Tabla de Contenidos
Caracterización de Sistemas de Inteligencia Artificial
Fundamentos, técnicas, aplicaciones y eficiencia operativa
1. Qué es un sistema de inteligencia artificial
La Inteligencia Artificial (IA) es una disciplina que permite a los sistemas informáticos realizar tareas que normalmente requieren inteligencia humana: aprender, razonar, percibir, decidir o interactuar con el entorno.
La palabra inteligencia no implica conciencia: en ingeniería se evalúa si el sistema transforma unas entradas en decisiones o salidas útiles dentro de un objetivo y unas restricciones concretas.
En el ámbito empresarial, la IA se utiliza principalmente para:
- Mejorar la eficiencia operativa
- Automatizar procesos
- Optimizar la toma de decisiones
- Reducir costes y errores
- Incrementar la competitividad
| Ejemplo real |
|---|
| Una empresa logística como Amazon utiliza IA para optimizar rutas de reparto y prever la demanda de productos. |
Un sistema inteligente completo no es solamente un modelo. Incluye la captación de datos, su preparación, el algoritmo, las reglas de negocio, la interfaz, la infraestructura de ejecución, la supervisión humana y los mecanismos para medir resultados. Un clasificador excelente puede fracasar si recibe datos distintos de los del entrenamiento, si su salida llega tarde o si nadie sabe cómo actuar ante una predicción incierta.
| Idea clave |
|---|
| Conviene separar tres términos. Un algoritmo es un procedimiento; un modelo es la representación parametrizada obtenida o definida para resolver una tarea; y un sistema de IA es el conjunto sociotécnico que integra ese modelo en un proceso real. |
- Algoritmo: es el conjunto de pasos o reglas que se siguen para realizar una tarea. Por ejemplo, un algoritmo puede indicar cómo ajustar los parámetros de una red neuronal a partir de ejemplos. En aprendizaje automático, algoritmos como el descenso de gradiente sirven para entrenar modelos.
- Modelo: es el resultado que se utiliza para hacer predicciones o tomar decisiones. Normalmente contiene parámetros que han sido aprendidos durante el entrenamiento. Por ejemplo, un modelo entrenado con miles de imágenes de gatos y perros puede recibir una imagen nueva y estimar si contiene un gato o un perro.
- Sistema de IA: es algo más amplio. Incluye el modelo, pero también el software, los datos, los usuarios, los dispositivos, las reglas de uso y el proceso en el que se integra. Por eso se habla de un sistema sociotécnico: intervienen tanto componentes tecnológicos como personas y organizaciones.
Un ejemplo sencillo sería un sistema para detectar spam en el correo:
- Algoritmo de entrenamiento → aprende a partir de miles de correos clasificados.
- Modelo antispam → recibe un correo y calcula si probablemente es spam.
- Sistema de IA antispam → incluye el modelo, el servidor de correo, la base de datos, las reglas que mandan mensajes a la carpeta Spam, las opciones del usuario para marcar errores y el mantenimiento del sistema.
Agentes, entorno y ciclo percepción-decisión-acción
Una forma clásica de describir la IA es mediante un agente. El agente recibe percepciones del entorno, mantiene un estado o representación interna, selecciona una acción y observa sus consecuencias. El comportamiento se juzga con una medida de desempeño, no por la semejanza superficial con una persona.
┌─────────┐ ┌───────────────────┐ ┌───────────────────┐ ┌────────┐
│ Entorno │ ───► │ Percepción y datos│ ───► │ Modelo y decisión │ ───► │ Acción │
└─────────┘ └───────────────────┘ └───────────────────┘ └────────┘
▲ │
└────────────────────────── resultado ──────────────────────────────────┘
El entorno puede ser totalmente observable o parcial, determinista o aleatorio, estático o dinámico, discreto o continuo. Estas propiedades cambian la solución adecuada. En un tablero de ajedrez el estado es discreto y visible; en conducción autónoma hay incertidumbre, movimiento continuo, información incompleta y consecuencias físicas.
Actividad 1. ¿Es realmente Inteligencia Artificial?
