA.
UNESCO considera la ética como una base dinámica para la evaluación y

la orientación normativa de las tecnologías de la IA; tomando como
referencia la dignidad humana, el bienestar y la prevención de daños y
apoyándose en la ética de la ciencia y la tecnología”
Módulo 3
Principios de ética en la generación de contenido
Justicia y Equidad Beneficio Humano

La IA debe utilizarse para el beneficio
Aborda la imparcialidad y la igualdad. El de las personas y la sociedad,
contenido debe ser desarrollado y utilizado priorizando el bienestar humano, la
de manera justa y equitativa. equidad y el interés público en todas las
Evitar sesgos y discriminaciones, aplicaciones; incluyendo el empleo y la
asegurando, no reforzar las desigualdades distribución de riqueza.
existentes. Los algoritmos pueden amplificar los
Garantizar la diversidad y representatividad sesgos en torno a la raza, el género, las
en los datos utilizados para entrenar la IA, inclinaciones políticas, etc., a pesar de la
así como en los equipos de desarrollo. intención de hacer el bien y mejorar un
P sistema determinado.
r
i
n Privacidad y seguridad
Transparencia y Explicabilidad
c Son principios fundamentales en el
desarrollo y uso de la IA.
Los sistemas deben ser comprensibles i Se deben respetar y proteger los datos
para los usuarios y las partes afectadas,
de manera que las decisiones tomadas por p personales y derechos de autor,
estos, sean claras y comprensibles. cumpliendo con las leyes y regulaciones
i asociadas a la generación de contenido
Esto implica proporcionar información o automatizado.
clara sobre cómo se utilizan los datos, Implementar medidas de seguridad
cómo se toman las decisiones y qué
s adecuadas para prevenir accesos no
impacto pueden tener en las personas. autorizados y garantizar la
confidencialidad de la información
É
t
Respeto a las personas y i Responsabilidad y
autonomía humana rendición de cuentas
Este principio reconoce la autonomía de
c
Los desarrolladores, proveedores y
las personas y defiende la expectativa de o usuarios de los sistemas deben de asumir
que los investigadores, protejan a las
personas con autonomía disminuida. s la responsabilidad de las decisiones y
acciones de estos sistemas.
Se deben establecer mecanismos
Se enfoca en la idea del consentimiento. adecuados para atribuir responsabilidad
Las personas deben ser conscientes de en caso de daños o consecuencias
los posibles riesgos y beneficios del uso y negativas causadas por la IA.
deben poder elegir participar o retirarse La rendición de cuentas es esencial para
en cualquier momento antes y durante. promover la confianza y la
responsabilidad ética en el desarrollo y
uso de la IA.
Desafíos éticos que presenta el uso de la IA
Sesgos y Desarrollar y entrenar modelos de manera que minimice los

discriminación sesgos inherentes y promueva la equidad en la generación de
contenido.
Transparencia y Ser transparente sobre cómo se entrenan los modelos, qué

explicabilidad datos se utilizan y cómo se implementan. Esto contribuye a la
confianza y la rendición de cuentas.
PrivacidadModelado
y Se deben detomar precaucionesAutomático
Aprendizaje para proteger la privacidad de
seguridad de los datos, ofrecer oportunidades de reparación y proporcionar
opciones para que las personas puedan gestionar cómo se
los datos utilizan sus datos, para evitar que se divulguen datos sensibles
.
Los sistemas de IA deben operar dentro de los parámetros de

diseño, hacer predicciones y tomar decisiones consistentes y
Fiabilidad y repetibles
evaluación Evaluar continuamente la calidad y el impacto del contenido
continua generado, ajustando el sistema según sea necesario para abordar
problemas.
Cumplir con las leyes y regulaciones relacionadas con la generación de
Autonomía y contenido automatizado, como las leyes de derechos de autor y protección de
responsabilidad datos.
Los usuarios y partes interesadas deben estar informados sobre los riesgos
asociados al contenido generado automáticamente y proporcionar orientación
sobre su uso responsable.
Módulo 3
Herramientas utilizadas para

garantizar el uso ético de la IA
Evaluaciones de Diseño centrado

impacto ético en el usuario
Permiten identificar y evaluar Implica incorporar conceptos

los posibles impactos éticos y éticas desde las primeras etapas
sociales de los sistemas de IA del desarrollo de la IA
Ayudan a detectar y abordar Considera las necesidades y

posibles sesgos, valores de los usuarios y las
discriminación y otros partes afectadas, asegurando
problemas éticos que los sistemas se diseñen para
respetar su autonomía, privacidad
y derechos
Auditorías y Estándares y
pruebas éticas marcos éticos
Se utilizan para evaluar la ética de Proporcionan directrices y

los sistemas de IA existentes principios éticos para el desarrollo
y uso de la IA.
Permiten identificar posibles Organizaciones, instituciones y

problemas éticos, como sesgos o gobiernos han establecido
discriminación, y proponer estándares y marcos éticos que
mejoras y ajustes definen principios,
responsabilidades y buenas
prácticas en el campo de la IA
Educación y
formación en
ética de la IA
Es importante capacitar a los
desarrolladores, profesionales y
usuarios de la IA en los aspectos
éticos y responsables de su
aplicación.
La educación en ética de la IA
fomenta la conciencia y el
conocimiento sobre los desafíos
éticos y ayuda a desarrollar
habilidades para abordarlos de
manera efectiva.
Módulo 3
Tendencias en las regulaciones y normativas
Normativas y Regulaciones Internacionales
Pan-Canadian AI Recomendación Ética de la

Strategy,2017 Inteligencia Artificial, Unesco
Regulación Europea de la Inteligencia
Artificial adecuada y sin fronteras. Ley de
Inteligencia Artificial -IA Act (2021-2023)
9 leyes propuestas, marcos 5 Propuestas de
regulatorios Ley - España
Marco de gestión de riesgos
de la IA. NIST. Ene 2023
fAIr LAC: Alianza de
sectores: público y Autoridad de la Data y
privado, la sociedad la IA (SDAIA)
civil y la academia Guia de principios éticos
en América Latina y para el desarrollo de la IA 4 Propuestas de
el Caribe (BID) Medio Oriente Ley - Filipinas
Ley de Protección de
datos vigente,
Colombia
Regulación para Ley de Protección de datos

la técnología IA y de delitos informáticos y
Legislación de protección de Ciberseguridad,, Brasil
Datos, Perú
Proyecto de Ley
de IA Chile
Política Nacional
de IA Chile
Regulación Europea de la Inteligencia Artificial adecuada y sin

fronteras. Ley de Inteligencia Artificial -IA Act (2021-2023)
Nueve Leyes propuestas en EEUU, que han delimitado marcos

regulatorios, según el Foro Económico Mundial (WEF).
Marco de gestión de riesgos de la IA publicado por el Instituto

Nacional de Estándares y Tecnología NIST. guía voluntaria para
promover sistemas de IA confiables. EEUU- Ene 2023
Registro de 37 propuestas de Ley, relacionadas con regulaciones de

IA en el mundo, divididas en 127 países, de los cuales, España y
Filipinas figuran cómo los mayores impulsores, después de EEUU.
Universidad de Stanford, mayo 2023.
Pan-Canadian AI Strategy, creada por el Instituto Canadiense de

Investigación Avanzada (CIFAR), Canadá, 2017
Guia de principios éticos para el desarrollo de la IA, creada en Dubai,

que busca promover justicia en los algoritmos, transparencia, ser más
humana e inclusiva. ( Medio Oriente)
Autoridad de la Data y la IA (SDAIA), autoridad competente y

referencia para los Países Arabes en el monitoreo y regulación de los
datos y la IA
Módulo 3
Esfuerzos de ONG’s /Alianzas para regular la IA
El Secretario de la ONU afirmó que el desarrollo de una inteligencia

artificial que beneficie a todos, requiere de límites basados en los
derechos humanos, la transparencia y la rendición de cuentas. en la
cumbre de Inteligencia artificial para el bien, organizada en Ginebra por
la Unión Internacional de Telecomunicaciones (UIT).
Recomendación sobre la Ética de la Inteligencia Artificial,

UNESCO,adoptada por 193 Estados miembros de la UNESCO,
Nov.2021. Este instrumento busca promover los derechos humanos, la
dignidad humana, ser una guía ética y una base normativa global que
permita construir un sólido respeto por el estado de derecho en el
mundo digital
La Organización para la Cooperación y Desarrollo Económicos (OCDE)

cuenta con un observatorio , principios y clasificaciones para regularla a
IA
fAIr LAC es un alianza entre los sectores público y privado, la sociedad

civil y la academia, para incidir tanto en la política pública como en el
ecosistema emprendedor en la promoción del uso responsable y ético
de la IA en América Latina y el Caribe.
Cronología regulacion en la Unión Europea
Regulación Europea de la Inteligencia Artificial adecuada y sin fronteras

Ley de Inteligencia Artificial - IA Act
2020
01-02/10/20 El Consejo Europeo debate sobre la
2021 La Comisión Europea propone un

21/04/21
reglamento de IA
El Consejo Europeo acuerda su

2022
06/12/22 posición sobre el reglamento de IA
El Consejo y el Parlamento alcanzan

2023
09/12/23 un acuerdo sobre el reglamento de IA
Acuerdo a Aprobación de los

Próximos
pasos Estados Miembros ( Coreper)
Módulo 3
Regulaciones en la Unión Europea
El reglamento Europeo es una propuesta para regular los usos de la IA,

con el fin de abordar adecuadamente los beneficios y riesgos de esta
tecnología a nivel de la Unión y fomentar un desarrollo tecnológico
responsable y sostenible.
Sigue un enfoque basado en el riesgo, lo que significa que se aplicarán

determinadas obligaciones y restricciones en función del nivel de
riesgo derivado del uso de la IA, clasificados cómo: Inaceptable, alto
riesgo, riesgo limitado y riesgo mínimo.
La ley incide en los modelos generativos de IA, como ChatGPT,

introduciendo reglas específicas para garantizar la transparencia y la
gestión de riesgo, y cumplir con la normativa de la UE sobre derechos
de autor.
Aplica a todos los usos de la IA que afecten a los ciudadanos de la UE,

independientemente de la sede del proveedor de servicios o del lugar
donde se desarrolle o ejecute el sistema, dentro o fuera de las
fronteras de la UE.
Clasificación de los sistemas de IA según el nivel de riesgo

Regulaciones en la Unión Europea
Comprende los usos que presentan un riesgo inaceptable para la seguridad, los
medios de vida y los derechos y libertades de los ciudadanos.
Están prohibidos a menos que estén autorizados por la ley con fines de seguridad
nacional e incluyen los sistemas de IA de puntuación social (identificación
biométrica), la manipulación del comportamiento humano que causa daño y la
Riesgo vigilancia masiva.
inaceptable
Prohibido
Se someten a una evaluación de conformidad antes de que puedan desplegarse
en el mercado.
La evaluación examina la calidad de los conjuntos de datos para minimizar los
Alto riesgo riesgos y los resultados discriminatorios, la documentación y el mantenimiento de
registros para la trazabilidad, la transparencia e información proporcionada a los
Evaluación de Conformidad usuarios, la supervisión humana, la solidez, la precisión y las disposiciones de
ciberseguridad.
Riesgo limitado Está compuesto por los usos de riesgo limitado y sólo tendrá obligaciones
Obligación de Transparencia de transparencia. Por ejemplo, en el caso de los “chatbots” basados en IA,
los usuarios deben ser conscientes de que están interactuando con una
máquina.
Incluye usos de riesgo mínimo que no estarán sujetos a ninguna obligación,

Riesgo mínimo aunque se recomienda la adopción de códigos de conducta voluntarios.
Sin Obligaciones Estos códigos de conducta podrían aumentar la confianza para la adopción de la
IA y proporcionar una palanca para la diferenciación de los servicios y, por tanto,
una ventaja competitiva entre los proveedores de servicios.
Prácticas Prohibidas y Protección de los Derechos

