1 00:00:00,000 --> 00:00:04,780 A ver, pensemos en esto. ¿Cómo se le explica a un grupo de niños de primaria lo que es 2 00:00:04,780 --> 00:00:08,980 de verdad la inteligencia artificial? Pero no solo a usarla, no, sino a entender cómo 3 00:00:08,980 --> 00:00:13,820 funciona por dentro, con sus fallos, sus sesgos y sus dilemas. Pues hoy vamos a meternos de 4 00:00:13,820 --> 00:00:18,359 lleno en un proyecto educativo súper interesante que hizo precisamente eso, poner a los propios 5 00:00:18,359 --> 00:00:21,620 alumnos a construir y a poner a prueba una IA desde cero. 6 00:00:22,359 --> 00:00:26,859 Venga, vamos al lío. En el análisis de hoy, primero vamos a ver cuáles eran los objetivos 7 00:00:26,859 --> 00:00:31,879 del proyecto y cómo se las apañaron para recoger datos del mundo real. Luego nos meteremos 8 00:00:31,879 --> 00:00:36,119 en la fase de entrenamiento de una IA nueva, veremos cómo compararon el aprendizaje de 9 00:00:36,119 --> 00:00:40,200 la máquina con el de las personas y, para terminar, sacaremos conclusiones sobre los 10 00:00:40,200 --> 00:00:42,560 errores y las reglas éticas que surgieron de todo esto. 11 00:00:43,119 --> 00:00:47,380 Empezamos por el principio, claro. ¿De qué iba este proyecto? Pues corre, corre, que 12 00:00:47,380 --> 00:00:51,899 Tepillo tenía una misión muy clara. Estaba diseñado para un grupo de alumnos de entre 13 00:00:51,899 --> 00:00:56,939 9 y 12 años, y la idea era ir un paso más allá de lo típico, retarles a desarrollar 14 00:00:56,939 --> 00:01:00,100 todo su potencial en un tema que, bueno, está en boca de todos. 15 00:01:00,600 --> 00:01:05,540 Y ojo, porque los objetivos no eran para nada sencillos. Como se ve aquí, no se trataba 16 00:01:05,540 --> 00:01:10,579 sólo de la parte técnica, de crear un modelo de machine learning y ya, que va, la meta 17 00:01:10,579 --> 00:01:15,739 era mucho más profunda, que los alumnos entendieran la lógica detrás, que fueran capaces de 18 00:01:15,739 --> 00:01:20,159 detectar sus límites y, sobre todo, que sentaran las bases para usar esta tecnología de una 19 00:01:20,159 --> 00:01:21,640 forma ética y responsable. 20 00:01:21,900 --> 00:01:37,719 Pasamos a la segunda parte. Para que la IA no se quedara en algo abstracto, en una idea lejana, el proyecto empezó con los pies en la tierra. ¿Cómo? Pues conectando todo el aprendizaje con la realidad, recogiendo datos de la propia comunidad de los alumnos, de su gente, de su entorno más cercano. 21 00:01:37,719 --> 00:01:54,900 Lo primero que hicieron fue lanzar una encuesta a su comunidad. Los propios alumnos la respondieron primero, pero luego salieron a preguntar a sus familiares y amigos. Y no eran preguntas cualquiera, eran cuestiones con miga, que buscaban saber qué beneficios le ve la gente a la IA, qué miedos le genera y qué experiencias han tenido con ella. 22 00:01:54,900 --> 00:02:13,819 Y aquí vemos cómo le dieron forma a toda esa información, porque lo importante no era sólo recoger datos, sino hacerlo de distintos grupos de edad, como se ve en el gráfico. Fue una forma súper práctica de aprender que una IA se nutre de información del mundo real y que la diversidad de esa información es, sencillamente, clave. 23 00:02:13,819 --> 00:02:24,419 Y con esto llegamos a la que, para mí, es la parte más alucinante del proyecto. Porque aquí los alumnos no sólo estudiaron la inteligencia artificial, no, se convirtieron en sus maestros. 24 00:02:24,900 --> 00:02:31,520 El proceso para entrenar su propia IA, que puede sonar a ciencia ficción, lo dividieron en estos cuatro pasos tan claros. 25 00:02:31,879 --> 00:02:38,819 Primero, entender qué es una categoría semántica, o sea, un grupo de cosas con algo en común, como herramientas o frutas. 