Indica cuáles de los siguientes sistemas considerarías sistemas de Inteligencia Artificial y justifica brevemente tu respuesta.
| Sistema | ¿IA? | Justificación |
|---|---|---|
| Una calculadora que realiza operaciones matemáticas | ||
| Un filtro de correo que detecta spam a partir de mensajes anteriores | ||
| Un termostato que enciende la calefacción cuando la temperatura baja de 19 ºC | ||
| Un sistema que reconoce matrículas mediante una cámara | ||
| Una aplicación que almacena los datos de clientes en una base de datos | ||
| Un sistema que recomienda películas según el historial del usuario | ||
| Un programa que aplica cien reglas creadas por médicos para ayudar a realizar un diagnóstico | ||
| Un sistema que predice el consumo eléctrico de mañana utilizando datos históricos |
Cuestiones finales
¿Es necesario que un sistema aprenda para considerarlo Inteligencia Artificial? ¿Una aplicación que automatiza una tarea es necesariamente Inteligencia Artificial? ¿Qué diferencia existe entre seguir unas instrucciones fijas y tomar una decisión utilizando un modelo?
2. Principios fundamentales de los sistemas inteligentes
Los sistemas de Inteligencia Artificial pueden construirse utilizando técnicas muy diferentes, pero la mayoría comparten una serie de elementos fundamentales.
De forma simplificada, podemos considerar cuatro componentes:
- Datos o conocimiento, que proporcionan la información necesaria para trabajar.
- Representación o modelo, que permite describir el problema.
- Algoritmos, que determinan cómo se procesa la información.
- Aprendizaje o adaptación, presente en aquellos sistemas capaces de modificar su comportamiento a partir de datos o experiencia.
No todos los sistemas de IA utilizan estos componentes de la misma forma. Por ejemplo, una red neuronal aprende sus parámetros a partir de grandes cantidades de datos, mientras que un sistema experto puede utilizar reglas introducidas directamente por especialistas.
Datos y conocimiento
Los datos constituyen una de las principales fuentes de información de muchos sistemas de Inteligencia Artificial.
Un dato puede representar una observación del mundo real:
- la temperatura registrada por un sensor
- el importe de una compra
- una fotografía
- un fragmento de texto
- la posición de un robot
- el historial de navegación de un usuario
Los sistemas basados en aprendizaje automático utilizan estos datos para encontrar patrones y construir modelos capaces de realizar predicciones o tomar decisiones.
Por ejemplo, una empresa puede disponer de los siguientes datos sobre sus clientes:
| Cliente | Edad | Compras último año | Gasto anual | Renovó suscripción |
|---|---|---|---|---|
| C001 | 24 | 8 | 420 € | Sí |
| C002 | 51 | 2 | 95 € | No |
| C003 | 35 | 14 | 820 € | Sí |
| C004 | 29 | 3 | 140 € | No |
A partir de cientos o miles de registros similares podría entrenarse un modelo que estime la probabilidad de que un cliente renueve su suscripción.
Datos estructurados y no estructurados
Podemos distinguir, de forma sencilla, dos grandes tipos de datos:
| Tipo | Características | Ejemplos |
|---|---|---|
| Estructurados | Organizados según un esquema definido | tablas de bases de datos, hojas de cálculo, registros de ventas |
| No estructurados | No siguen una estructura tabular sencilla | imágenes, vídeos, audio, documentos, correos electrónicos |
Los sistemas modernos de IA pueden trabajar con ambos tipos.
Ejemplo
Un sistema de mantenimiento predictivo industrial puede combinar:
- temperatura del motor
- nivel de vibraciones
- horas de funcionamiento
- histórico de averías
A partir de esta información puede intentar predecir si una máquina tiene riesgo de fallar próximamente.
Representación del problema y modelos
Para que un sistema pueda resolver un problema, es necesario representar de alguna forma los elementos relevantes del mismo. La forma de representación depende de la técnica de IA utilizada.
Por ejemplo:
- Un sistema experto puede representar el conocimiento mediante reglas.
- Un algoritmo de búsqueda puede representar el problema mediante estados y posibles acciones.
- Un sistema de Machine Learning representa patrones mediante parámetros aprendidos.
- Una red neuronal almacena parte del conocimiento aprendido en sus pesos.
Veamos algunos ejemplos:
Representación mediante reglas
Un sistema sencillo para decidir si activar una alarma podría contener reglas como:
SI temperatura > 80 ºC Y vibración > 7 ENTONCES riesgo_averia = ALTO
En este caso, el conocimiento está expresado explícitamente y puede ser leído por una persona.
Representación mediante un modelo aprendido
En un sistema de aprendizaje automático, las relaciones pueden aprenderse automáticamente a partir de datos. Por ejemplo:
temperatura
vibración
presión
horas de uso
↓
MODELO
↓
probabilidad de avería = 87 %
En este caso, las reglas que relacionan las variables de entrada con el resultado no han sido necesariamente programadas de forma explícita.
