1 00:00:00,240 --> 00:00:21,039 Bueno, vamos a proceder a hablar esta vez de Inteligencia Artificial y Machine Learning. Tenemos los dos conceptos. Aquí la primera slide de la presentación nos define, por un lado la Inteligencia Artificial como una serie de máquinas que simulan las capacidades o la mente humana, capacidad de razonar, capacidad de percibir, etc. 2 00:00:21,039 --> 00:00:30,039 Y el Machine Learning es una subsección de la Inteligencia Artificial que le permite, a través de algoritmos, aprender por sí solo. 3 00:00:31,219 --> 00:00:42,460 Y luego, finalmente, el impacto. El impacto que ha supuesto la introducción de estas dos herramientas en todos los ámbitos de nuestra sociedad. 4 00:00:42,460 --> 00:01:04,980 Entonces, el magma de presentación sería qué es la Internet Artificial, luego qué es el Machine Learning, es decir, las definiciones, conceptos, luego tenemos la relación PIA y Contra Machine Learning, o Internet Artificial, Contra Machine Learning, luego los tipos de aprendizaje automático, aplicaciones y ejemplos, y luego las ventajas, riesgos y tecnologías futuras. 5 00:01:05,980 --> 00:01:23,980 Entonces, la definición. ¿Qué definimos la inteligencia artificial? Bueno, como ya hemos dicho, que es una serie de máquinas que les permiten llegar a obtener la capacidad de poder razonar o poder aprender o percibir cómo es insertar una metodología. 6 00:01:23,980 --> 00:01:28,019 Se ha comenzado a comprender el lenguaje, tomar decisiones, etc. 7 00:01:28,819 --> 00:01:35,719 ¿Cuál es la idea clave? Que no solo automatiza tareas, también puede adaptarse, mejorar, actuar con cierto grado de autonomía. 8 00:01:35,719 --> 00:01:49,719 Es decir, no es algo automático o no es algo mecánico, sino que tiene la capacidad de interactuar o capacidad de actuar o, como indica aquí, de cambiar. 9 00:01:49,719 --> 00:02:00,019 en lo que realmente ese conocimiento, por tanto, tiene, como nos indica, un grado de autonomía. 10 00:02:00,319 --> 00:02:09,639 No solo se limita de manera mecánica a interactuar o a determinar o hacer determinadas acciones, 11 00:02:09,759 --> 00:02:16,900 sino que tiene la capacidad, como si fuera un ser humano, de poder, esa inteligencia artificial, 12 00:02:16,900 --> 00:02:26,599 de poder adaptarse, de poder ver qué es lo que es más conveniente, de hacer mejoras, de actuar de una manera u otra en función de lo que se solicite, etc. 13 00:02:27,580 --> 00:02:35,419 Entonces, capacidades asociadas a la AIA, tenemos el razonamiento, es obvio que la AIA nos permite resolver problemas, elegir acciones. 14 00:02:35,419 --> 00:02:55,560 El aprendizaje, es decir, a medida que va razonando y va obteniendo, por ejemplo, si una máquina de arquitectura artificial aprende las reglas básicas del ajedrez y procede a realizar millones de jugadas, 15 00:02:55,560 --> 00:03:14,199 pues al mismo tiempo no sólo sabrá las normas básicas para poder aprender a jugar, sino que a través de todo ese conocimiento y todo ese entrenamiento le va a permitir incluso mejorar y ser cada vez mejor en el propio ajedrez en este caso. 16 00:03:14,199 --> 00:03:19,460 Lo que tiene la percepción, interpretar imágenes, voz, sensores y los lenguajes, entender y generar texto o voz. 17 00:03:20,800 --> 00:03:29,060 ¿Qué es el Machine Learning? Machine Learning es una rama de la inteligencia artificial, como he dicho anteriormente, que crea algoritmos capaces de aprender a partir de datos. 18 00:03:29,060 --> 00:03:56,539 Es decir, este Machine Learning va a través de la inteligencia artificial, porque como hemos dicho es una subdivisión o entra dentro de una sección dentro de esa inteligencia artificial, pues va a crear algoritmos que le van a permitir aprender sobre una cantidad inmensa de datos y en función de ello detectar patrones y mejorar patrones. 