Objetivos de aprendizaje
Al finalizar este módulo, usted podrá:
- Explicar los conceptos fundamentales de la IA en términos sencillos.
- Distinguir entre diferentes tipos de modelos de IA y sus capacidades.
- Comprender cómo funcionan los sistemas de IA modernos a un alto nivel
- Establecer expectativas realistas sobre lo que la IA puede y no puede hacer
- Identificar diversas herramientas de IA disponibles para el público en general.
- Aplique conceptos básicos de IA a sus necesidades personales o profesionales
- Evaluar los riesgos potenciales y las consideraciones éticas al utilizar IA
Sección 1: ¿Qué es la Inteligencia Artificial?
1.1 Definición de IA en términos sencillos
La inteligencia artificial se refiere a sistemas informáticos diseñados para realizar tareas que normalmente requieren inteligencia humana. En lugar de estar programados explícitamente para cada escenario posible, los sistemas de IA modernos aprenden patrones a partir de los datos y pueden adaptarse a nuevas situaciones.
Piense en la IA no como una única tecnología, sino como un campo amplio que abarca muchos enfoques para crear máquinas que puedan percibir, razonar y actuar.
Ejemplo del mundo real: Cuando usas asistentes de voz como Siri o Alexa, estos emplean IA para convertir tu voz en texto, comprender tu intención, buscar información y formular respuestas. Esto implica que varios sistemas de IA trabajan en conjunto sin problemas.
Aplicación práctica: Como fotógrafo, la IA puede ayudarte a clasificar miles de imágenes para encontrar aquellas con elementos de composición o condiciones de iluminación específicos, una tarea que manualmente llevaría horas.
1.2 Breve historia del desarrollo de la IA
- Primeros comienzos (década de 1950-1970)El término «Inteligencia Artificial» se acuñó en 1956 en la Conferencia de Dartmouth. Sistemas tempranos como ELIZA (1966) simulaban conversaciones mediante reglas simples de coincidencia de patrones. Los primeros sistemas expertos, como MYCIN (1972), podían diagnosticar infecciones sanguíneas mediante razonamiento basado en reglas.
- Era simbólica de la IA (décadas de 1960 y 1980): Los investigadores se centraron en codificar explícitamente el conocimiento humano mediante reglas formales, un enfoque ahora llamado IA “simbólica” o “de la vieja escuela” (GOFAI, por sus siglas en inglés).
- Inviernos de IA (década de 1970-2000)Periodos de financiación e interés reducidos debido a expectativas incumplidas. Las primeras promesas de traducción automática e inteligencia general no se materializaron con la capacidad informática disponible en ese momento.
- Revolución del aprendizaje profundo (década de 2010)La victoria de AlexNet en la competencia ImageNet de 2012 marcó un antes y un después en el reconocimiento de imágenes. En 2016, AlphaGo de Google derrotó al campeón mundial Lee Sedol en el antiguo juego de Go, una hazaña que se creía a décadas de distancia.
- Modelos de fundación (década de 2020):Los modelos grandes como GPT (Transformador preentrenado generativo) y DALL-E demostraron el poder de la escala, mostrando que los modelos más grandes entrenados con más datos podían realizar una amplia variedad de tareas sin entrenamiento específico para cada aplicación.
Perspectiva del desarrollador: La evolución de los sistemas basados en reglas al aprendizaje profundo representa un cambio fundamental en el enfoque: de programar explícitamente el conocimiento a permitir que los sistemas aprendan patrones a partir de los datos.
1.3 Mitos y realidades comunes sobre la IA
A medida que la IA adquiere cada vez mayor relevancia en nuestra vida diaria, han proliferado los conceptos erróneos sobre sus capacidades y limitaciones. Antes de profundizar en cómo usar la IA eficazmente, es importante abordar algunos mitos comunes y comprender de forma realista lo que la IA actual puede y no puede hacer.