El concepto “representación”, significa que contiene una forma simplificada de representar el problema que queremos resolver. Esa representación puede haberse aprendido a partir de datos o haberse definido mediante reglas y parámetros.
Algoritmos
Un algoritmo es un procedimiento definido para realizar una tarea o resolver un problema.
En Inteligencia Artificial existen numerosos tipos de algoritmos dependiendo del problema que queramos resolver.
Algunos ejemplos son:
- algoritmos de búsqueda
- árboles de decisión
- algoritmos de clasificación
- algoritmos de agrupamiento o clustering
- redes neuronales
- algoritmos de planificación
- sistemas basados en reglas
Un mismo problema puede resolverse utilizando algoritmos diferentes.
Ejemplo: detección de correo no deseado
Queremos construir un sistema que determine si un correo electrónico es spam.
El sistema podría analizar características como:
- determinadas palabras del mensaje
- dirección del remitente
- número de enlaces
- presencia de determinados archivos adjuntos
- historial de mensajes similares
Un algoritmo de clasificación utilizaría esa información para producir una salida:
Correo electrónico
↓
Extracción de características
↓
Modelo de clasificación
↓
┌───────────────┐
│ SPAM │
│ NO SPAM │
└───────────────┘
No existe un único algoritmo adecuado para todos los problemas. La elección dependerá, entre otros factores, de:
- la cantidad y calidad de los datos disponibles
- el tipo de problema
- la velocidad necesaria
- los recursos computacionales
- la necesidad de explicar las decisiones
- las consecuencias de cometer un error
Aprendizaje y adaptación
Una de las características más importantes de muchos sistemas actuales de IA es su capacidad para aprender a partir de datos.
En lugar de programar manualmente todas las reglas necesarias, se proporciona al sistema un conjunto de ejemplos para que pueda detectar patrones.
Por ejemplo, para construir un sistema capaz de distinguir imágenes de perros y gatos podemos proporcionar miles de fotografías previamente clasificadas.
Imágenes etiquetadas
↓
Entrenamiento
↓
Modelo aprendido
↓
Nueva imagen
↓
"Gato" (96 %)
Durante el entrenamiento, el algoritmo modifica los parámetros internos del modelo intentando reducir sus errores.
Ejemplo: predicción del precio de una vivienda
Supongamos que disponemos de información histórica sobre viviendas:
- superficie
- número de habitaciones
- antigüedad
- ubicación
- precio de venta
Un algoritmo puede aprender la relación existente entre estas características y el precio.
Después del entrenamiento podría recibir los datos de una vivienda nueva:
Superficie: 95 m² Habitaciones: 3 Antigüedad: 12 años Ubicación: zona urbana
y producir una predicción:
Precio estimado: 184.000 €
Es importante entender que el sistema no está consultando necesariamente una regla del tipo:
SI superficie = 95 m² ENTONCES precio = 184.000 €
El modelo ha aprendido una relación estadística a partir de numerosos ejemplos anteriores.
Sistemas que no aprenden
No todos los sistemas considerados Inteligencia Artificial modifican automáticamente su comportamiento.
Un sistema experto puede utilizar reglas creadas por especialistas:
SI paciente tiene fiebre Y paciente tiene tos ENTONCES solicitar prueba adicional
Estas reglas permanecerán iguales hasta que una persona las modifique.
Por tanto:
El aprendizaje automático es una de las técnicas utilizadas dentro de la Inteligencia Artificial, pero existen sistemas inteligentes que funcionan mediante reglas, búsqueda, planificación o razonamiento lógico sin aprender automáticamente de los datos.
Objetivo y evaluación
Un sistema de IA debe diseñarse para cumplir un objetivo concreto.
No tiene sentido afirmar simplemente que un modelo es “bueno”. Hay que determinar qué se espera conseguir y cómo se medirá su rendimiento.
Algunos ejemplos:
| Sistema | Objetivo | Posible medida |
|---|---|---|
| Detector de spam | Identificar correos no deseados | porcentaje de correos correctamente clasificados |
| Sistema de mantenimiento | Predecir averías | número de averías detectadas con antelación |
| Recomendador | Proponer productos relevantes | compras realizadas tras una recomendación |
| Visión industrial | Detectar piezas defectuosas | defectos detectados y falsos positivos |
| Asistente virtual | Resolver consultas | porcentaje de consultas solucionadas |
Además, no todos los errores tienen el mismo coste.