26 00:02:39,280 --> 00:02:44,819 Después, y aquí viene lo bueno, crearon sus propias categorías, buscaron imágenes y al final, a entrenar. 27 00:02:45,219 --> 00:02:50,680 Así, un concepto tan abstracto como el Machine Learning se convirtió en un juego creativo y práctico. 28 00:02:50,680 --> 00:02:55,879 Y es que aquí la creatividad se disparó por completo. Inventaron categorías semánticas 29 00:02:55,879 --> 00:03:00,379 súper originales, como cosas que me llevaría a un planeta de gelatina, o esta que vemos, 30 00:03:00,759 --> 00:03:05,939 objetos que solo podría usar si fuera un gigante. Claro, con este enfoque, el aprendizaje se 31 00:03:05,939 --> 00:03:12,580 convirtió en algo divertidísimo y, sobre todo, inolvidable. Vale, la IA ya está entrenada. ¿Y 32 00:03:12,580 --> 00:03:17,860 ahora qué? Pues llega el momento del gran experimento, comparar cómo aprende una máquina 33 00:03:17,860 --> 00:03:19,979 con cómo aprendemos nosotros, los humanos. 34 00:03:20,599 --> 00:03:22,240 La pregunta del millón era esta. 35 00:03:22,539 --> 00:03:23,819 ¿Quién se equivocaría más? 36 00:03:24,180 --> 00:03:26,460 Para averiguarlo hicieron algo muy inteligente. 37 00:03:26,879 --> 00:03:28,180 Entrenaron a voluntarios humanos 38 00:03:28,180 --> 00:03:30,039 con exactamente las mismas imágenes 39 00:03:30,039 --> 00:03:32,860 y las mismas categorías locas que habían usado para la IA. 40 00:03:33,180 --> 00:03:34,979 La batalla estaba servida. 41 00:03:35,460 --> 00:03:38,780 Y la comparación, la verdad, dejó las cosas bastante claras. 42 00:03:39,300 --> 00:03:40,439 Por un lado, la IA, 43 00:03:40,580 --> 00:03:42,439 que básicamente se dedica a buscar patrones 44 00:03:42,439 --> 00:03:43,960 en los datos que le das, sin más. 45 00:03:44,340 --> 00:03:45,699 Y por otro lado, los humanos, 46 00:03:45,699 --> 00:03:50,879 que usamos estrategias mucho más complejas, asociamos ideas, diremos de lo que ya sabemos 47 00:03:50,879 --> 00:03:55,819 y entendemos el contexto, el significado real de las imágenes, para poder clasificarlas. 48 00:03:56,280 --> 00:04:01,580 Y todo este camino nos lleva a la última fase del proyecto. Y quizás la más importante, 49 00:04:02,039 --> 00:04:06,419 la que se centra en lo que podemos aprender de los errores, tanto de los de las máquinas 50 00:04:06,419 --> 00:04:11,240 como de los nuestros. Para esta fase, los estudiantes se convirtieron literalmente en 51 00:04:11,240 --> 00:04:16,759 detectives de la IA. Se dedicaron a registrar todos sus fallos, sus sesgos y sus respuestas 52 00:04:16,759 --> 00:04:21,699 más raras en un cuaderno especial al que llamaron Incunables. Es un guiño genial a 53 00:04:21,699 --> 00:04:25,519 los primeros libros impresos, a los más primitivos. Una metáfora fantástica, vamos. 54 00:04:26,079 --> 00:04:30,939 Pues bien, todo este trabajo de investigación culminó en la creación de un decálogo para 55 00:04:30,939 --> 00:04:35,899 el uso responsable de la IA. Unas reglas creadas por ellos mismos que, como se ve en estos 56 00:04:35,899 --> 00:04:40,259 puntos, van directas a lo importante. Hay que cuestionar siempre lo que nos dice una 57 00:04:40,259 --> 00:04:45,779 IA, proteger nuestros datos, ser conscientes de que puede tener sesgos y, sobre todo, valorar 58 00:04:45,779 --> 00:04:50,180 el esfuerzo personal y el pensamiento crítico por encima de la respuesta fácil y automática. 59 00:04:50,740 --> 00:04:56,500 Porque al final, la gran lección del proyecto Corre, corre, que te pillo es esta. La verdadera 60 00:04:56,500 --> 00:05:01,160 alfabetización digital hoy en día no va solo de saber manejar una herramienta, va 61 00:05:01,160 --> 00:05:06,639 de algo mucho más profundo, de desarrollar el pensamiento crítico y la base ética que 62 00:05:06,639 --> 00:05:08,680 necesitamos para saber usarla bien.