La siguiente tabla contrasta las ideas erróneas comunes con la realidad actual de la tecnología de IA, a la vez que destaca los posibles problemas que pueden surgir de estos malentendidos. Comprender estas distinciones le ayudará a desarrollar un enfoque equilibrado para incorporar la IA en sus flujos de trabajo, evitando tanto el escepticismo injustificado como la dependencia excesiva.
| Mito | Realidad | Problemas potenciales |
|---|---|---|
| “La IA pronto alcanzará una inteligencia general de nivel humano” | La IA sigue teniendo un alcance limitado; el desarrollo de una IAG puede llevar décadas o más. | Sobreestimar el progreso de la IA puede conducir a expectativas poco realistas, malas decisiones políticas y una confianza equivocada en la automatización. |
| “Las herramientas de IA eliminan la necesidad de la creatividad humana” | La IA mejora la creatividad en lugar de reemplazarla; la originalidad humana sigue siendo esencial. | El uso excesivo de contenido generado por IA puede provocar una falta de originalidad, homogeneización de ideas y una disminución de las habilidades de pensamiento crítico. |
| “Los modelos de IA 'entienden' el contenido que generan” | La IA reconoce patrones pero carece de verdadera comprensión y razonamiento. | La mala interpretación del texto generado por IA puede generar desinformación, conclusiones incorrectas y una falsa sensación de confianza en las respuestas automatizadas. |
| “La IA es objetiva e imparcial” | Los modelos de IA pueden heredar sesgos de los datos de entrenamiento y de los desarrolladores humanos. | Los sesgos no controlados en los resultados de la IA pueden reforzar la discriminación, distorsionar la toma de decisiones y perpetuar desigualdades sistémicas. |
| “Es necesario ser un experto técnico para utilizar la IA de forma eficaz” | Muchas herramientas de IA están diseñadas para la accesibilidad, lo que las hace fáciles de usar. | Si bien la IA es fácil de usar, no comprender cómo funciona puede llevar a una confianza ciega, una mala interpretación de los resultados o preocupaciones éticas. |
Al establecer este marco realista desde el principio, podemos abordar el resto del curso con expectativas adecuadas sobre cómo la IA puede mejorar nuestro trabajo en lugar de reemplazar nuestras capacidades exclusivamente humanas. A lo largo de los módulos siguientes, nos basaremos en esta base para desarrollar habilidades prácticas que permitan aprovechar eficazmente la IA, teniendo en cuenta sus limitaciones.
Sección 2: Tipos de modelos de IA modernos
Antes de profundizar en ejemplos específicos, es útil categorizar la IA moderna según el tipo de datos en los que se especializa:
- Modelos de lenguaje (por ejemplo, ChatGPT)
- Sistemas de generación y reconocimiento de imágenes (por ejemplo, DALL-E)
- Modelos de audio y voz (por ejemplo, Otter.ai)
- Sistemas multimodales que combinan texto, imágenes y audio (por ejemplo, Gemini)
2.1 Modelos de lenguaje grandes (LLM)
Los LLM son sistemas de IA entrenados con grandes conjuntos de datos de texto que pueden comprender y generar lenguaje humano. Algunos ejemplos incluyen:
- Asistentes de IA conversacionales que puede responder preguntas, redactar contenido y ayudar con diversas tareas basadas en texto
- Ejemplo: usar ChatGPT para generar ideas para textos de marketing o usar a Claude para ayudar a escribir correos electrónicos
- Herramientas de generación de texto Para escritura creativa, resumen y traducción.
- Ejemplo: Un periodista que utiliza IA para generar múltiples opciones de titulares para un artículo.
- Ejemplo: Un investigador que utiliza IA para resumir artículos académicos complejos en un lenguaje más sencillo.
- Asistentes de código que ayudan con las tareas de programación
- Ejemplo: GitHub Copilot sugiere completar código a medida que los desarrolladores escriben
- Ejemplo: Un desarrollador que utiliza IA para depurar código problemático o convertir entre lenguajes de programación.
Los LLM funcionan prediciendo las palabras más probables en una secuencia, basándose en patrones observados en sus datos de entrenamiento. Este sencillo mecanismo, a gran escala, produce capacidades lingüísticas sorprendentemente sofisticadas.
Aplicación práctica para desarrolladores: Usar LLM para explicar código complejo, generar documentación o sugerir optimizaciones para código existente.