Por ejemplo, en un sistema de diagnóstico médico:
- un falso positivo puede provocar pruebas adicionales innecesarias;
- un falso negativo puede provocar que una enfermedad pase inadvertida.
Por ello, la métrica utilizada para evaluar un sistema debe estar relacionada con las consecuencias reales de sus decisiones.
Ejemplo completo: sistema de mantenimiento predictivo
Podemos observar todos los elementos anteriores en un ejemplo sencillo.
Una fábrica quiere detectar posibles averías en sus motores antes de que se produzcan.
1. Datos
Se recogen mediante sensores:
- temperatura
- vibración
- consumo eléctrico
- presión
- horas de funcionamiento
2. Modelo
Se utiliza un modelo de aprendizaje automático capaz de relacionar esas variables con averías ocurridas anteriormente.
3. Algoritmo de aprendizaje
El algoritmo analiza los datos históricos y ajusta el modelo.
4. Predicción
Para una máquina determinada el sistema obtiene:
Temperatura: 91 ºC Vibración: 8,4 Consumo: elevado Horas desde mantenimiento: 1.850 Probabilidad de avería en las próximas 48 h: 89 %
5. Acción
El sistema genera una alerta:
Prioridad: ALTA Recomendación: revisar rodamiento principal
6. Resultado
El responsable de mantenimiento revisa la máquina antes de que se produzca la avería.
En este ejemplo podemos observar el ciclo:
DATOS → MODELO → PREDICCIÓN → DECISIÓN → ACCIÓN → RESULTADO
Tabla resumen
| Elemento | Función | Ejemplo |
|---|---|---|
| Datos / conocimiento | Proporcionan la información sobre el problema | ventas, imágenes, sensores, reglas de expertos |
| Representación / modelo | Representa las relaciones relevantes del problema | árbol de decisión, reglas, red neuronal |
| Algoritmo | Determina cómo se procesa la información | búsqueda, clasificación, entrenamiento de una red |
| Aprendizaje / adaptación | Ajusta el modelo utilizando datos o experiencia | aprendizaje supervisado |
| Objetivo y evaluación | Permite determinar si el sistema cumple su función | precisión, coste, tiempo ahorrado, errores evitados |
Actividad 2. Desmontando un sistema de IA
Organizándonos por parejas dentro de los posible, cada una debe elegir uno de los siguientes sistemas:
- Detector de spam
- Recomendador de películas
- Sistema de mantenimiento predictivo
- Reconocimiento de matrículas
- Chatbot de atención al cliente
- Detector de fraude bancario
- Sistema de recomendación de productos
- Aplicación para predecir el precio de viviendas
- Sistema de control de calidad mediante cámaras
- Sistema para predecir el abandono de clientes
Para el sistema elegido, completad la siguiente tabla:
| Elemento | Descripción |
|---|---|
| Objetivo | ¿Qué problema intenta resolver? |
| Datos de entrada | ¿Qué información necesita? |
| Modelo o conocimiento | ¿Qué debe representar o aprender? |
| Salida | ¿Qué resultado produce? |
| Acción | ¿Qué se hace con el resultado? |
| Evaluación | ¿Cómo comprobaríamos si funciona correctamente? |
| Posible error | ¿Qué podría ocurrir si el sistema se equivoca? |
Finalmente, representad el funcionamiento utilizando el esquema:
┌─────────┐ ┌───────────────────┐ ┌───────────────────┐ ┌────────┐
│ Entorno │ ───► │ Percepción y datos│ ───► │ Modelo y decisión │ ───► │ Acción │
└─────────┘ └───────────────────┘ └───────────────────┘ └────────┘
▲ │
└────────────────────────── resultado ──────────────────────────────────┘
3. Técnicas básicas en Inteligencia Artificial
La Inteligencia Artificial utiliza diferentes técnicas para resolver problemas. Algunas se basan en reglas definidas por personas expertas, mientras que otras permiten que el sistema aprenda patrones a partir de datos.
Las técnicas más importantes que veremos son:
- Sistemas basados en reglas y sistemas expertos
- Aprendizaje automático o Machine Learning
- Redes neuronales y aprendizaje profundo
- Razonamiento probabilístico
- Lógica difusa
Sistemas basados en reglas y sistemas expertos
Los sistemas basados en reglas representan el conocimiento mediante expresiones del tipo:
SI condición ENTONCES acción o conclusión
Por ejemplo:
SI temperatura > 90 Y vibración > 8 ENTONCES riesgo_averia = ALTO
Son útiles cuando el conocimiento del problema puede expresarse claramente y es importante saber por qué se ha tomado una decisión.