Fundamentales - Regulaciones en la Unión Europea
Técnicas subliminales para alterar comportamiento, con

probable perjuicio para el usuario.
Aprovechamiento de vulnerabilidades de un colectivo por

su edad o discapacidad, con perjuicio para este.
Uso de las autoridades públicas para clasificar la

fiabilidad de personas por su conducta.
Uso de sistemas de identificación biométrica remota en

tiempo real en espacios de acceso público
Módulo 3
Regulaciones en EEUU
Hay nueve Leyes propuestas en EEUU, que han definido el marco

regulatorio, según el Foro Económico Mundial (WEF).
Los lineamientos base para generar regulaciones en materia de IA, fueron

compartidos por el gobierno de EEUU. Este documento no establece ni
reforma ni ley y presenta 5 puntos claves:
Protección contra discriminación generada por algoritmos
Privacidad
Sistemas eficientes y seguros
Transparencias sobre tecnologías
Consideraciones humanas
Regulaciones en EEUU
Marco de gestión de riesgos de la IA : Enero 2023

Publicado por el Instituto Nacional de Estándares y Tecnología NIST.
Guía voluntaria para promover sistemas de IA confiables.
Guía de la Casa Blanca para la Regulación de la IA, enero 2020

Conjunto de principios para el desarrollo y la regulación de la IA. Se
enfocaban en la promoción de la innovación y el crecimiento
económico, mientras se protege la seguridad pública y se fomentan los
valores estadounidenses.
National Artificial Intelligence Initiative Act Fin 2020

Esta ley tenía como objetivo coordinar y unificar los esfuerzos de IA en
todo el gobierno federal de los Estados Unidos, promoviendo la
investigación, la educación y la formación en IA.
Iniciativas del Sector Privado

Empresas como Google, Microsoft y IBM han desarrollado sus propios
principios éticos para la IA y han participado en varias iniciativas para
promover el uso responsable de esta.
Regulaciones en Chile
Política Nacional de IA : septiembre 2021

Chile aprobó la Política Nacional de IA, que tiene como objetivo
orientar estratégicamente los esfuerzos del país promoviendo,
comprendiendo y utilizando la investigación en todas las disciplinas,
la tecnología y la innovación para contribuir al desarrollo integral y
sostenible de Chile
Creación del Centro Nacional de Inteligencia Artificial (CENIA)

La focalización en IA de becas de doctorado (ANID)
La puesta en marcha de redes de 5G
El primer doctorado de IA en Chile y Latinoamérica
La implementación del Proyecto Algoritmos Éticos
Proyecto de Ley de IA
Existe un proyecto de ley de IA en Chile que busca establecer
regulaciones para el desarrollo y uso de sistemas de IA. La ley
propone categorizar sistemas en base a su riesgo, con requisitos
específicos para sistemas de alto riesgo
Módulo 3
Seguridad en la IA
¿Qué es la seguridad en la IA?
Es un campo de estudio que se centra en desarrollar y aplicar

Es un campo de estudio que se centra en desarrollar y aplicar
medidas para garantizar que los sistemas de inteligencia artificial
medidas para garantizar que los sistemas de inteligencia artificial
sean seguros, confiables y éticos.
sean seguros, confiables y éticos.
La seguridad de la IA aborda la:

Prevención de comportamientos no deseados o peligrosos de los
sistemas de IA
Protección contra posibles sesgos algorítmicos
Privacidad de los datos
Mitigación de riesgos asociados con el desarrollo y despliegue de
tecnologías de IA
Busca desarrollar normas y mejores prácticas para garantizar que la

inteligencia artificial, se utilice de manera responsable y beneficie a
la sociedad en general
Áreas de la seguridad de la IA
Robustez del Modelo Privacidad de los Datos

Los modelos de IA deben ser La seguridad en la IA implica
robustos y resistir intentos de proteger la privacidad de los datos
manipulación o ataques adversarios utilizados para entrenar los modelos.
Se busca desarrollar modelos que Se deben implementar medidas para
sean capaces de funcionar de garantizar que la información
manera confiable en diversas sensible no sea comprometida,
situaciones durante el proceso de entrenamiento
Ética y Responsabilidad Transparencia y Explicabilidad

La seguridad ética es un componente Hacer que los modelos de IA sean
fundamental. comprensibles es esencial para
Se deben establecer prácticas evaluar su seguridad.
responsables en el desarrollo y La capacidad de explicar cómo
despliegue de sistemas de IA para toman decisiones, puede ayudar a
evitar posibles consecuencias Áreas identificar posibles riesgos y mejorar
negativas
claves la confianza en el sistema
Seguridad
Regulación y Normativas Detección de Sesgos
IA Es importante identificar y abordar
La implementación de regulaciones y los sesgos presentes en los
normativas específicas para la conjuntos de datos utilizados para
seguridad en la IA es necesaria. entrenar modelos de IA.
Diversos países y organizaciones Los sesgos pueden llevar a
están trabajando en desarrollar decisiones discriminatorias y
marcos legales para abordar estos representan un riesgo para la
temas equidad y la justicia
Ciberseguridad Actualizaciones y Mantenimiento

La protección contra ataques La seguridad en la IA no es estática;
cibernéticos es crucial. evoluciona con el tiempo.
Los modelos de IA y los sistemas Es esencial implementar
asociados deben ser resistentes a actualizaciones regulares y
posibles amenazas, como ataques de mantener los sistemas para hacer
inyección de datos maliciosos frente a nuevas amenazas y
vulnerabilidades
Módulo 3
Seguridad en la IA
Riesgos de Seguridad de la IA
Riesgos de seguridad
de los datos
Envenenamient Manipulación Inferencia de

o de los datos de los inputs pertenencia
Ataques contra
modelos de IA Ataque de cadena
Reconstrucción Robo de de suministro del
de los datos modelos modelo
Riesgos sobre los

Mantenibilidad del
sistemas de IA código de IA
Complejidad de la
cadena de
suministro de la IA
Reutilización de
código externo de
Riesgos de Manipulación de
Deep fakes Voces
Seguridad Uso de IA generativa información
de la IA maliciosa en la
generación de contenido Imágenes Videos Caras
Ciberataques con IA y
optimización de las Uso de IA generativa
capacidades de los a través de técnicas
de ingeniería social Phishing Smishing Spear-phishing
delincuentes
Uso de la IA para ataques
a vulnerabilidades de los
sistemas Corporativos
Evasión de los Adaptación a
Optimizar la mecanismos de entornos Propagación
detección cambiantes
eficiencia y eficacia
del malware Persistencia en
los sistemas
atacados
Metodología para abordar los riesgos de seguridad de la IA, de la fundación Open Web
Application Security Project (Proyecto de Seguridad en Aplicaciones Web Abiertas)
Metodologías y guias que abordan

los riesgos de seguridad de la IA
European Union Agency for Cybersecurity (ENISA) ha publicado

diversos frameworks, metodologías e informes que abordan los
riesgos de seguridad de la IA y los desafíos a los que deben hacer
frente las empresas
El estadounidense National Institute of Standards and Technology

(NIST) ha creado un marco para gestionar los riesgos de seguridad
de la IA
La Fundación OWASP (Open Web Application Security Project) es

una organización que proporciona recursos, herramientas y
directrices para ayudar a las organizaciones a desarrollar, adquirir
y mantener software seguro. Se centra en la seguridad de las
aplicaciones web y promueve las mejores prácticas en el desarrollo
de software para prevenir y abordar las vulnerabilidades de
seguridad
Módulo 3
Seguridad en la IA
Tipos de actores en riesgos de seguridad
Actores que
amenazan el
sistema social y
económico Ciberdelincuentes
Actores gubernamentales y grupos Cibercriminales
esponsorizados por los estados Su objetivo es lucrarse. Pueden usar los
Sus objetivos pueden ir desde atacar sistemas como herramientas para realizar
sectores e infraestructuras críticas de un ataques o atacarlos directamente
país, hasta desestabilizar su sistema
democrático Script kiddies
Se sirven de herramientas de ataque
Ciberterroristas paquetizadas y scripts pre-escritos para
Buscan causar un daño directo en la vida de poder atacar a sistemas corporativos,ya que
las personas, llegando a provocar muertes, carecen de conocimientos para ataques
por ejemplo, a través de sabotajes a complejos
infraestructuras cruciales o sectores tan
sensibles como el de la salud.
El fuego amigo y Hacktivistas

la competencia
Trabajadores y proveedores de las

compañías
Trabajadores y proveedores de las
Personas con acceso a elementos críticos de
compañías
las IA como los modelos o los conjuntos de
Mezcla el hackeo con el activismo para
datos pueden sabotear los sistemas de
referirse a los actores hostiles cuya
forma intencionada. Ejemplo: envenenando
motivación es, esencialmente, ideológica y
los datos de entrenamiento.
que buscan hackear los sistemas de IA para
Empresas rivales evidenciar sus vulnerabilidades y riesgos.
Es posible que se produzcan ataques
provenientes de empresas rivales, que
buscan robar propiedad intelectual o
menoscabar la reputación de las compañías
que desarrollan o emplean sistemas de IA
Mitigación de los riesgos de seguridad de la IA
01 Priorizar los riesgos según su

impacto potencial 02 Ciberseguridad y
Protección de los Datos
y
03 Transparencia y Explicabilidad
Establecer estrategias y marcos Garantizar la encriptación adecuada de Diseñar modelos de IA que sean
regulatorios para gestionar los datos sensibles utilizados por los interpretables y transparentes, de modo
riesgos de ciberseguridad y modelos de IA para prevenir accesos no que las decisiones tomadas por los
privacidad de los sistemas de IA, en autorizados. modelos sean comprensibles.
todas las fases del ciclo de vida de Prohibir compartir información sensible Asegurarse que los tomadores de
la IA: diseño, desarrollo, despliegue, o privada con plataformas de IA públicas decisiones comprendan cómo funciona
o soluciones de terceros fuera del la IA.
evaluación y uso. control de la empresa. Cualquier información generada por una
La seguridad en el desarrollo incluye No cruzar los flujos de información, ni plataforma de IA debe ser validada o
la selección segura de algoritmos y mezclar datos de dferentes fuentes, sin verificada para confirmar que es
la validación de datos. las debidas precauciones. verdadera y precisa.
Realizar auditorías y/o controles de
seguridad periódicas, para evaluar la
robustez de los sistemas de IA
04 Pruebas Rigurosas
05 Control de Acceso
06 Monitoreo Continuo
Someter los modelos de IA a Gestionar y limitar el acceso a los Establecer sistemas de monitoreo
pruebas rigurosas para identificar y sistemas de IA, asegurando que continuo automatizados, para
corregir posibles vulnerabilidades y solo personas autorizadas tengan la detectar posibles amenazas o
sesgos. capacidad de interactuar o comportamientos anómalos en
modificar los modelos. tiempo real
Es importante tener un sistema de Las empresas deben adoptar y
documentación riguroso y adaptar una postura de confianza Actualización continua de
estandarizado para los sistemas de cero hacia la IA. Esto significa que protocolos, en función de las
IA, que incluya, ¿qué datos utiliza el no se debe confiar en ningún mejores prácticas y adaptación de
modelo?, ¿cuáles son los sistema o usuario sin verificar medidas de acuerdo a las
parámetros y pesos del modelo?, primero necesidades.
¿cómo se entrenan y prueban los
modelos y qué resultados
producen?
07 Desarrollo Ético
08 Colaboración
Comunidad
con la
09 Educación
Incorporar consideraciones éticas Incorporar consideraciones éticas Capacita a los profesionales y

en el diseño y desarrollo de la IA, en el diseño y desarrollo de la IA, usuarios sobre los riesgos de
abordando cuestiones como el abordando cuestiones como el seguridad de la IA.
sesgo algorítmico y la equidad sesgo algorítmico y la equidad Fomenta una cultura de seguridad y
responsabilidad en el uso de la
tecnología.
Módulo 3
El sesgo en el entrenamiento de la IA
Definición de sesgo
Se refiere a la inclinación o predisposición hacia una idea, persona,

grupo o cosa en particular, generalmente de manera injusta o
parcial.
Está relacionado con el prejuicio y la intuición
Las personas pueden desarrollar sesgos hacia o en contra de un

individuo, un grupo étnico, una identidad sexual o de género, una
nación, una religión, una clase social, un partido político,
paradigmas e ideologías teóricas dentro de los dominios
académicos o una especie.
Wikipedia
Sesgo en el entrenamiento de la IA
Se refiere a la presencia de prejuicios o inclinaciones sistemáticas en

los algoritmos y modelos de IA, que pueden llevar a decisiones
discriminatorias, resultados injustos o no precisos. Puede surgir
debido a:
La calidad de los datos de entrenamiento. Datos sesgados, donde

el conjunto de datos utilizado para entrenar el modelo refleja
inequidades existentes en la sociedad.
Consideraciones en el diseño del algoritmo.
Supuestos subyacentes en el modelo
La detección y mitigación del sesgo en la IA, son aspectos

cruciales, para garantizar la equidad y la imparcialidad en las
aplicaciones de la IA
Se han desarrollado diversas técnicas y prácticas para abordar el

sesgo, como:
El análisis de sesgo
La auditoría de modelos y
La inclusión de enfoques éticos durante el desarrollo de algoritmos
de inteligencia.
Sesgos humanos en los datos
Sesgo de Información Sesgo de estereotipo