19 00:03:56,539 --> 00:04:26,459 Es decir, patrones se refiere a comprobar que en determinadas acciones o en determinados, pues se dan de manera repetitiva determinadas actuaciones o determinados procedimientos que dan lugar a ver esos patrones y así poder predecir y adelantarse a acciones o a lo que realmente se esté buscando, se esté estudiando. 20 00:04:26,540 --> 00:04:46,120 Y mejorar su rendimiento sin ser programados paso a paso. Estos van a mejorar ellos mismos. Ya no es solo que poder interactuar o aprender del conocimiento de la información que reciben, sino que al mismo tiempo crea esos algoritmos que le van a permitir mejorar su rendimiento. 21 00:04:46,120 --> 00:04:49,439 mejorar su rendimiento 22 00:04:49,439 --> 00:04:51,300 a nivel interno como propia 23 00:04:51,300 --> 00:04:53,000 inteligencia artificial, por lo tanto 24 00:04:53,000 --> 00:04:54,959 la mejora 25 00:04:54,959 --> 00:04:57,699 es extraordinaria. 26 00:04:58,079 --> 00:04:58,680 Es decir, como 27 00:04:58,680 --> 00:05:01,199 aprende un sistema de machine learning 28 00:05:01,199 --> 00:05:03,360 los datos, ahora 29 00:05:03,360 --> 00:05:05,519 tenemos la capacidad de procesar 30 00:05:05,519 --> 00:05:07,259 a través de ordenadores una inmensa cantidad 31 00:05:07,259 --> 00:05:09,519 y gente cantidad de datos 32 00:05:09,519 --> 00:05:11,259 por lo tanto tenemos una información 33 00:05:11,259 --> 00:05:13,399 de entrada, luego crea 34 00:05:13,399 --> 00:05:14,019 esos algoritmos 35 00:05:14,019 --> 00:05:17,819 que permiten buscar los patrones, lo que hemos dicho 36 00:05:17,819 --> 00:05:21,939 realmente son aspectos o opciones repetitivas 37 00:05:21,939 --> 00:05:25,579 y luego crea un modelo o aprende 38 00:05:25,579 --> 00:05:29,759 a hacer el modelo, aprende las relaciones y da un resultado 39 00:05:29,759 --> 00:05:33,560 y precise o decide. Si nosotros somos capaces 40 00:05:33,560 --> 00:05:37,839 de, por ejemplo, si el Metro de Madrid 41 00:05:37,839 --> 00:05:41,519 vemos 42 00:05:41,519 --> 00:05:56,500 O podemos obtener toda la cantidad de información que nos golpean a través de los sensores, a través de todos los datos que van generando el propio funcionamiento del método de Madrid con todos los trenes, etc. 43 00:05:56,500 --> 00:06:20,800 Esta inmensa cantidad de datos puede ser a través de un algoritmo, crear un algoritmo o el propio inteligente artificial que le permita el conocer o incluso predecir cuando un coche del metro o una línea va a estar interrumpida o va a sufrir una avería o lo que sea, 44 00:06:20,800 --> 00:06:32,839 en función de que toma todos esos datos y entre ellos esos datos analizará si realmente cuando realmente ha habido detenciones o cuando ha habido averías 45 00:06:32,839 --> 00:06:45,160 y cuando vea a través de esos algoritmos que se, y en función de toda esa generalidad de datos, que existen los patrones o existen los elementos que coinciden 46 00:06:45,160 --> 00:06:58,720 y que hacen pensar que realmente se va a producir un paro en algún tipo de coche del metro o de alguna línea, nos va a permitir decidir y, por tanto, predecir antes de que se produzca. 47 00:06:59,300 --> 00:07:12,459 Pues todo eso es el machine learning, es lo que utiliza para tomar decisiones y para predecir el futuro, predecir determinados eventos que tienen unos patrones y que se repiten. 48 00:07:12,459 --> 00:07:30,720 Por tanto, con esa cantidad, utilizando la propia estadística o la producción estadística, nos va a permitir hacer predicciones o en base a probabilidades y poder decidir y actuar. 49 00:07:32,060 --> 00:07:37,019 No sé si lo he explicado más o menos, pero bueno, esto podríamos resumir como el bachiller. 50 00:07:37,019 --> 00:07:55,959 En relación entre conceptos, hemos dicho que vemos aquí un conjunto, un conjunto en el que pone Inteligencia Artificial, que sería el conjunto de todo, y dentro del mismo, como un subconjunto o sección dentro de la Inteligencia Artificial, estaría el Machine Learning. 