2.2 Generación y reconocimiento de imágenes
Estos sistemas de IA procesan información visual:
- Generadores de texto a imagen Crea imágenes originales basadas en descripciones de texto.
- Ejemplo: DALL-E generando una “puesta de sol sobre montañas con un lago en primer plano”
- Ejemplo: Midjourney crea arte conceptual para un personaje de fantasía basado en una descripción detallada
- Sistemas de reconocimiento de imágenes Identificar objetos, personas, escenas y texto en imágenes.
- Ejemplo: Google Fotos categoriza las imágenes según su contenido (playas, montañas, comida)
- Ejemplo: IA de imágenes médicas que detecta posibles anomalías en radiografías o resonancias magnéticas
- Herramientas de transferencia de estilo aplicar estilos artísticos a las fotografías
- Ejemplo: Transformar una fotografía de un paisaje para que parezca pintada por Van Gogh
- Ejemplo: Convertir un retrato moderno en una pintura de estilo renacentista
- Asistentes de edición de imágenes Puede mejorar fotos, eliminar objetos o ampliar imágenes.
- Ejemplo: la función de relleno generativo de Adobe Photoshop elimina objetos no deseados de las fotografías
- Ejemplo: Mejora automática de fotografías con poca luz mediante algoritmos de IA
Perspectiva del fotógrafo: Las herramientas de imágenes con inteligencia artificial no reemplazan las habilidades fotográficas, pero pueden mejorarlas: ayudan con tareas de edición tediosas, generan composiciones alternativas o exploran conceptos creativos antes de una sesión.
2.3 IA de audio y voz
Estos sistemas funcionan con sonido:
- Conversión de voz a texto convierte el lenguaje hablado en texto escrito
- Ejemplo: Servicios de transcripción como Otter.ai que crean notas de reuniones automáticamente
- Ejemplo: Escritura por voz en Google Docs para escribir con manos libres
- Texto a voz Genera un habla que suena natural a partir de texto escrito.
- Ejemplo: Narración de audiolibros utilizando voces sintéticas
- Ejemplo: Lectores de pantalla para accesibilidad que suenan cada vez más parecidos a los humanos
- Clonación de voz Puede crear voces sintéticas que imitan a hablantes específicos.
- Ejemplo: Un actor de voz que graba una muestra base y luego genera variaciones para diferentes personajes.
- Ejemplo: Creación de versiones localizadas de contenido con la misma voz pero en diferentes idiomas
- Generación musical crea composiciones originales o continúa melodías existentes
- Ejemplo: Suno AI genera canciones completas a partir de descripciones de texto
- Ejemplo: Músicos que utilizan IA para explorar progresiones de acordes o variaciones de melodías
Aplicación en el mundo real: Un productor de podcasts que utiliza inteligencia artificial para transcribir automáticamente entrevistas, generar voces en off sintéticas para las introducciones y crear música de fondo que coincida con el estado de ánimo de los diferentes segmentos.
2.4 IA multimodal
La última generación de sistemas de IA puede trabajar con múltiples tipos de información (texto, imágenes, audio) simultáneamente:
- Comprender imágenes y responder con texto
- Ejemplo: Descripción del contenido de las fotografías para usuarios con discapacidad visual
- Ejemplo: Responder preguntas sobre elementos específicos dentro de una imagen
- Generación de imágenes basadas en descripciones de texto
- Ejemplo: Creación de maquetas de productos a partir de especificaciones detalladas
- Ejemplo: Visualizar conceptos arquitectónicos a partir de descripciones escritas
- Creación de vídeos a partir de indicaciones de texto
- Ejemplo: Generar animaciones cortas a partir de esquemas de historias
- Ejemplo: Convertir instrucciones basadas en texto en tutoriales visuales
- Procesamiento de documentos con texto y elementos visuales
- Ejemplo: extracción de datos de formularios que contienen texto e imágenes
- Ejemplo: Comprender la relación entre los diagramas y su texto explicativo
Ejemplo de desarrollador: Desarrollar aplicaciones que puedan tomar una fotografía de un objeto físico, generar un modelo 3D a partir de él y luego proporcionar código para renderizar ese modelo en una aplicación web, todo ello utilizando capacidades de IA multimodal.