Sesgo de selección Injusticia histórica
Sobre generalización Asociaciones implícitas
Sesgo de homogeneidad Estereotipos implícitos
del grupo externo Prejuicio
Datos de Error de atribución grupal
Error del efecto halo
entrenamiento
recolectados y
comentados Sesgos humanos en la recolección y
comentarios
Error de muestreo Punto ciego de sesgo – Sesgo ciego

Error no muestral (Error de Sesgo de confirmación
medición, de respuesta, de Validación subjetiva
codificación, de interpretación, Sesgo del experimentador
entre otros) Sesgo de respaldo a la elección
Insensibilidad al tamaño de la Desatención a la probabilidad
muestra Falacia anecdótica
Sesgo de correspondencia Ilusión de validez
Sesgo intragrupal
Módulo 3
Sesgos en el entrenamiento de la IA
Provienen de conjuntos de datos desequilibrados o sesgados. Si

los datos utilizados para entrenar un algoritmo contienen
Sesgo de datos generales desigualdades o reflejan prejuicios existentes en la sociedad (por
ejemplo, sesgos de género, raza, edad o ubicación geográfica), la
IA puede aprender y perpetuar esas discriminaciones.
Sesgo de selección o Ocurre cuando los datos utilizados para entrenar el modelo no son
muestreo de datos representativos de la población general; es decir los datos no
representan con precisión el entorno en el que se espera que se
encuentre el programa, lo que puede llevar a predicciones
incorrectas en situaciones diversas.
Pueden ocurrir cuando los datos utilizados para entrenar la IA no

Sesgos de exclusión - incluyen ciertos grupos o situaciones, lo que resulta en la omisión
omisión de información relevante y, por lo tanto, en decisiones parciales o
inexactas
Sesgos algorítmicos Ocurren durante el diseño y la implementación de los algoritmos.

Pueden surgir debido a la elección de características o variables
que pueden influir en la toma de decisiones y crear parcialidades
no intencionadas en los resultados
Sesgos de atributos Se refiere a la presencia de prejuicios en los atributos utilizados

para entrenar el modelo. Si los atributos contienen sesgos
inherentes, el modelo puede aprender y perpetuar esos sesgos
Sesgos de supervisión Este sesgo ocurre cuando las etiquetas o las decisiones de los
supervisores humanos introducen prejuicios en el conjunto de
entrenamiento
Provienen de conjuntos de datos desequilibrados o sesgados. Si

Sesgo de datos generales los datos utilizados para entrenar un algoritmo contienen
desigualdades o reflejan prejuicios existentes en la sociedad (por
ejemplo, sesgos de género, raza, edad o ubicación geográfica), la
IA puede aprender y perpetuar esas discriminaciones.
Ocurre cuando los datos utilizados para entrenar el modelo no son

Sesgo de selección o representativos de la población general; es decir los datos no
muestreo de datos representan con precisión el entorno en el que se espera que se
encuentre el programa, lo que puede llevar a predicciones
incorrectas en situaciones diversas.
Pueden ocurrir cuando los datos utilizados para entrenar la IA no

Sesgos de exclusión - incluyen ciertos grupos o situaciones, lo que resulta en la omisión de
omisión información relevante y, por lo tanto, en decisiones parciales o
inexactas
Ocurren durante el diseño y la implementación de los algoritmos.

Sesgos algorítmicos
Pueden surgir debido a la elección de características o variables que
pueden influir en la toma de decisiones y crear parcialidades no
intencionadas en los resultados
Se refiere a la presencia de prejuicios en los atributos utilizados para

Sesgos de atributos
entrenar el modelo. Si los atributos contienen sesgos inherentes, el
modelo puede aprender y perpetuar esos sesgos
Este sesgo ocurre cuando las etiquetas o las decisiones de los

Sesgos de supervisión
supervisores humanos introducen prejuicios en el conjunto de
entrenamiento
Módulo 3
Acciones para mitigar el impacto de los sesgos
Identificar las posibles fuentes de sesgos
Establecer directrices y normas para eliminar los sesgos e

implantar procedimientos para identificar, comunicar y
mitigarlos.
Identificar cómo debe ser el conjunto de datos representativo

del modelo y ser precisos.
Documentar y compartir los métodos de selección y limpieza

de los datos y permitir que otros examinen, si los modelos
presentan alguna forma de sesgo. Esto puede ayudar a
analizar las causas de las fuentes de sesgo, para eliminarlas
en futuras iteraciones del modelo,
Evaluar el modelo en función del rendimiento y seleccionar el menos

sesgado.
Supervisar y revisar los modelos en funcionamiento: Existe una

diferencia entre el rendimiento del modelo de aprendizaje
automático en el entrenamiento y su rendimiento en el mundo
real
Módulo 3
Desafíos y Riesgos en la
inteligencia artificial generativa
Beneficios de la IA generativa
La IAG genera ideas y contenido de alta calidad

personalizados, en diferentes extensiones y formatos, en
Creación de contenido y
poco tiempo: artículos, informes, conversaciones, historias,
fomento de la creatividad imágenes, videos y música. Uso en publicidad, marketing,
entretenimiento y producción de medios
Para entrenar modelos de IA generativa se requieren grandes cantidades de
datos.
Imitación de la inteligencia Los modelos de IAG pueden comprender y generar texto

humana en tareas informáticas similar al humano, valioso en tareas como: análisis de
sentimientos, chatbots y asistentes virtuales. Pueden
atender consultas de los clientes y brindar soporte las 24
horas del día, 7 días de la semana, mejorando el servicio al
cliente.
Los modelos de IA generativa pueden tardar mucho tiempo en
entrenarse.
Acelera la investigación - Los algoritmos de la IA generativa pueden explorar y

Innovación y personaliza el analizar datos complejos de nuevas formas y usarse en
problemas que requieren soluciones o ideas innovadoras.
aprendizaje
Los modelos de IA generativa pueden ser muy complejos y difíciles de
entender.
La IAG puede automatizar tareas repetitivas y que

Automatización de tareas, requieren mucho tiempo, como: la entrada de datos,
eficiencia y reducción de costos generación de contenido y las consultas de atención al
cliente. Esto libera recursos humanos, para centrarse en
tareas más estratégicas y creativas; lo que conduce a
mayor eficiencia y ayuda a reducir los costos, así como
facilita la escalabilidad, para manejar incrementos o
disminuciones en las cargas de trabajo.
Generación, interpretación y La IAG puede generar una gran cantidad de datos para ser
aplicación de datos usados en estudios e investigaciones. Puede procesar y
analizar grandes volúmenes de datos para extraer
información valiosa, ayudando a las empresas en la toma
de decisiones, identificar tendencias y predecir resultados
futuros de manera más efectiva.
Riesgos de la IA generativa
Uso indebido de la
Sesgo y discriminación tecnología
Derechos de autor y
Violación de la privacidad
propiedad intelectual
Riesgos
Riesgos de Seguridad de la IAG Modelo cajas negras
Amenazas cibernéticas
Modelos poco seguros,

Alucinaciones
basados en robos
Compartir involuntariamente Responsabilidad y

su propiedad intelectual Rendición de Cuentas
Impacto social y
medioambiental
Módulo 3
Riesgos de la IA generativa
Sesgo y discriminación
Los modelos de IAG pueden reproducir o incluso
amplificar los sesgos, pueden mostrar prejuicios
respecto de las personas, mayormente a raíz del
sesgo en sus datos. En este caso, el riesgo puede ser
más alto, dado que también puede generar
Riesgos de seguridad
información errónea y contenido ofensivo o abusivo
en su nombre.
Amenazas cibernéticas
Los sistemas de IAG pueden ser vulnerables a
ataques. Ejemplos:
Violación de la privacidad Un atacante podría tratar de manipular el
La capacidad de la IAG para relacionar información en conjunto de datos de entrenamiento para hacer
grandes conjuntos de datos (y generar nuevos datos que el sistema de IAG produzca resultados
según sea necesario), podría violar sus controles de dañinos.
privacidad. Actores maliciosos podrían analizar los correos
Al identificar relaciones entre puntos de datos electrónicos, las publicaciones en redes sociales
aparentemente dispares, podría identificar individuos y las apariciones en video de sus ejecutivos para
o entidades que usted haya anonimizado y imitar su estilo de redacción, forma de expresión
disponibilizar su información confidencial. y gestos faciales y la IAG podría elaborar correo
o vídeo (deep fakes) con igual apariencia con
información falsa, para difamar a individuos,
propagar desinformación o realizar actividades
Derechos de autor y fraudulentas.
propiedad intelectual
La IAG puede generar contenido que infrinja los

derechos de autor o la propiedad intelectual. Esto
puede llevar a problemas legales y éticos.
Alucinaciones
La IAG tiene la excelente capacidad de generar
respuestas convincentes a casi todas las preguntas
Modelo cajas negras que se le formulen. Sin embargo, en algunos casos,
sus respuestas son absolutamente incorrectas. Esto
la IAG se ejecuta sobre un "modelo base" desarrollado debido a que los modelos están diseñados para
por un tercero especializado. Al no ser propietario del generar contenido que parezca razonable, aunque no
modelo o inclusive no tener acceso a los detalles sea correcto,
internos sobre cómo funciona el modelo, puede hasta
resultar imposible entender por qué se produjo un
resultado específico
Modelos poco seguros, Compartir involuntariamente

basados en robos su propiedad intelectual
Al haber tantos datos detrás de la IAG, es posible que Si no se manejan con cuidado, los datos e
no siempre conozca su fuente — o si se cuenta con información exclusiva de la organización podrían
permiso para usarla. Ejemplo: estar ayudando a competidores a generar contenido:
la información que se ingresa en un modelo de IA
La IAG puede reproducir texto, imágenes o código
generativa podría ser parte de una base de datos de
de software sujetos a derecho de autor dentro del
uso público o semipúblico y divulgarse ampliamente
contenido que produce en su nombre
Responsabilidad y
Rendición de Cuentas
Puede ser difícil determinar quién es responsable
Impacto social y medioambiental
cuando un sistema de IAG produce resultados dañinos Entrenar y ejecutar modelos de AI generativa requiere
o ilegales. Esto plantea preguntas sobre la una cantidad importante de recursos informáticos
responsabilidad y la rendición de cuentas (poderosos hardware y gran capacidad de memoria).
Esto aumenta los costos, consumo de energía y
limita la accesibilidad y la escalabilidad de las
aplicaciones.
IModelo de nteligencia artificial generativa: cómo potenciar las oportunidades de manera responsable, tomado de publicaión de PWC
Módulo3
Desafíos de la IA generativa
Gobernanza de la IAG
Se refiere a la formulación y aplicación de políticas, normas y
regulaciones que guían el desarrollo, implementación y uso
ético de la IA
Exige un aprendizaje basado en las lecciones y buenas prácticas
que surgen de las diferentes jurisdicciones en todo el mundo.
La generación automática de contenido plantea cuestiones éticas,
como la posibilidad de difusión de información falsa o el uso
inapropiado de la tecnología, por lo que es importante establecer
normativas y regulaciones.
Derechos de Autor y Propiedad Intelectual

Las salidas no siempre identifican la fuente desde la cual extraen
el contenido, lo cual genera problemas de derechos de autor y
atribución. Puede promover nuevos tipos de plagio, que ignoren
los derechos de los creadores de contenido y artistas del
contenido original.
Sesgo y Equidad
Si los datos de entrenamiento, o los algoritmos de los sistemas, o
las personas del equipo de diseño, desarrollo e implantación,
contienen sesgos o limitaciones,estos sesgos pueden verse
reflejados en las salidas. Las organizaciones deben trabajar en
mitigar estos riesgos, garantizando la calidad de la data en sus
modelos.
Respuestas poco confiables ó alucinaciones