Los sistemas expertos utilizan este tipo de reglas para intentar reproducir el razonamiento de una persona especialista en un ámbito concreto.
Suelen incluir:
- Una base de conocimiento
- Un conjunto de reglas
- Un motor de inferencia
- Una interfaz de usuario
Ejemplo
Un sistema de diagnóstico técnico podría utilizar reglas como:
SI motor_no_arranca Y bateria_correcta Y combustible_correcto ENTONCES revisar_sistema_encendido
Su principal ventaja es que el razonamiento resulta relativamente fácil de explicar.
Su principal inconveniente es que mantener una gran cantidad de reglas puede resultar complejo.
Aprendizaje automático (Machine Learning)
El aprendizaje automático o Machine Learning permite que un sistema aprenda patrones a partir de datos.
En lugar de programar todas las reglas manualmente, se proporciona al sistema un conjunto de ejemplos para que construya un modelo.
De forma simplificada:
Datos históricos
↓
Algoritmo de aprendizaje
↓
Modelo
↓
Nuevos datos
↓
Predicción
Existen tres tipos principales de aprendizaje automático:
- Aprendizaje supervisado: aprende utilizando ejemplos donde conocemos la respuesta correcta
- Aprendizaje no supervisado: busca estructuras o agrupaciones en los datos
- Aprendizaje por refuerzo: aprende mediante recompensas obtenidas al interactuar con un entorno
Ejemplo
Una tienda online quiere estimar si un cliente comprará un nuevo producto.
Puede utilizar información como:
- Edad
- Número de compras anteriores
- Gasto anual
- Productos consultados
- Tiempo desde la última compra
El modelo podría producir una salida como:
Probabilidad de compra: 78 %
El aprendizaje automático se utiliza en problemas de clasificación, predicción, detección de anomalías, recomendación y segmentación de usuarios.
Redes neuronales y aprendizaje profundo
Las redes neuronales artificiales son modelos formados por unidades interconectadas llamadas neuronas artificiales.
Durante el entrenamiento, el sistema ajusta sus parámetros internos para reducir los errores.
De forma simplificada:
Datos de entrada
↓
Red neuronal
↓
Predicción
Las redes neuronales son especialmente útiles para trabajar con información compleja como:
- Imágenes
- Audio
- Vídeo
- Texto
Ejemplo
Una red neuronal puede entrenarse con miles de fotografías de perros y gatos.
Después del entrenamiento puede recibir una imagen nueva y responder:
Gato: 96 % Perro: 4 %
Cuando las redes neuronales tienen múltiples capas hablamos de Deep Learning o aprendizaje profundo.
Este enfoque se utiliza actualmente en reconocimiento de imágenes, reconocimiento de voz, traducción automática, procesamiento del lenguaje natural e IA generativa.
Razonamiento probabilístico
Muchos problemas reales contienen incertidumbre. En estos casos no siempre es posible afirmar que algo es completamente verdadero o falso.
El razonamiento probabilístico permite expresar esa incertidumbre mediante probabilidades.
Por ejemplo:
Probabilidad de avería: 82 %
En lugar de indicar simplemente:
La máquina va a fallar
el sistema proporciona una estimación que ayuda a valorar el riesgo.
Ejemplo
Un sistema de detección de fraude podría analizar una operación bancaria y devolver:
Operación normal: 12 % Posible fraude: 88 %
Este tipo de técnicas se utiliza en:
- Diagnóstico
- Predicción
- Detección de fraude
- Análisis de riesgo
- Robótica
Lógica difusa
La lógica difusa permite trabajar con conceptos que no tienen límites completamente definidos.
Por ejemplo, expresiones como:
- Temperatura alta
- Velocidad rápida
- Riesgo elevado
no siempre pueden representarse mediante un simple verdadero o falso.
La lógica difusa utiliza grados de pertenencia.
Por ejemplo:
| Temperatura | Grado de pertenencia a “temperatura alta” |
|---|---|
| 20 ºC | 0 |
| 25 ºC | 0,1 |
| 30 ºC | 0,4 |
| 35 ºC | 0,8 |
| 40 ºC | 1 |
Un sistema de climatización podría utilizar reglas como:
SI temperatura es MUY ALTA ENTONCES ventilador = MUY RÁPIDO SI temperatura es MODERADAMENTE ALTA ENTONCES ventilador = VELOCIDAD MEDIA
La lógica difusa se utiliza especialmente en sistemas de control, automatización industrial, vehículos y electrodomésticos.