Sección 3: Cómo funciona la IA moderna
3.1 Aprendiendo de los datos
Los sistemas de IA modernos aprenden analizando patrones en grandes conjuntos de datos:
- Aprendizaje supervisado:Aprendiendo de ejemplos etiquetados
- Ejemplo: Entrenar una IA para identificar gatos en fotos mostrándole miles de imágenes etiquetadas como "gato" o "no gato".
- Ejemplo: Enseñar un modelo de análisis de sentimientos utilizando reseñas de películas etiquetadas como "positivas" o "negativas".
- aprendizaje no supervisado:Encontrar patrones sin etiquetas explícitas
- Ejemplo: Agrupar a los clientes en grupos según su comportamiento de compra sin categorías predefinidas
- Ejemplo: Detección de anomalías en los datos de los sensores de los equipos de fabricación
- Aprendizaje por refuerzo:Aprendizaje a través de ensayo y error con retroalimentación
- Ejemplo: una IA que aprende a jugar al ajedrez practicando contra sí misma y recibiendo recompensas por sus movimientos ganadores.
- Ejemplo: Entrenamiento de robots para agarrar objetos mediante intentos repetidos con retroalimentación.
La calidad y diversidad de los datos de entrenamiento afectan significativamente las capacidades y limitaciones de un sistema de IA.
Implicación práctica: Una IA entrenada principalmente con literatura occidental tendrá dificultades con las referencias culturales de otras regiones. De igual manera, un sistema de reconocimiento de imágenes entrenado principalmente con fotos diurnas podría tener un rendimiento deficiente en entornos nocturnos.
3.2 Redes neuronales simplificadas
Aunque su implementación es compleja, la idea central de las redes neuronales es sencilla:
- La información fluye a través de capas interconectadas de “neuronas” artificiales
- Cada conexión tiene un “peso” que fortalece o debilita las señales.
- El sistema ajusta estos pesos durante el entrenamiento para mejorar su rendimiento.
- Con suficientes neuronas, conexiones y ejemplos de entrenamiento, estas redes pueden aprender patrones notablemente complejos.
Ejemplo simplificado: Consideremos una red neuronal que aprende a identificar dígitos escritos a mano:
- La primera capa podría detectar bordes y líneas simples.
- Las capas intermedias combinan estas características para reconocer partes de los dígitos (bucles, líneas rectas).
- Las capas posteriores ensamblan estas partes para reconocer dígitos completos.
- La capa final genera probabilidades para cada dígito (0-9)
Perspectiva del desarrollador: La “profundidad” en el aprendizaje profundo se refiere a estas múltiples capas de procesamiento, donde cada capa aprende características cada vez más abstractas de los datos.
3.3 El proceso de formación
La creación de un sistema de IA moderno implica:
- Recopilación de datos:Recopilación de ejemplos diversos y de alta calidad
- Ejemplo: Recopilación de millones de fotografías en diferentes condiciones de iluminación, ángulos y sujetos para un sistema de reconocimiento de imágenes.
- Ejemplo: Recopilar miles de millones de oraciones de libros, artículos y sitios web para modelos de lenguaje.
- Diseño de arquitectura:Configuración de la estructura de la red neuronal
- Ejemplo: decidir cuántas capas utilizar, cómo deben conectarse estas capas y qué tipos de células de red neuronal emplear
- Ejemplo: Equilibrar la complejidad del modelo con los recursos informáticos disponibles
- Capacitación:Mostrando los ejemplos del sistema y ajustando sus parámetros
- Ejemplo: Para un modelo de lenguaje, predecir repetidamente la siguiente palabra en oraciones y compararla con el texto real.
- Ejemplo: Para un generador de imágenes, intentar crear imágenes que coincidan con las descripciones de texto y mejorarlas en función de los comentarios.
- Evaluación:Probar el sistema en nuevos ejemplos
- Ejemplo: Medir la precisión en un conjunto de datos de prueba separado que nunca se vio durante el entrenamiento
- Ejemplo: Que evaluadores humanos califiquen la calidad del contenido generado
- Sintonia FINA:Realizar mejoras específicas para casos de uso específicos
- Ejemplo: Tomar un modelo de lenguaje de propósito general y especializarlo para el análisis de documentos legales
- Ejemplo: Adaptación de un sistema de reconocimiento de imágenes para diagnósticos médicos
Ejemplo de fotógrafo: El entrenamiento de una IA para reconocer diferentes estilos de fotografía podría comenzar con capacidades generales de reconocimiento de imágenes y luego perfeccionarse específicamente en ejemplos de fotografía de moda, paisajes o retratos.