Los modelos de AI generativa alucinan respuestas; es decir, generan
respuestas incorrectas, casos irreales o ilógicos, o salidas que
parecen fáctibles y seguras y corresponden a información errónea o
en algunos casos sesgada..
Recursos informáticos
Entrenar y ejecutar modelos de AI generativa requiere una cantidad
importante de recursos informáticos (poderosos hardware y gran
capacidad de memoria). Esto aumenta los costos, consumo de
energía y limita la accesibilidad y la escalabilidad de las aplicaciones.
Requisitos de datos
La recopilación y el uso de datos para entrenar modelos de IAG,
plantear riesgos de privacidad y requiere de una gran cantidad de
datos, cuyo almacenamiento, puede resultar costoso y requerir
mucho tiempo.
Falta de interpretabilidad
Los modelos de AI generativa suelen funcionar como "cajas
negras", lo que impacta la comprensión de su proceso de toma de
decisiones. Esto puede dificultar la confianza y la adopción de
límites en aplicaciones esenciales.
Desinformación y manipulación
La IAG se puede utilizar para crear contenido falso realista,
como texto, imágenes y vídeos, que se pueden utilizar para
campañas de desinformación o fraude
Módulo 3
Estrategia para la mitigación de riesgos en la
generación de contenido mediante IA
Mitigación de Riesgos de la IA generativa
La mitigación de riesgos en la inteligencia artificial generativa

implica tomar medidas para reducir posibles problemas o
consecuencias no deseadas asociadas con el uso de esta
tecnología. Entre ellas:
La supervisión humana
La ética y responsabilidad de la IAG
La transparencia y explicabilidad
Las restricciones y limitaciones de uso
El entrenamiento responsable
La colaboración interdisciplinaria
La participación de la comunidad
Monitoreo y actualización constante.
La IA responsable puede gestionar riesgos y generar confianza en la

IA generativa, dado que aborda los riesgos en los niveles:
Técnológico; fallas de rendimiento, seguridad y control
Empresarial: uso ético, transparencia de los modelos, privacidad,
propiedad intelectual y cumplimiento.
Según las previsiones de Gartner, en 2026 las organizaciones

que instrumentalicen la transparencia, la confianza y la seguridad
de la IA, gestión de la confianza, el riesgo y la seguridad de la IA
(AI TRiSM, por sus siglas en inglés), verán mejorar en un 50 % los
resultados de sus modelos de IA en términos de adopción,
objetivos de la empresa y aceptación del usuario
Según McKinsey la imprecisión, la ciberseguridad y la infracción

de la propiedad intelectual, son los riesgos más citados de la
adopción de la IA generativa.
El 21%de los encuestados que informaron de la adopción de la IA,
dicen que sus organizaciones han establecido políticas que
regulan el uso por parte de los empleados de las tecnologías de
la IAG en su trabajo.
Sólo el 32% dice que está mitigando la imprecisión, un porcentaje
menor que el 38% dice que mitiga los riesgos de ciberseguridad.
Módulo 3
Estrategia para la mitigación de riesgos en la
generación de contenido mediante IA
Mitigación de riesgos de la IAG
Definir una estrategia para promover el uso de la IAG responsable:
Desarrollar y seguir pautas éticas claras para el desarrollo y

despliegue de modelos generativos, considerando el impacto
social, cultural y ético de sus resultados.
Aborda la responsabilidad, la transparencia, la equidad y la
Desarrollar una estrategia seguridad en todas las fases de vida de los sistemas de IAG
de gobernanza de la IAG Incluye: Interpretabilidad y explicabilidad, sustentabilidad, sólidez,
seguridad, privacidad, prevención, evitar sesgos, entre otros.
Observar los marcos regulatorios y garantizar que los sistemas
estén en conformidad con estándares éticos y legales.
Renovar las protecciones cibernéticas, de datos y privacidad es

crucial.
Seguridad cibernética Contar con sólidas protecciones de ciberdefensa, que
salvaguarden el lenguaje patentado, modelos fundamentales,
datos y contenido nuevo.
Definir la importancia de cada uno de los riesgos de IAG, según las

necesidades de los equipos y negocios .
Establecer prioridades en Identificar los posibles riesgos asociados al uso de la IAG en cada
función de la importancia contexto específico. Enfocar la atención en los riesgos más
importantes.
de los riesgos Evaluar la probabilidad y el impacto de cada riesgo identificado.
En algunos casos la IAG puede ser difícil de entender y explicar, por

lo que es importante trabajar en su transparencia. Buscar la
Abordar el riesgo de opacidad interpretabilidad de los modelos generativos, para comprender
mejor ¿cómo toman decisiones?,y detectar posibles
comportamientos indeseados
Implementar sistemas de supervisión humana para monitorear la

salida de modelos generativos y tomar medidas en caso de
Monitoreo y evaluación continua contenido inapropiado o riesgoso
Establecer procesos de evaluación continua para monitorear el
rendimiento y los posibles riesgos de los modelos generativos en
tiempo real.
Crear un plan de respuesta a incidentes que aborde rápidamente
cualquier problema ético, de seguridad o de otro tipo que pueda
surgir con los sistemas de IAG
Tener en cuenta monitorear a los terceros, que puedan estar
utilizando la IAG
Agregar control automatizado Se deben considerar las herramientas de software emergentes

para identificar contenido generado por IAG, verificar su contenido,
determinar el sesgo o violaciones de privacidad y agregar
comentarios (advertencias) según sea necesario, de forma
automatizada.
Aplicación correcta de la IAG. Identificar si el problema concreto a resolver, requiere o no, una
solución IA/ML No todas las situaciones requieren la
implementación de la IAG
Esto puede ayudar a garantizar que se está utilizando la IAG de

Seguir los estándares de la manera segura y efectiva y alineada a los avances en la
industria y las mejores prácticas investigación y tecnología
Módulo 4
La Inteligencia Artificial Generativa -
IAG
y el Lugar de Trabajo
La IA generativa y el lugar de trabajo
Conocer y comprender la aplicación y casos

de uso de la inteligencia artificial en diferentes
01 procesos industriales y comerciales, sus
desafíos y avances
Comprender cómo la IA generativa influye

02 actualmente en las empresas (particularmente
aquellas que prevalecen en Chile)
Hoja de ruta
4.1
Automatización de procesos
en el entorno laboral /
Tipos de procesos comerciales
beneficiados por la IA
4.2 Asistentes virtuales y

automatización de tareas
Comunicaciones con
4.3 el cliente mediante
ChatBot
4.4
Casos prácticos de
implementación de la IA
generativa en la empresa
Caso de uso
4.5 en la creación de
contenido generativo
4.6
Desafíos de la IA
en el lugar de trabajo
La IA generativa y el lugar de trabajo
Resumen
Automatización de
procesos en el entorno Asistentes virtuales
laboral
Chatbot Implementación de la IA
generativa en la empresa
Desafíos de la IA en el
lugar de trabajo
Conocer y comprender la aplicación y

1 casos de uso de la inteligencia artificial en
diferentes procesos industriales y
comerciales, sus desafíos y avances.
Comprender cómo la IA generativa

2 influye actualmente en las empresas
(particularmente aquellas que
prevalecen en Chile

La IA generativa y el lugar de
trabajo?
Bienvenida!
Módulo 4
Automatización de procesos en el entorno laboral
Tipos de procesos comerciales beneficiados por la IA
¿Qué es automatización de procesos?
Es la operacionalización de un proceso que antes se ejecutaba

manualmente, utilizando la tecnología y la integración de sistemas
y datos.
Describe una amplia gama de tecnologías que reducen la

intervención humana en los procesos. La intervención humana se
reduce mediante la predeterminación de los criterios de decisión,
las relaciones de los subprocesos y las acciones relacionadas, y la
incorporación de esas predeterminaciones en las máquinas.
Wikipedia
Es la utilización de un conjunto de herramientas tecnológicas que

busca hacer más fácil, efectivo y eficiente el funcionamiento de
una empresa. El objetivo es diseñar, ejecutar, documentar,
monitorear y medir los procesos de un negocio, identificando y
evitando los errores que hacen que pierda eficiencia
¿Qué es RPA - Automatización Robótica de procesos?
Es una aplicación de la inteligencia artificial en la automatización

de procesos repetitivos, basados en software y de bajo valor
añadido. Es una manera de automatizar tareas administrativas
ejecutadas por humanos, por medio del uso de robots de software,
para optimizar recursos valiosos ( latencia de procesos,
disponibilidad 24/7/365, reducción de errores, entre otros).
Los procesos que pueden automatizarse con RPA muestran en general

las cuatro características siguientes:
Pueden definirse a través de reglas.
Poseen un volumen de trabajo elevado.
Se activan por disparadores digitales.
Datos digitalizados.
Wikipedia
La automatización de procesos robóticos a menudo se confunde

con la iIA, pero son claramente diferentes. La diferencia
fundamental es que la RPA se basa en procesos, mientras que la
IA se basa en datos. La IA tiene como objetivo simular la
inteligencia humana, mientras que la RPA sirve únicamente para
replicar tareas dirigidas por humanos.
Módulo 4
¿Qué es la Automatización Inteligente?
La automatización inteligente, también denominada automatización

cognitiva, es el uso de tecnologías de automatización (inteligencia
artificial [IA], gestión de procesos de negocio [BPM] y
automatización de procesos robóticos [RPA]) para optimizar y
escalar la toma de decisiones en las organizaciones
Los beneficios claves de la automatización inteligente son:

Reducción de costos aumentando la fuerza de trabajo y mejorando
la productividad.
Aumenta la precisión con procesos y enfoques coherentes para
mejorar la calidad.
Mejore la experiencia del cliente.
Cumplimiento de los requisitos normativos y de conformidad con
confianza.
Implementación de la IA en el lugar de trabajo
Identificación de las necesidades y

oportunidades de la IA
Las empresas deben identificar primero las
áreas donde la IA podría tener el mayor
impacto. Esto podría ser cualquier cosa,
desde la automatización de tareas
repetitivas hasta la mejora de la toma de
decisiones estratégicas.
Recopilación y
preparación de datos
Las empresas deben recopilar y preparar
los datos para su uso en la IA, dado que
esta requiere grandes cantidades de datos
Desarrollo o selección de
algoritmos de IA
Las empresas pueden desarrollar sus
propios algoritmos de IA o utilizar algoritmos
existentes. La elección depende de lsus
necesidades específicas y de su capacidad
en el desarrollo de algoritmos.
Entrenamiento y prueba de los
modelos de IA
Una vez que se han seleccionado los
algoritmos, se deben entrenar con los datos
recopilados. Después del entrenamiento,
los modelos se prueban para asegurar que
funcionan correctamente
Implementación de los
modelos de IA
Una vez que los modelos de IA han sido
entrenados y probados, se pueden
implementar en el entorno de trabajo. Esto
puede implicar la integración de la IA en los
sistemas existentes o la creación de nuevos
sistemas basados en la IA
Monitoreo y ajuste
Después de la implementación, es
importante monitorear el rendimiento de la
IA y hacer ajustes según sea necesario.
Esto puede implicar reentrenar los modelos
con nuevos datos o ajustar los algoritmos
para mejorar su rendimiento
Módulo 4
Aplicación de la IA
en la automatización de procesos
Procesos de producción y manufactura

Automatización y mejora continua de la línea de producción,
los robots inteligentes pueden realizar tareas repetitivas con
precisión y velocidad, aumentando eficiencia y reduciendo
errores humanos.
Recopilación de datos de producción y rendimiento de
procesos: (personas, sistemas y dispositivos).
Generación de datos de prueba de procesos.
Predicción de interrupciones en la cadena de suministro
Utilizar generadores de código abierto, para construir
modelos de procesos y optimizar el desarrollo de
automatización en toda la organización.
Procesos de servicios al cliente