Comparación de las principales técnicas
| Técnica | Idea fundamental | Ejemplo |
|---|---|---|
| Sistemas basados en reglas | Aplicar conocimiento explícito mediante reglas | diagnóstico técnico |
| Machine Learning | Aprender patrones a partir de datos | predecir compras |
| Redes neuronales | Aprender relaciones complejas a partir de muchos datos | reconocimiento de imágenes |
| Razonamiento probabilístico | Gestionar incertidumbre mediante probabilidades | detección de fraude |
| Lógica difusa | Trabajar con conceptos imprecisos | control de temperatura |
Otras técnicas de Inteligencia Artificial
Además de las anteriores existen otras técnicas que pueden utilizarse dependiendo del tipo de problema:
- Algoritmos de búsqueda
- Planificación automática
- Razonamiento basado en casos
- Algoritmos genéticos
- Técnicas de optimización
- Sistemas híbridos
Estas técnicas se estudiarán únicamente cuando sean necesarias para comprender otros contenidos del módulo.
Actividad 3. ¿Qué técnica utilizarías?
A poder ser por parejas, relacionar cada problema con una de las técnicas estudiadas.
Las técnicas disponibles son:
Sistemas basados en reglas Machine Learning Redes neuronales Razonamiento probabilístico Lógica difusa
| Problema | Técnica propuesta | Justificación |
|---|---|---|
| Clasificar fotografías de perros y gatos | ||
| Estimar la probabilidad de que un cliente deje una compañía | ||
| Controlar la velocidad de un ventilador utilizando conceptos como temperatura “baja”, “media” o “alta” | ||
| Aplicar un conjunto de normas fiscales claramente establecidas | ||
| Detectar objetos en las imágenes de una cámara | ||
| Calcular el riesgo de que una operación bancaria sea fraudulenta | ||
| Diagnosticar una avería utilizando reglas proporcionadas por técnicos especialistas | ||
| Reconocer palabras pronunciadas por una persona |
Importante: puede existir más de una solución razonable. Lo importante es justificar adecuadamente la elección.
4. Campos de aplicación de la Inteligencia Artificial
La Inteligencia Artificial se aplica actualmente en numerosos sectores y actividades. Su utilidad depende del tipo de información que se quiera analizar y del problema que se pretenda resolver.
Algunos de los campos de aplicación más habituales son los siguientes.
Visión artificial
La visión artificial permite que un sistema informático analice e interprete imágenes.
El objetivo no consiste únicamente en visualizar una imagen, sino en obtener información útil a partir de ella, por ejemplo identificando objetos, personas, defectos o patrones.
Algunas aplicaciones habituales son:
- Control de calidad en procesos industriales
- Reconocimiento de objetos
- Reconocimiento facial
- Lectura automática de matrículas
- Análisis de imágenes médicas
- Clasificación automática de fotografías
Ejemplo
En una fábrica, una cámara puede fotografiar cada pieza fabricada. Un sistema de visión artificial analiza las imágenes y detecta aquellas que presentan grietas, deformaciones u otros defectos.
Imagen de la pieza
↓
Sistema de visión artificial
↓
Pieza correcta / Pieza defectuosa
Procesamiento y análisis de vídeo
El procesamiento de vídeo aplica técnicas de Inteligencia Artificial sobre una secuencia continua de imágenes.
Además de reconocer objetos, puede analizar su movimiento y estudiar cómo cambia una escena a lo largo del tiempo.
Algunas aplicaciones son:
- Seguimiento de vehículos
- Control de tráfico
- Análisis de eventos deportivos
- Sistemas de vigilancia
- Detección de comportamientos anómalos
- Control de aforo
Ejemplo
Un sistema de gestión del tráfico puede analizar imágenes procedentes de cámaras y calcular automáticamente:
- Número de vehículos
- Velocidad aproximada
- Densidad del tráfico
- Existencia de retenciones
A partir de esta información se pueden modificar los tiempos de los semáforos o generar avisos.
Reconocimiento de voz
El reconocimiento de voz permite transformar una señal de audio en información que pueda ser procesada por un sistema informático.
Una de sus aplicaciones más habituales es la conversión de voz a texto.