Sección 4: Capacidades y limitaciones
4.1 Lo que la IA hace bien
La IA moderna destaca en:
- Reconocimiento de patrones en texto, imágenes, audio y otros datos
- Ejemplo: Detectar transacciones fraudulentas con tarjetas de crédito mediante la identificación de patrones de gasto inusuales
- Ejemplo: Reconocer el habla en entornos ruidosos mediante la identificación de patrones lingüísticos
- Generación de contenido basado en ejemplos y sugerencias
- Ejemplo: Creación de textos de marketing con voces de marca específicas
- Ejemplo: Generación de fragmentos de código basados en descripciones de funciones
- Ejemplo: Producción de imágenes fotorrealistas de productos inexistentes
- Clasificación y categorización de información
- Ejemplo: Etiquetado automático de tickets de soporte por departamento
- Ejemplo: Ordenar fotos por tema, composición o paleta de colores
- Ejemplo: Identificar correos electrónicos spam con alta precisión
- Predicción basado en patrones históricos
- Ejemplo: Pronosticar ventas según tendencias estacionales y otros factores
- Ejemplo: Predecir fallas en los equipos antes de que ocurran basándose en datos de sensores
- Ejemplo: Sugerir música que podría gustarte según tu historial de escucha
- Proceso de datos a escalas imposibles para los humanos
- Ejemplo: Analizar millones de estudios médicos para encontrar correlaciones
- Ejemplo: Procesamiento de imágenes satelitales para rastrear la deforestación a nivel mundial
- Ejemplo: Monitoreo del tráfico de red para detectar amenazas de seguridad en tiempo real
Aplicación para desarrolladores: Uso de IA para analizar patrones de comportamiento de los usuarios en una aplicación para predecir qué características encontrarán más valiosas los diferentes segmentos de usuarios.
4.2 Limitaciones actuales
Restricciones importantes a comprender:
- No hay un verdadero entendimientoLos sistemas de IA reconocen patrones, pero no "comprenden" realmente el significado como lo hacen los humanos.
- Ejemplo: Una IA puede escribir sobre física cuántica de manera convincente sin comprender los conceptos.
- Ejemplo: Un generador de imágenes puede crear un “gato tocando el piano” sin entender qué son realmente los gatos o los pianos.
- Alucinaciones:La IA puede presentar con seguridad información incorrecta
- Ejemplo: Inventar artículos de investigación inexistentes con títulos y autores que suenen plausibles.
- Ejemplo: Crear relatos históricos convincentes pero factualmente incorrectos
- Ejemplo: Generar código que parece correcto pero contiene errores lógicos
- Sesgos en los datos de entrenamiento:Los sistemas reflejan sesgos presentes en sus datos de entrenamiento
- Ejemplo: Los sistemas de selección de currículos pueden perpetuar sesgos históricos de contratación.
- Ejemplo: Generadores de imágenes que reflejan estereotipos sociales sobre profesiones.
- Ejemplo: modelos lingüísticos que presentan una calidad desigual en distintos idiomas
- Falta de sentido común:La IA a menudo pasa por alto inconsistencias obvias
- Ejemplo: Describir escenarios físicamente imposibles sin mencionar la imposibilidad
- Ejemplo: No reconocer las relaciones básicas de causa y efecto
- Ejemplo: Faltan pistas contextuales que serían obvias para los humanos.
- Limitaciones del contexto:La mayoría de los sistemas tienen límites en la cantidad de información que pueden considerar a la vez.
- Ejemplo: Olvidar detalles mencionados anteriormente en una conversación larga.
- Ejemplo: No se pueden analizar documentos muy largos como un todo coherente
- Ejemplo: Relaciones faltantes entre conceptos distantemente relacionados
- Sin interacción en el mundo real:La mayoría de los sistemas de IA no perciben ni interactúan directamente con el mundo físico.