Los chatbots pueden manejar consultas de clientes 24/7,
proporcionando respuestas instantáneas y precisas a
preguntas frecuentes en: atención bancaria, sanitaria,
empresas de seguros, comercio, entre otros. Esto mejora la
satisfacción al cliente, manejan un gran volumen de
consultas y libera al personal para realizar tareas más
complejas.
Los asistentes virtuales como: Alexa, Google Assistant o Siri
Cortana, Aura o Watson, pueden asistir en la busqueda de
informaciión, programar citas/reuniones, establecer
recordatorios, gestionar calendarios, dar soporte al cliente en
tiempo real, respondiendo preguntas comunes y resolviendo
problemas sencillos. Esto ahorra tiempo y evita conflictos de
programación.
Procesos de Reclutamiento y contratación
La inteligencia artificial para reclutamiento es capaz de llevar a

cabo una amplia variedad de tareas en todo el proceso.
Abastece de candidatos publicando las ofertas de trabajo de
manera automática, filtra los currículos según diferentes
variables ( lectura e interpretación de CV, clasificación, entre
otros), asigna citas para efectuar pruebas de selección de
personal o entrevistas y mantiene el contacto con los
postulantesa través de chatbots o asistentes virtuales.
Procesos de marketing y ventas

Los algoritmos de IA pueden analizar grandes cantidades de
datos del cliente para identificar tendencias y patrones, lo que
mejora la toma de decisiones de marketing y permite la
personalización de productos y servicios al cliente.
Predicción de ventas: Los algoritmos de IA pueden analizar los
datos de ventas históricos y las tendencias del mercado, para
predecir las ventas futuras, ayudando a las empresas a
planificar de manera más efectiva y en la toma de decisiones
Creación de contenido visual, usando generadores de
imagenes, vídeos y texto de IA, lo cual permite reducir los
costos, aumentar la producción, mayor creatividad y eficiencia.
Módulo 4
Procesos de Formación y desarrollo
Los sistemas de IA pueden personalizar la formación y el

desarrollo de los empleados en función de sus necesidades
individuales, mejorando la eficacia de la formación.
.Las herramientas impulsadas por IA pueden ayudar a los
profesionales de RRHH a monitorear el rendimiento de los
empleados, identificar las áreas que deben mejorar y
proporcionar retroalimentación en tiempo real.
Procesos de control de calidad y seguridad

Los algoritmos de aprendizaje automático proporcionan
soluciones muy avanzadas. Son capaces de identificar daños
o el mal funcionamiento de maquinaria o estructuras,
mediante entradas de imagen, registros sonoros, patrones de
datos. Además, revisan los productos terminados, buscan
fallos y aseguran los estándares de calidad.
El reconocimiento de imagenes se usa en la industria para la
supervisión efectiva de los entornos de trabajo y el
equipamientos de seguridad, la identificación de situaciones
de riesgo, la detección de anomalías en productos, permite
ahorrar tiempo, al usar el análisis de imágenes de video y
fotografías, para realizar búsquedas automáticas en millones
de registros, en cuestión de segundos o analizándolo y
teniendo respuesta en tiempo real.
Procesos de Back office

La captura de datos, seguida de la gestión de correos, la
catalogación de documentos digitales, los reportes de TI y
software o la gestión de facturas, entre otros, son tareas
repetitivas que se pueden automatizar con IA. Es posible
extraer entidades de documentos o facturas y reducir el
tiempo de inspección manual.
La IA permite la integración de la información en el ERP
corporativo, reduciendo la posibilidad de errores y
permitiendo la automatización de este proceso.
Permite resumir documentos y obtener información nueva,
comparándola con versiones anteriores, con una eficiencia de
coste mucho mayor que con un proceso manual.
Procesos de Logística y Transporte
Usando IA las empresas pueden digitalizar los documentos

logísticos y automatizar el proceso de captura de datos -
procesamiento automático de documentos (IDP, Intelligent
Document Processing) , reduciendo el tiempo de procesamiento
y mejorando la precisión de la información para llegar a más
clientes con menos esfuerzo y seguir el ritmo de la
transformación digital.
La IA puede utilizarse para automatizar muchos otros aspectos
de los flujos de trabajo de la cadena de suministro, como la
gestión de pedidos, la planificación de envíos, la gestión de
inventarios, la conciliación de datos y las reglas empresariales.
Módulo 4
Procesos Financieros
Las entidades bancarias utilizan la IA en la vida cotidiana

para ofrecer servicios financieros personalizados, detectar
fraudes y mejorar la experiencia del cliente en la banca en
línea.
La IA utiliza la meta data o el análisis de altos volúmenes de
datos para identificar diversas anomalías, permitiéndoles a
las entidades financieras a prevenir y proteger a sus clientes.
La IA también ha mejorado la seguridad en los pagos en
línea. Los algoritmos de IA pueden analizar el
comportamiento del usuario y detectar posibles
transacciones fraudulentas, lo que garantiza una mayor
protección en las compras en línea.
Procesos de Gestión de Inventarios
Predicción de la demanda futura con mayor precisión,

utilizando algoritmos de ML en el análisis predictivo., lo que
ayuda en la planificación del inventario.
La IA puede automatizar muchas de las decisiones
rutinarias relacionadas con la gestión de inventarios, como
reordenar stock, redistribuir productos entre tiendas y
determinar precios de liquidación para artículos de
movimiento lento. Esto libera a los empleados para que se
concentren en tareas más estratégicas.
El ML es capaz de identificar patrones y tendencias
emergentes, así como anomalías en los datos de ventas y
de inventario. Esto puede detectar cambios en el
comportamiento del consumidor,
La IA y el ML permiten una personalización más profunda de
la experiencia de compra, recomendando productos
basados en el historial de compra y preferencias del cliente
Módulo 4
Asistentes virtuales y automatización de tareas
¿Qué es un asistente virtual?
Es un programa informático avanzado que simula una conversación

con las personas que lo usan, generalmente a través de Internet.
Utilizan IA avanzada, procesamiento de lenguaje natural, comprensión
del lenguaje natural y aprendizaje automático, para aprender sobre la
marcha y proporcionar una experiencia de conversación personalizada.
Oracle
Los asistentes virtuales son un software de soporte, orientado a

proporcionar ayuda a los usuarios para realizar tareas, automatizarlas o
aportar información. Requieren de una interfaz para interactuar con los
mismos, siendo las más habituales en formato texto o por voz.
Es un agente de software que ayuda a usuarios de sistemas

computacionales, automatizando y realizando tareas con la mínima
interacción hombre-máquina. La interacción que se da entre un
asistente virtual y una persona, debe ser natural, una persona se
comunica usando la voz y el asistente virtual lo procesa, interpreta y
responde de la misma manera.
Wikipedia
Módulo 4
Asistentes virtuales personalizados
Siri
Siri es un ayudante de creación voz de Apple. Se basa en
la interfaz de usuario (UI) de lenguaje natural y las
consultas de voz, lo que le permite realizar muchas
funciones útiles. Disponible en las principales
plataformas de Apple como IOS, macOS y iPadOS. Es
altamente personalizado, adaptándose a los idiomas,
búsquedas, preferencias y mucho más de los usuarios.
algunas de las principales funciones de Siri: Contestar
preguntas, hacer recomendaciones, hacer llamadas
telefónicas y enviar mensajes de texto, dictar ubicación,
se refiere a los servicios de Internet.
https://www.apple.com/siri/
Alexa
Alexa de Amazon, utiliza interacción de voz, NLP, consultas
de voz y mucho más para realizar tareas. También puede
crear listas de tareas pendientes, configurar alarmas,
reproducir audiolibros y transmitir podcasts. Algunas de sus
otras características principales incluyen información en
tiempo real sobre el tráfico, noticias, clima, deportes y más.
Principales funciones: reproducción de música y audiolibros,
listas de tareas pendientes, transmisión de podcasts,
noticias y actualizaciones deportivas, datos meteorológicos
y de tráfico en tiempo real.
https://www.amazon.com/b?ie=UTF8&node=21576558011
Microsoft Copilot
Es un asistente digital impulsado por IA que proporciona
asistencia personalizada a usuarios para una serie de
tareas y actividades.
Conecta ChatGPT con Microsoft 365; combina la
potencia de grandes modelos lingüísticos (LLM) con
tus datos en Microsoft Graph.
Permite: Programar reuniones y eventos, gestionar tu
bandeja de entrada y tareas, crear y editar documentos,
presentaciones y hojas de cálculo, buscar y encontrar
información, traducir y transcribir idiomas, generar
perspectivas e informes y automatizar flujos de trabajo
y procesos.
https://www.microsoft.com/es-es/microsoft-copilot
Asistente de Google
Se ha convertido en uno de los principales asistentes
virtuales de voz habilitados para IA. Se considera uno de los
más avanzados en el mercado. Tiene un amplio alcance y
funciona con 10,000 dispositivos de muchas marcas.
Principales funciones:
Entrada de voz y texto
Disponible en muchos dispositivos
Control activado por voz
La terminación de la tarea
Recordatorios y citas
Traducción en tiempo real
https://assistant.google.com
Módulo 4
Bixby
Es una aplicación de asistente personal de Samsung.
Solo se puede acceder a ella en dispositivos Samsung.
Busca resultados en la web, descarga aplicaciones de
Google Play y refleja asombrosamente todo su
contenido móvil en Samsung Smart TV.
https://www.samsung.com/es/support/mobile-
devices/que-es-bixby-voice-y-como-funciona/
Otter.ai - Nutria
Es un asistente de reuniones de IA que graba audio,
escribe notas, captura diapositivas automáticamente y
genera resúmenes.
Graba y transcribe llamadas al instante.
Permite agregar comentarios y resaltar puntos clave.
Se conecta a Google y Microsoft Calendar.
Captura e inserta automáticamente diapositivas en
las notas de la reunión.
Genera resúmenes automáticamente y los envía por
correo electrónico.
https://www.unite.ai
Luciérnagas
Es un asistente de reuniones de IA que utiliza NLP para
eliminar la necesidad de tomar notas durante una reunión:
Graba, transcribe y busca fácilmente en conversaciones
de voz, usando una plataforma de uso intuitivo. Dispone
de extensión de Chrome, para capturar reuniones y
llamadas directamente desde el navegador. El bot de
reunión es facil de usar y permite unirse automáticamente
a las llamadas en su calendario. Transcribe cualquier co
https://fireflies.ai
Murf
Se usa a menudo para crear asistentes de IA. Murf permite
a cualquier persona convertir texto a voz, voz en off y
dictados, y es utilizado por una amplia gama de
profesionales como desarrolladores de productos,
podcasters, educadores y líderes empresariales. Algunas de
las características principales de Murf:
Gran biblioteca -más de 100 voces de IA, en todos los
idiomas
Estilos expresivos de habla emocional
Soporte de entrada de audio y texto
Estudio de voz en off con IA
Personalizable a través del tono, los acentos y más
https://murf.ai
Módulo 4
Socrático
Es una aplicación impulsada por IA diseñada para ayudar a
los estudiantes con las matemáticas y la tarea. Permite
tomar fotografías con la cámara de su teléfono antes de usar
la IA para brindar explicaciones visuales de los conceptos.
Se basa en el reconocimiento de texto y voz, y se puede
utilizar para diferentes disciplinas como ciencias,
matemáticas, literatura y estudios sociales. Está disponible
tanto en iOS como en Android, y es compatible con el iPad.
Principales características
Ayuda a los estudiantes con el aprendizaje y la tarea.
Explicaciones visuales de conceptos.
Reconocimiento de texto y voz
Compatible con varios temas. https://socratic.org
Elsa Speak
Una aplicación impulsada por IA que ayuda a los usuarios a
aprender a hablar inglés, es un gran ejemplo de cómo estos
asistentes pueden usarse con fines educativos. los
estudiantes pueden mejorar la pronunciación en inglés a
través de la interacción con diálogos cortos. principales
características de ELSA Speak:
Diálogos cortos
Retroalimentacion instantanea
Tecnología de reconocimiento de voz
Periodo de prueba
Disponible en Android e iOS.
https://elsaspeak.com/en/
Tuyo
Youper esta clasificada cómo una de las mejores
aplicaciones de asistente de salud emocional impulsada por
IA. Los usuarios pueden hacer un seguimiento de su estado
de ánimo y sintonizarse mejor con sus sentimientos. Se
basa en la IA para personalizar las técnicas para cada
persona y se clasifica constantemente como una de las
mejores aplicaciones de salud mental. Principales
características:
iOS y Android
Conversaciones rápidas
Meditaciones personalizada
https://www.youper.ai
DataBot
Es un asistente virtual en Android, que funciona en todos los
dispositivos. Incluye varias aplicaciones y servicios que realizan
diversas tareas. Además, permite personalizar el idioma, el
nombre, el comportamiento, entre otros.
Principales funciones:
Búsqueda de información en Google, Wikipedia y fuentes
RRSS
El bot puede hablar en diferentes idiomas: inglés, español,
francés, italiano, alemán y portugués, entre otros.
Compartir mensajes en las redes sociales o por SMS
Ayuda a identificar rápidamente los contenidos y generar
presentaciones multimedia personalizadas.
Organizar y almacenar notas, recordatorios, alarmas y
contactos, entre otras tareas
La aplicación se encuentra disponible y es compatible con
diversas plataformas
https://play.google.com/store/apps/details?
id=com.testa.databot&pcampaignid=web_share
Módulo 4
Comunicaciones con el cliente mediante ChatBot
¿Qué es un chatbot?
Es un programa informático que utiliza inteligencia artificial (IA) y