51 00:07:56,160 --> 00:08:06,279 Entonces, aquí nos pone el campo amplio, engloba muchas técnicas para crear sistemas inteligentes y luego el Machine Learning sería el subconjunto de la Inteligencia Artificial centrado en aprender a partir de datos. 52 00:08:07,019 --> 00:08:13,779 ¿Y por demás de aprendizaje automático? Pues tenemos aprendizaje supervisado, aprendizaje no supervisado y aprendizaje por refuerzo. 53 00:08:14,220 --> 00:08:17,980 El primero es aquel en el que el modelo aprende, por ejemplo, los etiquetados. 54 00:08:19,879 --> 00:08:30,899 Sirve para clasificar o predecir valores. Aquí tenemos, por ejemplo, para detectar spam, predecir precios o, en este caso, lo que decíamos, ver las averías que puedan ocurrir en los coches de los metros. 55 00:08:31,639 --> 00:08:40,639 Aprendizaje no supervisado es un modelo de trabajo con datos sin etiquetar y busca estructuras o ocupaciones segmentales del cliente, patrones de consumo y no aprendizaje por refuerzo. 56 00:08:40,639 --> 00:08:44,720 La gente aprende mediante prueba y error, recibiendo recompensas o castigos. 57 00:08:45,139 --> 00:08:48,230 Videojuegos, robots... 58 00:08:48,230 --> 00:08:49,889 Aplicación de la IA y Machine Learning. 59 00:08:50,009 --> 00:09:01,190 Bueno, pues podemos hablar de que es aplicable a todos los ámbitos actuales, desde la medicina, desde el cliente, finanzas, procesamiento de imágenes, movilidad de industria, negocio y marketing. 60 00:09:01,190 --> 00:09:12,909 y cada vez se va ampliando y se va desarrollando en más campos por los beneficios y por la capacidad que tiene este tipo de herramientas. 61 00:09:14,549 --> 00:09:21,409 Conceptos claves para profundizar. Fundamentos y algoritmos. Comprender cómo funcionan los modelos y sus bases matemáticas y lógicas. 62 00:09:21,769 --> 00:09:29,169 Más o menos lo por encima. Luego, el NLP o lenguaje natural, que son tecnologías que permiten a los máquinas entender y generar el lenguaje humano. 63 00:09:29,169 --> 00:09:36,509 de las claves, luego la visión por computador, es decir, sistemas o la propia inteligencia artificial 64 00:09:36,509 --> 00:09:41,470 va a poder interpretar imágenes, como es el caso de, por ejemplo, las radiografías para detectar cáncer, 65 00:09:41,889 --> 00:09:45,129 pues permite detectar esas imágenes o también vídeos. 66 00:09:45,990 --> 00:09:52,090 En inteligencia artificial generativa, modelos que crean test, imágenes, audio y código a partir de instrucciones, 67 00:09:52,090 --> 00:09:53,730 es decir, lo van a generar todo. 68 00:09:54,789 --> 00:09:58,789 Sistemas autónomos, tecnologías que perciben el entorno y actúan con poca supervisión humana, 69 00:09:58,789 --> 00:10:18,009 Esto sería un agente, ahora están muy de moda los agentes, por ejemplo el cloud o el chat que nos permite trabajar de manera autónoma, lo dejamos, establecemos una serie de instrucciones y que hagan de tema las acciones o tareas de manera autónoma. 70 00:10:18,009 --> 00:10:21,649 mientras con nosotros estamos durmiendo o estamos en otro sitio. 71 00:10:22,730 --> 00:10:27,789 Y descubrimiento y personalización, uso de la inteligencia de actividad para optimizar las decisiones, recomendaciones y experiencias. 72 00:10:29,809 --> 00:10:39,470 ¿Qué es importante? Bueno, pues por un lado la eficiencia. ¿Por qué? Porque va a permitir realizar tareas o acciones que son repetitivas 73 00:10:39,470 --> 00:10:42,590 y esto no va a permitir acelerar o ser más eficientes. 74 00:10:42,590 --> 00:11:02,049 En cuanto a la precisión, la gente inicial sabe más que nosotros y por tanto tomará mejores decisiones y analizará mucho mejor. La personalización, adaptar servicios, recomendaciones y atención a cada usuario. Se va a adaptar a lo que realmente necesitemos y lo que estemos buscando. 