- Ejemplo: Falta de la experiencia encarnada que informa la comprensión humana
- Ejemplo: No se pueden probar hipótesis mediante experimentación física.
- Ejemplo: Perder la conciencia contextual que surge al estar en un entorno.
Ejemplo de fotografía: Una IA podría sugerir configuraciones de cámara que parecen técnicamente correctas pero que serían imposibles de usar en condiciones del mundo real, o podría no comprender las limitaciones prácticas de diferentes equipos de iluminación.
4.3 Establecer expectativas realistas
Para utilizar la IA de forma eficaz:
- Piense en la IA como una herramienta poderosa, no como un reemplazo del juicio humano.
- Ejemplo: utilizar IA para generar ideas creativas, pero aplicar el gusto y el juicio humanos para seleccionarlas y refinarlas.
- Ejemplo: Que la IA sugiera soluciones de código, pero que las revise cuidadosamente antes de implementarlas
- Verifique la información importante en lugar de confiar ciegamente en los resultados de la IA
- Ejemplo: Verificación de datos de contenido generado por IA para publicaciones
- Ejemplo: Confirmación de información técnica de fuentes autorizadas
- Ejemplo: Probar exhaustivamente el código generado por IA antes de la implementación
- Entender que la mejora es continua pero las limitaciones siguen siendo fundamentales
- Ejemplo: Incluso cuando las alucinaciones disminuyen, mantener el escepticismo sobre las afirmaciones fácticas
- Ejemplo: Reconocer que, si bien las fechas límite de conocimiento avanzan, la IA aún carece de información en tiempo real
- Reconocer que la creatividad humana, la sabiduría y el juicio ético siguen siendo esenciales
- Ejemplo: usar IA para generar ideas, pero confiar en la creatividad humana para obtener ideas verdaderamente novedosas
- Ejemplo: Que la IA analice datos pero reservando las decisiones éticas para el juicio humano
- Ejemplo: Utilizar la IA para lograr eficiencia y al mismo tiempo mantener la conexión humana con los clientes y el público.
Perspectiva del desarrollador: Utilice la IA como un multiplicador de la productividad, no como un reemplazo de los principios fundamentales de la ingeniería de software, como las pruebas, la documentación y la seguridad.
Sección 5: Herramientas de IA para el público en general
5.1 Herramientas de IA basadas en texto
- Asistentes conversacionales
- Ejemplos: ChatGPT, Claude, Bard
- Casos de uso: Asistencia en investigación, lluvia de ideas creativa, aprendizaje de temas complejos.
- Ayudas para la escritura
- Ejemplos: Grammarly, Jasper, Hemingway Editor
- Casos de uso: Corrección gramatical, sugerencias de estilo, generación de contenido.
- Herramientas de resumen
- Ejemplos: TLDR Esto, Resumen, Beca
- Casos de uso: condensar artículos largos, extraer puntos clave de trabajos de investigación
- Servicios de traducción
- Ejemplos: DeepL, Google Translate
- Casos de uso: Convertir contenido entre idiomas, aprender nuevos idiomas
- Asistentes de correo electrónico y mensajería
- Ejemplos: Reply.io, Lavender, Crystal
- Casos de uso: Redacción de respuestas, sugerencia de mejoras de tono, programación de asistencia
Aplicación en el mundo real: Un escritor independiente podría utilizar una combinación de asistentes de investigación para recopilar información, ayudas de escritura para mejorar los borradores y herramientas gramaticales para pulir los artículos finales.
5.2 Herramientas de IA visual
- Generadores de imágenes
- Ejemplos: DALL-E, Midjourney, Stable Diffusion
- Casos de uso: Creación de arte conceptual, generación de imágenes de marketing, visualización de ideas de diseño.
- Editores de fotos
- Ejemplos: Adobe Photoshop (funciones de IA), Luminar AI, Topaz Labs
- Casos de uso: eliminación de objetos, mejora de la calidad, automatización de flujos de trabajo de edición
- Asistentes de diseño
- Ejemplos: Canva AI, Designs.ai, Khroma
- Casos de uso: Creación de logotipos, sugerencia de paletas de colores, automatización de diseños de maquetación.