procesamiento del lenguaje natural (NLP) para comprender las
preguntas de los clientes y automatizar las respuestas a dichas
preguntas, simulando la conversación humana
El término chatbot hace referencia a un tipo de asistente virtual

limitado, orientado a ofrecer únicamente respuestas informativas en
un contexto determinado
Los bot de charla o bot conversacional (en inglés: chatbot ), son
aplicaciones software que simulan mantener una conversación con una
persona al proveer respuestas automáticas, las cuales son
previamente establecidas por un conjunto de expertos a entradas
realizadas por el usuario.
Wikipedia
Tipos de Chatbot según funcionalidad
Chatbots de
Respuesta de Interacción de Texto (ITR)
Se conocen como «bots Utilizan botones y siguen una Son adecuados para
de árbol de decisiones» lógica secuencial para emular operaciones sencillas y
y funcionan con una conversación a partir de rápidas selecciones de
ITR conversaciones un menú de opciones.
basadas en flujos opciones/comandos No pueden comprender el
predefinidos. establecido. lenguaje natural ni generar
nuevas respuestas.
Chatbots Cognitivos o Inteligentes (IA)

Son más complejos Tienen capacidad Son capaces de Pueden ofrecer
y se basan en IA y el para comprender y aprender a partir de respuestas y
Chatbot aprendizaje procesar el lenguaje las interacciones personalizadas y resolver
según automático natural, interpretar la pasadas, lo que operaciones sencillas
funcionalidad intención del usuario mejora la calidad de
y generar respuestas la comunicación con Uso en atención
desde cero. el tiempo. sofisticada e interacción
más natural
Chatbots de
Reconocimiento de la palabra clave
Funcionan mediante Son más Pueden ser adecuados Uso en para casos de
el reconocimiento de conversacionales y no para casos de negocio negocio menos
palabras clave y necesitan tecnología menos complejos complejos
ofrecen respuestas NLP. Sin embargo, solo donde no se requiera
preconfiguradas en interpretan keywords y una experiencia de uso
función de esas no consideran el muy sofisticada
palabras clave contexto o la intención.
aunQa.ai
blog.inConcertcc.com
Módulo 4
Tipos de Chatbot
según cómo interactúan con el usuario
Chatbots de texto
Es el más básico de los Solo interactúa con los usuarios

tipos de chatbot por medio de palabras escritas,
cómo plataforma de chat
Chatbots multimedia
Integran textos, imágenes,
Son los chatbots más botones, gift y otros contenidos,
Chatbot comunes y atractivos.
según el para dar mayor conexión y
medio expresivo personalización a las
conversaciones.
Chatbots portal cognitivo de voz

Utiliza API de Usa la voz como Usan ML y NLP y funcionan
reconocimiento de voz y interfaz y se integra a para atender necesidades y
de conversión de voz a aplicaciones como responder dentro del
texto. Por lo tanto, los WhatsApp o llamadas contexto de la conversación
usuarios pueden utilizar telefónicas, permitiendo
este bot a través de la voz interpretar las
en lugar de escribir. locuciones del cliente y
dar respuestas
contextuales.
Tipos de Chatbot
según función o aplicación práctica
Chatbots de atención y servicio al cliente
Funcionan como un sistema de Preguntas Frecuentes (FAQ) interactivo,

respondiendo las consultas y solicitudes de los clientes de manera
inmediata y con disponibilidad completa 24/7
Chatbots de ventas y asistente de E-commerce
Acompañan al cliente en el proceso de compra, facilitando la elección del

producto y el pago y avanzar en el embudo de ventas.
Chatbot
según su función o
aplicación práctica Chatbots para Marketing
Se utilizan para captar leads (recolectar información de los usuarios e

incluirlos en tu base de datos) de una forma más personalizada y brindar
información en el instante para mantener el interés del cliente
Chatbots Sociales
Orientados a humanizar la marca, potenciar el engagement con la
comunidad en redes sociales y brindar contenidos personalizados en forma
conversacional.
Tipos de Chatbot
según la capacidad operativa del bot
Chatbots transaccionales
Son aquellos que Es necesario que tengan la capacidad de

permiten ejecutar de integrarse con backends corporativos y
punta a punta una sistemas de terceros, para buscar la
transacción o proceso de información requerida y solucionar la
negocio. operación requerida (por ejemplo, asistir en
Chatbot el cierre de una compra en una operación de
según la capacidad e-commerce)
operativa del bot
Chatbots no transaccionales
Su función se remite Son bots que atienden preguntas
al espacio del chat. frecuentes-FAQ o relacionadas a la
navegación dentro de un sitio.
aunQa.ai
aunQa.ai
Módulo 4
Ejemplos de chatbot
ChatGPT
Copilot
Jasper
ChatSonic
Bard Zendesk
copy.ai HubSpot
HuggingChat Generación y Watson Assistant
ZenoChat resumen de contenido Cliengo
Aivo
Jivochat
Ada
Einstein GPT
Servicio de atención VirtualSpirits
al cliente y CX
Bard
ChatGPT
Traducciones
Bing - Microsoft copilot
Bard - Gemini Google
Perplexity
Navegar por la web
Character.AI
Replika
Claude
Conversación
HuggingChat
Claude
Gestión de tareas
Khanmigo
Socrático - Google
Educación
ChatGPT
Amazon Code
Whisperer
Microsoft copilot
Codificación
Bing
Rose AI
Recolección,
análisis y
visualización de datos Bing
Jasper
Character.AI
Gráficos ChatSonic
MY AI
Character.AI
Replika
Pi Entretenimiento
Woebot
Salud mental
www.zendesk.com
Módulo 4
Ejemplos de chatbot
You.com
Investigación
Ideal
Recursos humanos
y contratación
Mi IAI
Redes Sociales
ChatSpot
Drift
Ada
Marketing Tidio Lyro
Claud
Chatfuel
ChatSpot
Cliengo Ventas
Ada
E-commerce
Tecnología
financiera
www.zendesk.com
Módulo 4
Casos prácticos de implementación de
la IA generativa en la empresa
Caso de uso: Gestión de inventario
¿Qué es la gestión de inventario?
Es el seguimiento del inventario desde el momento de su fabricación

hasta los almacenes, y desde estas instalaciones hasta el punto de
venta. Su objetivo es tener los productos correctos en el lugar adecuado
y en el momento preciso.
IBM
Es el proceso de coordinar el flujo de mercancías en una empresa en un

ciclo continuo de pedidos, almacenamiento, producción, venta y
reposición de bienes. La gestión de inventario generalmente se realiza
en dos niveles: gestión de inventario agregado y ubicación de
almacenamiento y gestión de inventario a nivel de artículo
Oracle
IA en la gestión de inventario
Los modelos de aprendizaje automático, como redes neuronales,

regresión y árboles de decisión, se utilizan para predecir la
cantidad de productos necesarios, en función de datos históricos y
en tiempo real, tendencias, factores destacados y patrones de
demanda. Esto permite optimizar la planificación de la producción,
el inventario o el transporte, evitando la escasez o el exceso de
Predicción de la demanda existencias. Beneficios:
Mejoras en la toma de decisiones
Reducción de costos
Mejor servicio al cliente
Mayor eficiencia operativa
La permite mejorar la distribución de los almacenes, agilizar

los procesos de retiro y embalaje y aumentar la eficiencia
general de la logística.
La IA puede analizar el historial de pedidos y el tráfico en
tiempo real dentro del almacén, para descubrir si
determinados productos se piden juntos con frecuencia, por
Optimización de las ejemplo.
operaciones en almacén
La IA puede calcular los tiempos de reposición y las

cantidades, analizando los datos en tiempo real, tiempos de
entrega de proveedores y producción, cambios en la
demanda, tendencias del mercado y otros factores externos.
Optimización de Esto permite una planificación eficiente de los pedidos y evita
reabastecimiento interrupciones en el suministro.
El uso de la IA permite encontrar nuevas correlaciones entre

fenómenos. Los artículos del inventario pueden clasificarse
en categorías basadas en sus patrones de demanda, valor y
otras características. Esto ayuda a las empresas a priorizar la
gestión de determinadas órdenes y a físicamente organizar el
almacén para mejorar la eficiencia.
Clasificación del inventario
La IA puede automatizar tareas y procesos repetitivos, cómo

la generación de informes, la gestión de documentos y la
monitorización de las condiciones de los productos, en busca
de anomalías o desajustes. Esto ayuda a ahorrar tiempo y
recursos, y reduce la posibilidad de errores humanos.
El reconocimiento de imágenes basado en IA, puede
Automatización de procesos inspeccionar e identificar visualmente los artículos del
inventario, cómo parte del control de calidad y gestión de
almacenes.
Módulo 4
IA en la gestión de inventario
IA optimiza las cadenas de suministro ajustando las rutas

de envío, la ubicación de los almacenes, los movimientos de
existencias y otras variables, lo que se traduce en redución
de costos y menores tiempos de entrega.
Optimización de la
cadena de suministro
Los algoritmos de IA pueden utilizarse para prever las

necesidades de mantenimiento a partir de los datos de
tiempo de actividad de la maquinaria usada en la gestión del
almacén. Con esta información, el personal de
mantenimiento puede realizar los reemplazos en forma
Mantenimiento predictivo preventiva, lo que evita tiempos de inactividad imprevistos y
minimiza los costos de reparación
En las industrias que trabajan con productos perecederos, la

IA puede predecir la vida útil de los productos, en función de
diversos factores como la temperatura y la humedad, lo que
Gestión de inventarios ayuda a las empresas a minimizar los residuos debidos a
de productos perecederos productos caducados.
Los chatbots pueden entrenarse para responder a preguntas

de empleados o clientes, sobre las especificaciones de
productos, tiempos de entrega, políticas de la empresa,
Mejoras en los procesos resolución de problemas informáticos, entre otros.
internos con PNL
Los algoritmos de IA pueden identificar productos obsoletos

o de movimiento lento que están ocupando espacio
necesario en el inventario. Esto permite tomar decisiones
informadas sobre descuentos, promociones o liquidaciones
para reducir el exceso de stock y maximizar la rentabilidad.
Gestión de
productos obsoletos
La IA puede analizar el rendimiento de los proveedores

basándose en datos históricos. Los compradores están
familiarizados con los puntos fuertes y débiles de sus
proveedores, la IA ayuda en la selección imparcial de la
mejor opción. Analiza variables adicionales, para
Gestión de proveedores recomendar los mejores proveedores, negociar condiciones
favorables y mejorar la gestión de las relaciones.
La IA puede analizar grandes volúmenes de datos para

identificar patrones y anomalías que pueden indicar fraudes
o problemas de calidad en la cadena de suministro. Puede
ayudar a detectar productos falsificados, evaluar la
autenticidad de los proveedores y garantizar la calidad de
Detección de fraudes los productos.
Módulo 4
Aplicaciones de gestión de inventario
Inflow
Es uno de los software de gestión de inventario de código
abierto más populares destinado a optimizar la gestión
de inventario en pequeñas y medianas empresas, en una
amplia gama de nichos; ya sea mayorista, minorista,
comercio electrónico, fabricación, atención médica,
gobierno y administración, entre otros.
Proporciona copias de seguridad de datos automáticas e
incluye herramientas que están diseñadas para ayudar a
las organizaciones a realizar un seguimiento de los
procesos de ventas, desde hacer pedidos hasta recibir
pagos.
https://www.inflowinventory.com
Oddo
Es un software de ERP integrado. Cuenta con una versión