Por ejemplo:
"Recuérdame llamar mañana a las diez"
↓
Reconocimiento de voz
↓
"Recuérdame llamar mañana a las diez"
Se utiliza en aplicaciones como:
- Dictado automático
- Transcripción de reuniones
- Subtitulado automático
- Sistemas de atención telefónica
- Asistentes de voz
El reconocimiento de voz suele combinarse con técnicas de procesamiento del lenguaje natural para comprender posteriormente el significado de lo que ha dicho el usuario.
Procesamiento del lenguaje natural
El Procesamiento del Lenguaje Natural (PLN) permite que los sistemas informáticos trabajen con el lenguaje utilizado por las personas.
Puede utilizarse para analizar, interpretar o generar textos.
Entre sus aplicaciones encontramos:
- Traducción automática
- Clasificación de documentos
- Resumen de textos
- Análisis de opiniones
- Extracción de información
- Generación automática de texto
- Respuesta a preguntas
Ejemplo
Una empresa puede analizar automáticamente miles de opiniones de clientes:
"El producto funciona muy bien"
↓
Sistema de PLN
↓
Opinión positiva
También puede detectar temas frecuentes en comentarios o reclamaciones y ayudar a identificar problemas recurrentes.
Asistentes virtuales y chatbots
Los asistentes virtuales permiten a los usuarios interactuar con un sistema mediante lenguaje natural, utilizando texto o voz.
Pueden responder preguntas, buscar información o realizar determinadas acciones.
Se utilizan, por ejemplo, en:
- Atención al cliente
- Soporte técnico
- Gestión de reservas
- Consulta de información
- Asistencia interna en empresas
Ejemplo
Un chatbot de una compañía aérea podría responder:
Usuario: "¿A qué hora sale mi vuelo?" Asistente: "Tu vuelo está previsto para las 18:35."
Los asistentes actuales pueden combinar reconocimiento de voz, procesamiento del lenguaje natural, búsqueda de información y modelos generativos.
Sistemas de recomendación
Los sistemas recomendadores intentan ofrecer al usuario productos, contenidos o servicios que puedan resultar de su interés.
Para realizar las recomendaciones pueden utilizar información como:
- Compras anteriores
- Productos consultados
- Contenidos visualizados
- Valoraciones
- Comportamiento de usuarios similares
Son habituales en plataformas de comercio electrónico, música, vídeo y redes sociales.
Ejemplos
- Netflix recomienda películas y series
- Spotify propone música
- Una tienda online recomienda productos relacionados
- Una plataforma educativa puede sugerir contenidos en función del progreso del alumno
Un sistema de recomendación sencillo podría seguir este proceso:
Historial del usuario
↓
Análisis de preferencias
↓
Selección de contenidos
↓
Recomendaciones
Ciencia de datos y minería de datos
La ciencia de datos utiliza técnicas matemáticas, estadísticas e informáticas para obtener conocimiento a partir de los datos.
La minería de datos o Data Mining se centra especialmente en descubrir patrones, relaciones o comportamientos que pueden no resultar evidentes a simple vista.
Algunas aplicaciones son:
- Predicción de ventas
- Segmentación de clientes
- Detección de fraude
- Análisis de comportamiento
- Predicción de abandono de clientes
- Identificación de tendencias
Ejemplo
Una empresa puede analizar el historial de compras de sus clientes y descubrir que determinados productos suelen adquirirse conjuntamente.
Esta información puede utilizarse para crear promociones o mejorar la distribución de productos.
Datos de ventas
↓
Análisis
↓
Detección de patrones
↓
Información útil para el negocio
Ciberseguridad
La Inteligencia Artificial también se utiliza para detectar comportamientos que puedan indicar problemas de seguridad.
Los sistemas pueden analizar grandes cantidades de información y localizar patrones anómalos que serían difíciles de detectar manualmente.
Algunas aplicaciones son:
- Detección de accesos sospechosos
- Identificación de malware
- Detección de fraude
- Análisis del tráfico de red
- Detección de comportamientos anómalos
- Clasificación de correos maliciosos
Ejemplo
Un sistema puede conocer el comportamiento habitual de un usuario:
Acceso habitual: España 08:00 - 16:00 Ordenador corporativo
Si posteriormente detecta:
Acceso: Otro país 03:00 Dispositivo desconocido
puede considerar la actividad anómala y generar una alerta.