- Herramientas de búsqueda visual
- Ejemplos: Google Lens, Pinterest Lens
- Casos de uso: Encontrar productos similares, identificar plantas o puntos de referencia.
Aplicaciones para fotógrafos:
- Uso de IA para procesar en masa cientos de fotos de eventos con un estilo consistente
- Utilizar herramientas generativas para visualizar configuraciones de iluminación complejas antes de una sesión fotográfica
- Probar diferentes ideas de composición rápidamente con maquetas de IA
- Cómo eliminar elementos que distraen de tomas que de otro modo serían perfectas
5.3 Herramientas de IA de audio
- Servicios de transcripción
- Ejemplos: Otter.ai, Trint, Descript
- Casos de uso: Convertir entrevistas a texto, crear notas de reuniones, subtitular vídeos
- Conversores de texto a voz
- Ejemplos: ElevenLabs, Murf AI, Play.ht
- Casos de uso: Creación de audiolibros, generación de voces en off, funciones de accesibilidad
- Generadores de música
- Ejemplos: Suno AI, AIVA, Soundraw
- Casos de uso: Creación de música de fondo, generación de ideas de canciones, producción de jingles personalizados
- Asistentes de edición de audio
- Ejemplos: Adobe Podcast, Descript, Audacity (con complementos de IA)
- Casos de uso: eliminar el ruido de fondo, mejorar la calidad de la voz, separar pistas de audio
Ejemplo del mundo real: Un podcaster que utiliza IA para transcribir automáticamente episodios, generar notas del programa, crear audiogramas promocionales e incluso componer música de introducción personalizada.
5.4 Herramientas profesionales
- Asistentes de código
- Ejemplos: GitHub Copilot, Amazon CodeWhisperer, Tabnine
- Casos de uso: finalización de código, asistencia de depuración, generación de documentación
- Asistentes de análisis de datos
- Ejemplos: Obviamente AI, MonkeyLearn, Akkio
- Casos de uso: Identificación de tendencias en datos, creación de modelos predictivos, automatización de informes.
- Asistentes de investigación
- Ejemplos: Elicit, Consensus, Semantic Scholar
- Casos de uso: Encontrar estudios relevantes, resumir los resultados de la investigación, generar revisiones de la literatura.
- Suites de creación de contenido
- Ejemplos: Runway, Descript, Adobe Creative Cloud (funciones de IA)
- Casos de uso: Producción de video de extremo a extremo, creación de contenido multicanal, gestión de activos
Ejemplo de desarrollador: Usar asistentes de código para automatizar código repetitivo, sugerir optimizaciones para cuellos de botella de rendimiento y generar casos de prueba para una cobertura integral.
Actividades de aprendizaje
Actividad 1: Evaluación de la capacidad de la IA
Prueba a usar dos o tres herramientas de IA disponibles públicamente para completar la misma tarea. Por ejemplo:
- Haz la misma pregunta compleja a diferentes chatbots
- Genere imágenes similares con diferentes generadores de imágenes de IA
- Pruebe la misma mejora de fotos utilizando diferentes editores de fotos con IA
Documente las diferencias en sus capacidades, fortalezas y limitaciones. ¿Qué aspectos únicos aportó cada herramienta a la tarea? ¿En qué áreas tuvieron dificultades?
Actividad 2: Identificación de mitos sobre la IA
Revise estos conceptos erróneos comunes sobre la IA e investigue la realidad detrás de cada uno:
- “La IA pronto alcanzará una inteligencia general de nivel humano”
- “Las herramientas de IA eliminan la necesidad de la creatividad humana”
- “Los modelos de IA 'entienden' el contenido que generan”
- “La IA es objetiva e imparcial”
- “Es necesario ser un experto técnico para utilizar la IA de forma eficaz”
Utilizando diferentes modelos de IA, explore cada uno de estos conceptos erróneos.