"comunitaria" de código abierto y una versión empresarial
bajo licencia comercial. Fue desarrollado por la empresa
belga Odoo S.A
Ofrece una amplia gama de aplicaciones empresariales

integradas, incluyendo CRM, sitio web/e-commerce,
facturación, contabilidad, fabricación, almacén, gestión
de proyectos, e inventario.
https://github.com/odoo/odoo
Rentle - Twice Commerce

Es una solución de gestión de inventarios y ejecución
de pedidos basada en la nube.
Las pymes que ofrecen servicios de alquiler o
productos por suscripción pueden implantar este
programa de inventarios para crear un comercio
electrónico personalizado. Además, se pueden
gestionar diversos aspectos del control de inventario y
la tramitación de pedidos, como el seguimiento de las
órdenes de compra y la gestión de materias primas
https://www.capterra.es/software/187639/twicecommerce
ProfitBooks
Es un software que cuenta con herramientas de
gestión de inventarios, aunque se centra en la
contabilidad y la gestión de nóminas. Desde el menú
principal, los usuarios pueden acceder al menú
"Inventario" para ver las unidades en stock y añadir
nuevos productos.
Permite configurar alertas de reposición, preferencias
de lote y otras opciones de control de inventario y
ventas, hacer seguimiento de las materias primas, los
pedidos de compra, las devoluciones y los productos
terminados, entre otros,
https://www.capterra.es/software/142288/profitbooks
Módulo 4
Aplicaciones de gestión de inventario
Zoho Inventory
Es un sistema de control de inventario que admite

el cumplimiento multicanal (MCF). Se integra con
más de 25 servicios de envío para solicitudes de
presupuesto instantáneas y seguimiento de
envíos en tiempo real.
Mediante la aplicación web o móvil Zoho
Inventory, puedes ver artículos, grupos, paquetes
y transferencias de un vistazo en el panel
principal.
https://www.zoho.com/es-xl/
ABC Inventory
Es uno de los mejores software de gestión de

inventario gratuito que una pequeña empresa
puede pedir.
Es un subconjunto gratuito del Sistema de
control Almyta (ACS) diseñado para ayudar a a
manejar prácticamente todos los aspectos de la
gestión de inventario desde el momento en que
se realiza una orden de compra, hasta el
momento en que se envía un producto a tu
cliente.
https://www.lokad.com/abc-analysis-(inventory)-definition
Monday
Ofrece gestión de inventarios que puede ayudar a
importar datos de productos con la herramienta
integrada "Sistema operativo de trabajo".
Permite crear vistas personalizadas, flujos de trabajo
y automatizaciones utilizando plantillas de inventario,
widgets y fórmulas.
El cuadro de mandos central muestra los productos y
cualquier deficiencia, lo que permite a las empresas
comprobar los registros de inventario, supervisar los
niveles de existencias y acceder a las valoraciones de
ventas en tiempo real
https://www.capterra.es/software/147657/monday-com
llamasoft - coupa
La plataforma, ofrece soluciones para la optimización

de la cadena de suministro y la toma de decisiones
basada en datos.
Proporciona herramientas para modelar, analizar y
simular diferentes escenarios en la cadena de
suministro, lo que ayuda a las empresas a mejorar la
eficiencia, reducir costos y tomar decisiones
informada.
Incluye las áreas de planificación de la cadena de
suministro, la gestión de inventarios, la optimización
de la red logística y la planificación de la producción.
http://www.coupa.com
Módulo 4
Caso de uso en la creación de contenido generativo
Usos de la IA generativa en marketing
11 Creación de contenido
La IA generativa puede producir contenido de alta calidad, como
publicaciones de blog, descripciones de productos, textos
publicitarios, generación de imágenes y videos publicitarios y
contenido de correo electrónico.
2 Publicidad personalizada
La IA generativa puede analizar grandes cantidades de datos
para entender las preferencias individuales de los clientes y crear
anuncios personalizados, para audiencias específicas. Puede
analizar datos del comportamiento del usuario y generar
mensajes personalizados y relevantes para cada individuo,
basados en el historial de compras y navegación de un cliente.
3 Análisis de sentimientos en redes sociales

La IA generativa se utiliza para analizar el sentimiento de los
usuarios en las redes sociales, emplea la agrupación de aspectos
( clasificación/segmentación) para identificar y extraer
información relevante en tiempo real de los datos de escucha
social.
Ayuda a las marcas a filtrar el ruido en los medios sociales,
comprender cómo se perciben en línea permite predecir futuros
movimientos de los clientes, tomar las medidas adecuadas y
ajustar sus estrategias de marketing en consecuencia.
En la gestión de la reputación de marca impulsada por IA, las
empresas pueden evitar una amenaza potencial para su marca
antes de que se convierta en un problema.
4 Chatbots inteligentes
En marketing, se implementan chatbots basados en IA
generativa para interactuar con los clientes en tiempo real.
Los chatbots pueden responder preguntas, proporcionar
recomendaciones de productos y ofrecer asistencia
personalizada las 24 horas del día. Utilizan el PLN, por lo que
pueden mantener conversaciones similares a las humanas e
interactuar con los clientes de forma personalizada.
5 Diseño automático de creatividades

La IA generativa también se utiliza para diseñar creatividades
publicitarias automáticamente. Puede generar múltiples
opciones de diseño para que los profesionales de marketing
elijan la más efectiva.
La IA generativa permite crear experiencias virtuales interactivas
que involucran a los usuarios y refuerzan la conexión emocional
con la marca.
6 Segmentación de audiencia avanzada
LLa IA generativa puede analizar grandes conjuntos de datos

para identificar patrones y segmentar audiencias de manera
más precisa.
Ayuda a los profesionales del marketing a dirigir sus campañas
a grupos específicos con mayor efectividad.
Módulo 4
Usos de la IA generativa en marketing
7 Optimización de campañas publicitarias

Los algoritmos generativos pueden analizar el rendimiento
pasado de campañas publicitarias y generar estrategias de
optimización para mejorar los resultados futuros utilizar , y usar
el gasto publicitario de forma más eficiente..
8 Análisis predictivo
Al analizar patrones en los datos históricos, la IA generativa
puede predecir tendencias futuras, permitiéndo ajustar la
estrategia de marketing en consecuencia y la toma de
decisiones sobre productos, organizaciones basadas en datos.
9 Optimización de SEO
La IA generativa puede ayudar a optimizar el contenido para
los motores de búsqueda. Por ejemplo, una empresa puede
usar IA generativa para sugerir palabras claves relevantes, para
incluir en el contenido del sitio web de un cliente, mejorando
así su clasificación en los resultados de búsqueda.
10 Campañas de marketing por correo electrónico

El marketing por IA puede automatizar y optimizar el marketing
por correo electrónico.
Los algoritmos de IA analizan los datos de los clientes para
generar contenidos relevantes, sugerencias de productos y
ofertas personalizadas. Así se consiguen mayores tasas de
conversión y ventas.
11 Ventas
Con las herramientas de marketing de IA, las empresas pueden
hacer previsiones sobre las cifras de ventas futuras.
Los algoritmos de IA analizan los datos de ventas anteriores y las
tendencias estacionales para crear previsiones de ventas
precisas. Esto ayuda a las empresas a planificar el inventario, los
recursos y las estrategias de venta.
Módulo 4
Caso: Creación de una campaña de email marketing

personalizada para diferentes tipos de clientes
¿Qué es una estrategia de email marketing ?
Es un plan integral diseñado para utilizar el correo electrónico como

una herramienta efectiva de comunicación y promoción. Su objetivo
principal es establecer y fortalecer la relación con los clientes
actuales, así como atraer a nuevos clientes, mediante el envío de
mensajes relevantes y personalizados a sus buzones de correo
electrónico
Algunos elementos claves de una estrategia de email marketing

incluyen:
La construcción y mantenimiento de una lista de suscriptores
La segmentación de esa lista según diferentes criterios
La creación de contenido atractivo y valioso
La personalización de los mensajes
El uso de líneas de asunto persuasivas y
La medición y análisis de los resultados para ajustar y mejorar la
estrategia con el tiempo.
Estrategia de email marketing
Lista de Segmentación Contenido Personalización Frecuencia

contactos/ de audiencia
suscriptores
Claro y preciso Nombre de la Definir frecuencia

Relevante persona óptima para lograr
Geográficos Enlaces a artículos convertir a los
Demográficos Útil Recomendaciones
Oportuno clientes potenciales
interes común Psiclógicos basadas en datos
de interactuar Comportamentales Atractivo e históricos
inspirador Horario conveniente,
según ubicación
geográfica
Pilares de ActiveCampaign
Diseño de la campaña - Tipos email con Cuenta Métricas

contenido valioso
Control y
Llamada a tomar seguimiento de
Objetivos: dar bienvenida, envío indicadores:Tasa
información sobre productos (boletín), Crea correos acción: Descargar,
electtónicos que aprender, finalizar, de apertura,
campaña estacional, felicitación por Tasa de clics
cumpleaños, entre otros. luzcan geniales entre otros (CTR), Tasa de
Segmentar automáticamente a los conversión o
contactos Tasa de
Automatizar todo el ciclo de vida de tus cancelación de
clientes, configura las respuestas suscripción
automáticas, haz test A/B y programa los
correos electrónicos, entre otros.
Módulo 4
Herramientas que se utilizan en email marketing
ChatGPT ( Chatbot basado en GPT)

Chatbot de OpenAI, que entiende textos complejos y
responde a preguntas.
Es considerado como uno de los mejores chatbots
creados hasta el momento y puede generar
contenido de marketing de muchos tipos, como:
blogs, imágenes, correos de nutrición de leads,
secuencias y muchos otros recursos
Versiones: ChatGPT- versión gratuita (GPT 3.5),
ChatGPT plus (GPT-3.5 y GPT-4) y Chat GPT
Enterprise.
https://chat.openai.com
Mailchimp
Es una plataforma de marketing por correo

electrónico y automatización de marketing que
permite a las empresas crear campañas de correo
electrónico, gestionar listas de suscriptores y analizar
el rendimiento de sus campañas.
Ofrece funciones adicionales, como la creación de
landing pages, anuncios en redes sociales y
automatización del marketing
https://mailchimp.com
API de Predicción de Google Cloud

La API de predicción de Google Cloud se refiere a Cloud
AI Platform Prediction, es un servicio de Google Cloud
que permite implementar modelos de aprendizaje
automático en producción de manera escalable.
Con esta API, se pueden realizar predicciones en
tiempo real o por lotes utilizando tus modelos
entrenados en Google Cloud AI Platform
Debes entrenar tu modelo en Google Cloud AI Platform
y luego implementarlo.
https://cloud.google.com/vision
Automizy
Es una plataforma de automatización de marketing
para ayudar a las empresas a mejorar sus estrategias
de marketing por correo electrónico.
Proporciona herramientas para la creación y envío de
correos electrónicos, así como funciones de
automatización para optimizar campañas y mejorar
la participación del usuario.
Incluye: Pruebas A/B, segmentación de listas y
análisis de resultados, para que los profesionales del
marketing puedan tomar decisiones informadas
sobre sus campañas.
https://automizy.com
Módulo 4
Herramientas que se utilizan en email marketing
HubSpot Email Marketing
Es una plataforma de marketing, ventas y

servicio al cliente que ofrece diversas
herramientas y funciones, incluyendo el
marketing por correo electrónico.
HubSpot Email Marketing es una parte de su
suite de herramientas que permite a las
empresas crear, enviar y rastrear campañas de
correo electrónico de manera
https://www.hubspot.es/marketing
Rytr
Es una plataforma de redacción asistida por
inteligencia artificial (IA). Utiliza tecnología de
procesamiento del lenguaje natural para ayudar
a los usuarios a crear contenido escrito de
manera más eficiente y efectiva. Rytr puede ser
utilizado para redactar diversos tipos de
contenido, como artículos, correos electrónicos,
publicaciones en redes sociales y más.
https://rytr.me
Neuroflash
Es un generador de contenido que utiliza inteligencia
artificial para ayudar en la creación de contenido de alta
calidad en diversos tipos de texto, como descripciones de
productos, textos publicitarios, introducciones de blog y
otros.
Facilita la generación de contenido optimizado para
diferentes plataformas de marketing.
Ahorra tiempo y esfuerzo en la creación de textos
publicitarios.
Mejora la efectividad de las campañas publicitarias al
generar contenido relevante y de alta calidad.
https://neuroflash.com/es/
https://app.neuro-flash.com
CrawIQ
Es una herramienta de redacción basada en IA que
tiene como objetivo ayudar a los usuarios a obtener
datos precisos de SEO de la web y luego crear
contenido dirigido por láser basado en esa
investigación.
Debes crear un espacio de trabajo y darle un nombre
y una URL. Luego, debes escribir el contenido
específico que deseas generar utilizando la IA.
Ofrece opciones como blogs y artículos, redacción
publicitaria de ventas, reescritura de texto y resumen
de texto, entre otros.
https://crawlq.ai
Módulo 4
Desafíos de la IA en el lugar de trabajo
Desafíos a los que se enfrentan las

empresas y los trabajadores
Se requiere lograr un enfoque equilibrado y reflexivo en la integración de la

