1
00:00:01,840 --> 00:00:25,190
bienvenidos a esta nueva píldora tecnológica donde vamos a utilizar el modelo que hemos creado de

2
00:00:25,190 --> 00:00:31,589
perros y gatos en el vídeo anterior y vamos a ver cómo este modelo no está correctamente entrenado

3
00:00:31,589 --> 00:00:38,469
para ello vimos que sí que había gatos y perros y que nos respondía con una fiabilidad alta podemos

4
00:00:38,469 --> 00:00:45,750
ir y comprobar que si yo voy a pruebas y meto la imagen de un gato me dice que es un gato al

5
00:00:45,750 --> 00:01:14,879
100%, fijémonos. Ahora si voy y meto un perro, me dice que es un perro al 99%, correcto. Ahora lo que vamos a hacer es intentar ver qué ocurre si yo le meto

6
00:01:14,879 --> 00:01:21,340
cosas que no son ni gatos ni perros. Pues en este caso, si yo le meto un guepardo, vamos a comprobar

7
00:01:21,340 --> 00:01:27,780
que me dice que es un gato al 59% y un perro al 40%. Esto ya me está indicando que parece un gato

8
00:01:27,780 --> 00:01:34,459
pero no está muy seguro. Vemos que evidentemente no es un gato, pero sí que tiene pinta de gato,

9
00:01:34,579 --> 00:01:39,760
aunque también tiene pinta de perro por la forma del cuerpo. Vamos a ver qué ocurre si le ponemos,

10
00:01:39,760 --> 00:01:52,680
por ejemplo, un lobo. En este caso esperaríamos que apareciera perro, pero nos dice que es gato. Vemos que aquí sí que existe un sesgo. Y ese sesgo, si investigamos, podemos ver

11
00:01:52,680 --> 00:02:01,799
que viene por el color del pelaje. Cuando yo he alimentado mi modelo de inteligencia artificial con perros, los he metido de diferentes colores, blancos, negros, color pardo,

12
00:02:01,799 --> 00:02:13,719
con manchas, fotos de cerca, fotos de lejos. Sin embargo, vemos que solo hay uno que se ve con el cuerpo entero, o dos, y el resto son caras.

13
00:02:14,340 --> 00:02:20,479
En el caso de los gatos, sin embargo, vemos que hay muchos más que tienen cuerpo entero y además todos son de color pardo.

14
00:02:21,120 --> 00:02:28,719
Esto ha introducido un sesgo en el aprendizaje. Y él, al ver esto, que no es ni un gato ni un perro, lo que intenta ver es a quién se parece

15
00:02:28,719 --> 00:02:36,740
y según su modelo de aprendizaje ve que el pelaje es pardo, ve que aparece el cuerpo entero y él intentando estadísticamente hacer que se parezca a alguno de estos

16
00:02:36,740 --> 00:02:45,219
ve que se parece mucho más a las fotos que yo le he puesto de gatos que de perros y por lo tanto concluye que es un gato. Eso es un claro ejemplo de sesgo.

17
00:02:45,819 --> 00:02:55,080
También una cosa muy divertida que podemos hacer es utilizar la webcam. En este caso pues yo la voy a activar y vais a ver que a mí, si yo le pongo mi cara,

18
00:02:55,080 --> 00:03:00,180
ahí estoy yo, si yo añado esta imagen de la webcam

19
00:03:00,180 --> 00:03:04,439
a mí me reconoce como un perro, soy un perro

20
00:03:04,439 --> 00:03:07,520
pero sin embargo, claro, me reconoce como un perro, pero si yo me tapo la boca

21
00:03:07,520 --> 00:03:14,250
y abro los ojos, me reconoce como un gato

22
00:03:14,250 --> 00:03:18,270
¿por qué? porque tiene un sesgo, porque ocurre que cuando hay

23
00:03:18,270 --> 00:03:23,129
pelo en la cara, él piensa que soy un perro

24
00:03:23,129 --> 00:03:26,469
mientras que si la cara está más limpia, al ponerme la mano

25
00:03:26,469 --> 00:03:39,830
tapo el pelo del hocico y veo, abro los ojos más y vemos que los gatos tienen los ojos, algunos de ellos, muy redondos, pues me reconoce como un gato.

26
00:03:40,629 --> 00:03:47,969
Entonces vemos que también se puede engañar a las inteligencias artificiales y que su información puede no ser 100% fiable.

27
00:03:47,969 --> 00:03:57,650
¿Cómo corregimos esto? Pues metiendo más imágenes, reentrenándolo, aprendiendo y volviendo a probar hasta que veamos que nuestro modelo está bien entrenado y no tiene sesgos.

28
00:03:57,870 --> 00:04:07,050
Cuando tengamos un modelo bien entrenado, podemos venir aquí a archivo y guardar en mi ordenador un archivo, que va a ser un archivo con extensión JSON,

29
00:04:07,050 --> 00:04:13,150
y ahí me va a guardar mi modelo de forma que yo luego lo pueda cargar desde mi ordenador

30
00:04:13,150 --> 00:04:18,350
y directamente le decirle que lo aprenda y ya tendríamos nuestro modelo cargado para poderlo explotar.

31
00:04:18,769 --> 00:04:24,170
En el siguiente vídeo vamos a ver cómo vamos a poder utilizar Echidna Scratch

32
00:04:24,170 --> 00:04:29,449
para poder programar a través de un entorno de Scratch bloques que nos permitan interactuar

33
00:04:29,449 --> 00:04:33,709
con un modelo de inteligencia artificial que previamente hayamos entrenado.

34
00:04:34,250 --> 00:04:35,970
Así que nos vemos en el siguiente vídeo.