Actividad 3: La IA en tu vida diaria
Lleva un registro durante una semana de todas las formas en que te encuentras con la IA en tus actividades diarias. Categorías a tener en cuenta:
- Recomendaciones de contenido (redes sociales, plataformas de streaming)
- Autocompletar y texto predictivo
- Predicciones de navegación y tráfico
- Filtrado de spam
- Asistentes de voz
- Funciones de casa inteligente
- Organización y mejora de fotografías
Al final de la semana, categorice estos encuentros con IA como “útiles”, “neutrales” o “problemáticos” y reflexione sobre cómo afectan su experiencia diaria.
Actividad 4: Exploración de IA específica de la industria
En función de su trayectoria profesional:
Para fotógrafos:
- Pruebe una herramienta de mejora de imágenes con IA en 5 tipos diferentes de fotos desafiantes (poca luz, alto contraste, etc.)
- Utilice una IA para generar variaciones de una composición que haya creado previamente
- Pruebe una herramienta organizativa impulsada por IA para categorizar y etiquetar su biblioteca de fotos
Para desarrolladores:
- Experimente con un asistente de código para una tarea que normalmente haría manualmente
- Utilice una IA para explicar un fragmento complejo de código que no escribió
- Pruebe la depuración asistida por IA en un problema que esté enfrentando actualmente
Documente su experiencia y evalúe cómo estas herramientas podrían encajar en su flujo de trabajo actual.
Recursos adicionales
Lectura recomendada
- “IA para todos” (curso en línea de Andrew Ng): ofrece una introducción no técnica a los conceptos de IA.
- “Pareces una cosa y te amo” de Janelle Shane: explora las capacidades y limitaciones de la IA a través de ejemplos humorísticos.
- “El problema de la alineación” de Brian Christian: analiza los desafíos de crear sistemas de IA que se alineen con los valores humanos.
- “Atlas de IA” de Kate Crawford: examina los impactos sociales y ambientales de la inteligencia artificial.
- “Inteligencia artificial: una guía para humanos pensantes” de Melanie Mitchell: explica conceptos de IA para no especialistas.
Recursos en línea
- Canal de YouTube AI Explained: explicaciones visuales de conceptos complejos de IA
- Tutoriales interactivos de “Introducción al aprendizaje automático” de Google
- Directrices de ética de la IA de las principales organizaciones tecnológicas
- Curso online gratuito «Elementos de IA»
- Serie de podcasts “IA 101” para principiantes
Herramientas para la exploración
- Espacios de caras abrazadas: prueba varios modelos de IA sin codificación
- Runway: herramientas de IA creativas y fáciles de usar
- Máquina Teachable: Construye y entrena modelos de IA simples sin codificar
- Observable – Cuadernos interactivos para visualización y análisis de datos
Evaluación del módulo
Complete el cuestionario y las preguntas de reflexión para evaluar su comprensión de los conceptos básicos de IA, los tipos de sistemas de IA, sus capacidades y limitaciones.
Preguntas del cuestionario:
- ¿Cuál es la principal diferencia entre los primeros sistemas de IA basados en reglas y los enfoques modernos de aprendizaje profundo?
- ¿Cómo generan texto los modelos de lenguaje grandes?
- ¿Cuáles son tres limitaciones actuales de los sistemas de IA?
- ¿Cuáles son los tres tipos principales de enfoques de aprendizaje automático?
- ¿Cómo podría un fotógrafo utilizar herramientas de IA en su flujo de trabajo?
- ¿Qué pasos debes seguir para verificar la información generada por IA?
- ¿Cómo “aprenden” las redes neuronales de los datos?
- ¿Cuál es la diferencia entre los sistemas de IA multimodal y los sistemas de IA monomodo?
- ¿Por qué son importantes los datos de entrenamiento diversos para los sistemas de IA?
- ¿Qué papel juega el juicio humano al trabajar con herramientas de IA?
Preguntas de reflexión:
- ¿Cómo podrían las herramientas de IA complementar sus habilidades y flujos de trabajo existentes?
- ¿Qué consideraciones éticas debes tener en cuenta al utilizar IA en tu trabajo?
- ¿Cómo se pueden establecer expectativas adecuadas para las herramientas de IA con clientes o colegas?
- ¿Qué nuevas posibilidades abren las herramientas de IA en su campo que antes no eran prácticas?
Continuar al Módulo 2: Técnicas de estímulo eficaces