IA generativa en el entorno laboral, considerando aspectos éticos, técnicos
y sociales.
Identificar, priorizar casos de uso

Las empresas necesitan definir cómo van a
implentar el uso de la tecnología IAG, para su
beneficio. Los objetivos pueden ser:: ganancias
de productividad u otras ganancias
comerciales, gestión del conocimiento,
generación de código y diseño, ingeniería de
productos o servicios,entre otros.
Evitar los Sesgos

Ética y Responsabilidad Garantizar la responsabilidad y evitar los
La generación de contenido plantea una serie sesgos en la generación de contenido, son
de desafíos legales y éticos, debido a su áreas de atención importantes
capacidad para tomar decisiones de manera
autónoma y procesar grandes cantidades de IA responsable y explicable
datos. Es esencial, establecer regulaciones para Se requiere establecer formas para revisar y/o
el uso ético de la IAG. auditar los resultados de la IAG, a fin de
garantizar que sean precisos, imparciales y
libres de infracciones de la propiedad
intelectual protegida
Gobernanza Tecnológica
La gobernanza tecnológica y el cumplimiento
de leyes, son puntos cruciales para garantizar
su uso legal y ético.
Calidad y autenticidad Procedimientos QA/QC

Adoptar procedimientos de garantía de calidad
La capacidad de distinguir entre contenido que verifiquen cualquier conocimiento
generado por humanos y por IA es crucial, producido por IA que reciban. Eso incluye
especialmente en entornos profesionales; por lo implementar QA dentro de TI para cualquier
que es un desafío realizar este control de código que los desarrolladores quieran usar
calidad,
Tipo de uso de IAG a implantar en la empresa

McKinsey ha desarrollado un marco de
propiedad que describe los diferentes tipos de
uso, en que la empresa puede implantar la IAG
en sus organizaciones, como: "tomador",
"moldeador" y "fabricante". Independiente del
que decidan, se requiere:
Una infraestructura de tecnología y un
programa de datos lo suficientemente
Integración en moderno, para hacer un uso efectivo de la IA
generativa.
procesos laborales
Integrar efectivamente la IA generativa en los
procesos laborales existentes puede ser Pérdida o transformación
complicado. de puestos de trabajo
Asegurar una colaboración armoniosa entre La implementación de tecnologías, como la IA ,
humanos y sistemas generativos es esencial automatización, robótica y aprendizaje
para maximizar la eficiencia. automático, ha llevado a cambios significativos
en la forma en que se realizan ciertas tareas y
funciones laborales.
Resistencia de la fuerza laboral

Gestión de cambios
La adopción exitosa de nuevas herramientas o
tecnologías por parte de los colaboradores de
una organización requiere de una combinación
de comunicación efectiva, liderazgo
comprometido y por supuesto, de incorporar
instancias de aprendizaje, en donde se aborde
su uso de manera segura y efectiva.
La implantación de cambios, usualmente

conlleva a cierta resistencia y nerviosismo, en
los equipos de trabajo, ya que a menudo se
sienten cómodos con la rutina y temen lo
desconocido. Se requiere abordar las
preocupaciones de los empleados e
involucrarlos desde las etapas tempranas de
los proyectos.
Módulo 4
Desafíos a los que se enfrentan las

empresas y los trabajadores
Se requieren adquirir habilidades técnicas
como programación, aprendizaje
Desarrollo de habilidades automático, análisis de datos e ingeniera en
La capacitación y el desarrollo de software, que complementen y trabajen en
competencias de los profesionales en el conjunto con la IA. Así mismo, se necesitan
manejo de la IAG, es esencial para su desarrollar habilidades blandas
adopción efectiva y exitosa en el campo transversales. tales como: resolución de
laboral. problemas, pensamiento análitico y liderzgo
inclusivo, entre otras..
Las empresas deben llevar a cabo un plan
Los trabajadores de todas las
de cierre de brechas de habilidades de
organizaciones deberán aprender a trabajar
IAG y proprcionar los recursos a sus
con herramientas de IA generativa.
organizaciones, para poder alcanzar la
nueva transformación digital. Los trabajadores de TI deben volver a
capacitarse para trabajar con herramientas
de IA generativa para hacer su trabajo y
adquirir las habilidades necesarias para
respaldar la tecnología en todas las
organizaciones de la empresa
Riesgos
Definir las pautas de riesgo asociadas al uso
Seguridad de la IA generativa
Prevenir el mal uso de la IA generativa, como
la creación de información falsa o la
Amenazas de ciberseguridad
manipulación de contenido, es un desafío
La IA generativa adopta la personalidad, los
importante. Se necesita implementar
gestos y las frases que usaría una persona
medidas de seguridad para proteger contra
real, en la elaboración de correos
posibles amenazas.
electrónicos, mensajes, audios, vídeos, entre
otros; eludiendo la biometría.
Los piratas informáticos usan la IAG para
ataques sofisticados, que pueden hacer que
los controles de seguridad queden
obsoletos. Se requiere implementar nuevos
controles de seguridad, que permitan la
protección de los sistemas de IA y datos.
Ética y Sesgo
La IA generativa puede heredar sesgos
existentes en los datos con los que ha sido
entrenada, lo que podría resultar en decisiones
discriminatorias o injustas en el ámbito de
recursos humanos
Gestión del capital humano
La IA puede contribuir a la toma de decisiones Interpretación Humana
objetivas basadas en el análisis de datos de La generación de texto por parte de la IA puede
recursos humanos. El desafío en esta área, es llevar a interpretaciones erróneas o
reducir los prejuicios que pueden surgir en cada malentendidos, ya que la comprensión
uno de sus procesos, por ejemplo, en captación contextual y emocional de la IA, a veces puede
cuando el estado de ánimo del entrevistado no ser limitada.
es el idóneo, o cuando el personal de Recursos
Humanos, se identifica con el candidato
basándose en afinidades relacionadas con la Privacidad y Seguridad
edad, la raza o el perfil demográfico, entre El uso de datos sensibles en procesos
otros. generativos plantea preocupaciones sobre la
Es importante lograr una integración efectiva
entre la IAG y los profesionales de recursos privacidad de los empleados. Es crucial
humanos, para aprovechar al máximo las garantizar la seguridad de la información en
capacidades de la tecnología, garantizar una todos los aspectos
toma de decisiones colaborativa y efectiva,
para maximizar sus beneficios y minimizar los
riesgos asociados.
Falta de Transparencia
Los modelos generativos son cajas negras, lo
que significa que es difícil entender
completamente cómo llegan a ciertas
conclusiones. La falta de transparencia puede
generar desconfianza en las decisiones
tomadas por la IA.
Módulo 4
Caso: Creación de una campaña de email marketing

personalizada para diferentes tipos de clientes
Cumplimiento
El cumplimiento de las leyes de protección de
datos, las normas de propiedad intelectual, las
pautas específicas de la industria y los
estándares éticos es crucial.
Regulación y Políticas Las organizaciones y equipos de dirección,
La falta de regulaciones claras en torno al uso deben trabajar en estrecha colaboración con
de IA generativa puede generar incertidumbre. los equipos legales para comprender y abordar
Establecer políticas y normativas adecuadas es las implicaciones legales asociadas con la IA
esencial para mitigar riesgos y garantizar un uso generativa
ético
Revisión continua de marcos legales

Las empresas deben mantenerse al tanto de
las regulaciones y los marcos legales en
evolución relacionados con el uso de IA, como
la reciente Ley de IA de la Unión Europea.
Privacidad de los Datos

Uso de los datos de la empresa y empleados
La generación de contenido a menudo implica
el procesamiento de grandes cantidades de A medida que la fuerza de trabajo interactúa
datos. Proteger la privacidad de estos datos y con las herramientas de IA generativa, las
garantizar el cumplimiento de las regulaciones empresas deben asegurarse de que no
de privacidad son desafíos importantes ingresan datos patentados, que se envían de
regreso a los modelos básicos.
Las empresas deben establecer estrategias
para monitorizar y garantizar que los
trabajadores, no violen las leyes de privacidad
de datos y cumplan con las mejores prácticas
de protección de datos, si están usando IA
generativa

MiniBook Avanzando en La IA

Cargado por

Información del documento

Título original

Derechos de autor

Formatos disponibles

Compartir este documento

Compartir o incrustar documentos

Opciones para compartir

¿Le pareció útil este documento?

¿Este contenido es inapropiado?

Copyright:

Formatos disponibles

MiniBook Avanzando en La IA

Cargado por

Copyright:

Formatos disponibles

Avanzando en la Inteligencia Artificial

Curso 100% Online modalidad Asincrónico

productos de IA generativa y cómo Módulo

Recursos Perfil participantes

Beneficios Profesor: Carlos Rafael Soto

Comprender los conceptos

Comprender los ciclos de

Conocer las aplicaciones populares

1.2 Historia y Evolución de la

1.4 Pre y Procesamiento

1.5 Tendencias Actuales

Inteligencia Artificial Débil

Inteligencia Artificial Fuerte

Aprendizaje Automático (Machine

Aprendizaje Profundo (Deep Learning)

Pre Procesamiento de datos

Visión por Computadora

Pre Procesamiento de datos

1 Definir los términos claves de IA

2 Comprender los algoritmos de IA

Conocer los modelo de inteligencia

¿Preparado para iniciar con la

Capacidad de entender, asimilar, elaborar

Disciplina y conjunto de capacidades

TIPOS DE INTELIGENCIA ARTIFICIAL

Se basa en la interferencia humana para definir los

Impulsa la mayor parte de la IA de hoy.

Ejemplos: asistentes virtuales, chatbots y sistemas de

Se refiere a sistemas de IA que poseen una

Estos sistemas tienen la capacidad de razonar,

la IA fuerte aún no se ha logrado y es un objetivo a

Se refiere a un intelecto que es mucho más

Expertos en IA y biotecnología no esperan que estas

ASISTENTE PERSONAL MÓVIL

Las respuestas automáticas a correos

Estos sistemas están presentes en muchas

La IA se utiliza en la salud en una variedad de

El cientifico reconoce los primeros

Desarrollado por IBM, este

2014 Un ordenador supera

Microsoft lanza Tay

La conocida Multinacional La inteligencia artificial AlphaGo

¿ 2045 ? La inteligencia Artificial

Kurzwell, se alcanza la llamada

1960 Diseño y Desarrollo de Sistemas

Avances Limitados y Reducción

Desarrollo de Redes Neuronales

2024 2021- Etica de la IA

¿Qué son algoritmos de Inteligencia Artificial?

Son un conjunto de reglas y procesos que permiten a una

¿Cómo se clasifican los algoritmos de Inteligencia Artificial

Inteligencia Visión por

¿Cómo se usan los algoritmos en Inteligencia Artificial?

Cada algoritmo de inteligencia artificial tiene su propia metodología y técnicas específicas

El modelo evaluado con nuevos

¿Qué es el Aprendizaje Automático?

El aprendizaje automático (AA), aprendizaje automatizado, aprendizaje de máquinas o aprendizaje

¿Cómo funciona el Aprendizaje Automático?

¿Cuáles son los tipos de Aprendizaje Automático?

Aprendizaje Aprendizaje Aprendizaje

Entrada Salida Entrada Salida

Datos etiquetados Sin Etiquetas Procesos de Decisión

Aplicaciones del Aprendizaje Automático