Otros campos de aplicación
Además de los anteriores, la Inteligencia Artificial se utiliza en muchos otros ámbitos:
- Robótica
- Vehículos autónomos
- Medicina
- Agricultura
- Logística
- Finanzas
- Educación
- Videojuegos
- Industria
- Administración pública
Actividad 4. Diseña un sistema inteligente
Proponer un pequeño sistema de Inteligencia Artificial que pueda ser útil en alguno de los siguientes ámbitos:
- Instituto
- Comercio
- Transporte
- Industria
- Sanidad
- Turismo
- Agricultura
- Ciberseguridad
- Administración pública
- Deporte
La propuesta debe responder a las siguientes preguntas:
Problema
¿Qué problema concreto queremos resolver?
Evita propuestas demasiado generales como: Utilizar IA para mejorar un instituto. Una propuesta más concreta sería: Detectar qué equipos informáticos del aula tienen mayor probabilidad de sufrir una avería.
Datos
¿Qué datos necesitaría el sistema? Indicad al menos tres.
Técnica
¿Qué técnica de Inteligencia Artificial utilizaríais? Justificad la elección.
- Sistema basado en reglas
- Machine Learning
- Red neuronal
- Razonamiento probabilístico
- Lógica difusa
- Combinación de varias técnicas
Salida
¿Qué información produciría el sistema?
Acción
¿Qué ocurriría después de obtener el resultado?
Evaluación
¿Cómo comprobaríamos que el sistema resulta útil?
Riesgos
Indicad al menos dos problemas que podrían aparecer. Por ejemplo:
- Datos incorrectos
- Falta de datos
- Predicciones incorrectas
- Sesgos
- Problemas de privacidad
- Coste excesivo
- Dependencia excesiva del sistema
5. IA y eficiencia operativa en las organizaciones
De la demostración al proceso
La eficiencia operativa relaciona resultados con recursos:
- tiempo de ciclo
- coste
- errores
- consumo
- disponibilidad
- satisfacción
Antes de implantar IA se define una línea base y un indicador. Después se compara el proceso completo, incluyendo revisión humana, mantenimiento del modelo, infraestructura y coste de los errores.
Nuevas formas de interacción
Los asistentes conversacionales permiten consultar sistemas mediante lenguaje natural; la búsqueda semántica recupera información por significado; los recomendadores personalizan opciones; y los sistemas multimodales combinan texto, voz e imagen.
Estas interfaces reducen fricción, pero deben:
- indicar qué acciones pueden ejecutar
- confirmar operaciones sensibles
- conservar un canal alternativo accesible
Criterios de viabilidad
Un caso de uso es buen candidato cuando el objetivo es medible, existen datos representativos, la tarea se repite, el error es gestionable y la integración produce un beneficio mayor que su coste.
No lo es cuando no hay una definición estable de éxito, faltan datos legítimos, las consecuencias no pueden controlarse o una regla sencilla resuelve el problema con mayor fiabilidad.
| Dimensión | Pregunta | Evidencia |
|---|---|---|
| Valor | ¿Qué mejora concreta se persigue? | Indicador y línea base |
| Datos | ¿Son suficientes, legales y representativos? | Perfilado, procedencia y calidad |
| Riesgo | ¿Qué ocurre si falla? | Análisis de impacto y salvaguardas |
| Operación | ¿Quién supervisa y mantiene? | Roles, monitorización y respuesta |
6. Ciclo de vida y evaluación responsable
El ciclo comienza con la definición del problema, continúa con datos y diseño, entrenamiento o configuración, validación, despliegue, monitorización y retirada.
Podemos representar el ciclo de vida de forma simplificada:
Definición del problema
│
▼
Datos y diseño
│
▼
Entrenamiento / configuración
│
▼
Validación
│
▼
Despliegue
│
▼
Monitorización
│
▼
Retirada
En cada fase se documentan supuestos, versiones y responsables. Durante producción se vigilan:
- deriva de datos
- degradación de métricas
- latencia
- costes
- quejas de usuarios
Una evaluación completa combina:
- rendimiento técnico
- robustez
- equidad
- seguridad
- privacidad
- explicabilidad
- utilidad
También incluye pruebas fuera de distribución y casos límite.
Si el sistema puede afectar derechos o seguridad, debe existir supervisión humana efectiva:
- acceso a información suficiente
- autoridad para intervenir
- tiempo real para hacerlo
Síntesis de la unidad
Caracterizar IA significa reconocer sus componentes y técnicas, pero también conectarlos con un objetivo operativo.
El sistema adecuado no es el más complejo, sino el que resuelve una necesidad medible con datos suficientes, riesgos controlados y responsabilidades claras.