75 00:11:02,049 --> 00:11:24,169 Y la innovación, pues a ver nuevos modelos de negocio, como hemos dicho, que continuamente están desarrollando nuevos campos en los que se puede hacer uso de este tipo de tecnología, incluso aquellos que antes se consideraban como imposibles de acceder. 76 00:11:24,169 --> 00:11:43,570 Y bueno, desafíos y consideraciones éticas, bueno, pues hay, por supuesto, como todas las nuevas tecnologías, pues se presentan una serie de riesgos y las claves para que esto es lo mismo que es cuando apareció el coche y teníamos la posibilidad de conducir y transportarnos de un lugar a otro, pues esto depende de todo. 77 00:11:43,570 --> 00:12:03,629 Es decir, si tendrán unos riesgos, por supuesto, los riesgos son los accidentes, la mortalidad que pueden causar, etc., las personas, pero haciendo un uso responsable y adecuado, pues al final obtendremos el objetivo, que el objetivo es transportarnos y movernos de un sitio a otro de forma más rápida. 78 00:12:03,629 --> 00:12:10,769 Y, pues, es como todo. La inteligencia artificial presenta inconvenientes, por supuesto, como es la priorización de seguridad de los datos, 79 00:12:11,070 --> 00:12:17,470 los algoritmos de decisiones injustas, falta de transparencia, consumo de recursos y costes energéticos, 80 00:12:17,470 --> 00:12:33,610 que a nivel ecológico supone un gran consumo de energía y con ello realmente no es que digamos que sea muy, muy, muy apto. 81 00:12:33,629 --> 00:13:02,289 Para mantener nuestro medio ambiente. Luego el impacto sobre el empleo y la sociedad, porque automatizar y reducir las acciones o el trabajo, por ejemplo en el caso de los programadores, cada vez se van necesitando menos programadores o los equipos son más pequeños porque la inteligencia artificial ayuda muchísimo y permite sacar las aplicaciones informáticas mucho más rápido y con menos gente. 82 00:13:02,289 --> 00:13:31,929 Por tanto, tiene sus inconvenientes. Entonces, las claves para usar el responsable son enseñar sistemas con criterios éticos, que no se pueda obtener cualquier cosa a través de la inteligencia artificial, proteger los datos personales para proteger la confidencialidad y la privacidad, evaluar y corregir los sesgos, es decir, los errores que puedan existir, explicar el funcionamiento cuando sea posible y garantizar accesibilidad y beneficio social. 83 00:13:33,919 --> 00:13:46,259 Las estrategias futuras son la inteligencia artificial generativa, el procesamiento del lenguaje natural en el EPI, que lo hemos dicho anteriormente, el análisis predictivo avanzado, sistemas autónomos, integración en más sectores y el uso responsable de la regulación. 84 00:13:46,259 --> 00:14:05,980 Es muy importante la regulación para evitar, porque si no, a la larga, el acceso a la inteligencia artificial va a estar bloqueado, porque si la inteligencia artificial es capaz de hacer cualquier cosa y nos permite desarrollar cualquier tipo de proyecto, cualquier tipo, puede ser un peligro en sí. 85 00:14:06,139 --> 00:14:15,480 Por tanto, es importante garantizar ese uso responsable y, como no, que esté regulado para que no se pueda hacer cualquier cosa con este tipo de herramientas. 86 00:14:16,259 --> 00:14:44,480 En resumen final, recordar que la inteligencia artificial es un marco general del sistema inteligente, el machine learning es una parte de la inteligencia artificial que aprende a partir de datos, hay que tener muy claro, diferenciar entre el conjunto de todo, que son las herramientas, y luego la posibilidad de que a través de una ingente cantidad de datos el poder aprender y permitir hacer predicciones y tomar decisiones. 87 00:14:44,480 --> 00:14:51,740 Y bueno, además las oportunidades existen entre los éticos, los inconvenientes, la responsabilidad del uso, etc. 88 00:14:52,919 --> 00:15:04,759 Y bueno, este sería más o menos el resumen, o sea, grosomodo, de lo que entenderíamos como inteligencia artificial y machine learning. 89 00:15:05,639 --> 00:15:06,159 Venga, un saludo.