UD01 — Caracterización de sistemas de IA¶

1. Resultado de aprendizaje y criterios de evaluación¶

RA1 — Caracteriza sistemas de Inteligencia Artificial relacionándolos con la mejora de la eficiencia operativa de las organizaciones y empresas.

Nota sobre la tabla anterior.

2. Objetivos de la unidad¶

3. Fundamentos de los sistemas inteligentes (RA1-a)¶

3.1 ¿Qué es la inteligencia artificial?¶

La inteligencia artificial (IA) es la tecnología que permite a las máquinas simular el aprendizaje, la comprensión, la resolución de problemas, la toma de decisiones y la creatividad humanas. Las aplicaciones dotadas de IA pueden ver e identificar objetos, entender y responder al lenguaje, aprender de la experiencia, recomendar decisiones e incluso actuar de forma autónoma (p. ej. un coche autónomo).

3.2 El ciclo percepción → razonamiento → acción¶

Un sistema inteligente percibe su entorno, razona sobre esa información y actúa para conseguir un objetivo:

• Percepción: captar datos del mundo (texto, imagen, audio, sensores, registros de negocio).
• Razonamiento: procesar los datos para obtener conocimiento o tomar decisiones (un modelo entrenado, un conjunto de reglas, una búsqueda).
• Acción: actuar sobre el entorno o sobre las personas (responder, recomendar, controlar un proceso).

3.3 Características de un sistema inteligente¶

Nota sobre la tabla anterior.

3.4 IA débil frente a IA fuerte¶

La clasificación más simple de la IA es según la tarea que resuelve: hay tareas concretas y acotadas (jugar al ajedrez) y tareas abiertas que exigen contexto, ética o creatividad (gestionar una cocina sin intervención humana). De ahí surgen dos categorías:

• IA débil o estrecha (narrow/weak): diseñada para una tarea o un conjunto limitado de tareas. Es reactiva (no actúa si no se la activa), no flexible (colapsa ante lo no previsto), queda limitada por lo que programó una persona y no tiene conciencia: computa, no razona en sentido humano. Los asistentes virtuales (Siri, Alexa) son el ejemplo típico — operan dentro de un rango de respuestas definido en su base de datos y, fuera de él, dan respuestas inadecuadas o directamente no responden. Es toda la IA que existe hoy.
• IA general o fuerte (AGI/strong): igualaría o superaría la inteligencia humana en cualquier tarea intelectual, sería proactiva, flexible (aprendería una tarea nueva a partir de una parecida) y se autorregularía. Es puramente teórica: ningún sistema actual se aproxima, más allá de la ficción (T-800, Wall-E, J.A.R.V.I.S.).

3.5 Escuelas de pensamiento y clasificaciones de la IA¶

Además de por la tarea, la IA se puede clasificar por cómo llega a sus resultados (la escuela de pensamiento) o por qué capacidades tiene (Russell-Norvig, Hintze). Ninguna de las tres es «la correcta»: son lentes distintas sobre el mismo campo.

Dos escuelas: convencional y computacional¶

Con el auge del machine learning, buena parte de lo que hacía la escuela convencional se ha ido llevando al campo computacional — no son compartimentos estancos.

Clasificación de Russell y Norvig (1995)¶

En Artificial Intelligence: A Modern Approach — el libro de texto de IA más usado en el mundo —, Stuart Russell y Peter Norvig proponen cuatro categorías según el origen del comportamiento inteligente:

Las dos últimas exigen una capacidad de cómputo que, para el caso general, todavía es inalcanzable.

Clasificación de Hintze (2016)¶

Arend Hintze (Universidad de Michigan) propuso una clasificación por capacidades, de la más simple a la más avanzada — la más citada para explicar hacia dónde evoluciona la IA:

• Máquinas reactivas: sin memoria ni capacidad de usar experiencia pasada. Deep Blue (IBM, venció a Kasparov en 1997) es el ejemplo perfecto: evalúa el tablero en tiempo real, sin ningún concepto de lo ocurrido antes.
• Memoria limitada: usan observaciones recientes para decidir, sin guardarlas a largo plazo. Los vehículos autónomos actuales encajan aquí: memorizan velocidad y trayectoria de otros coches para decidir un cambio de carril, pero esa información es transitoria.
• Teoría de la mente (teórica): formaría representaciones sobre lo que piensan y sienten otros agentes — la base de la interacción social. Ningún sistema actual llega a esto.
• Autoconciencia (teórica): el sistema se representaría a sí mismo, conocería sus propios estados internos. Es el paso final, y el más lejano, del desarrollo de la IA.

3.6 Breve historia de la IA¶

3.7 Tipos de IA según su forma¶

La IA se presenta en dos formas generales:

• IA de software: programas que procesan información sin cuerpo físico (asistentes virtuales, buscadores, análisis de imágenes, reconocimiento de voz y rostro, motores de traducción).
• IA "encarnada" (embodied): sistemas con presencia física que interactúan con el mundo (robots, coches autónomos, drones, internet de las cosas).

Muchas aplicaciones combinan ambas: un coche autónomo usa visión y decisiones de software dentro de un vehículo físico.

4. IA, machine learning, deep learning e IA generativa (RA1-c)¶

La relación entre estos términos se representa como cajas anidadas:

4.1 Aprendizaje automático (machine learning, ML)¶

El ML crea modelos entrenando un algoritmo sobre datos para hacer predicciones o tomar decisiones sin ser programado explícitamente para cada caso. Su objetivo central es la generalización: que el modelo acierte con datos nuevos, no solo con los de entrenamiento.

En lugar de programar reglas manuales (filtro de spam por criterios a mano), el modelo aprende de ejemplos etiquetados y deduce los criterios por sí mismo.

Cómo funciona un modelo de ML, paso a paso¶

1. Representar los datos numéricamente: cada ejemplo se convierte en un vector de features (características). P. ej., una casa se representa como [superficie, habitaciones, edad].
2. Entrenar: el algoritmo ajusta sus parámetros (los pesos de la fórmula) para que el error entre su salida y la respuesta correcta sea mínimo. Se usa una función de pérdida y un optimizador (gradiente descendente).
3. Evaluar: se comprueba el rendimiento con datos que el modelo no ha visto (test), no solo con los de entrenamiento, para asegurar que generaliza y no memoriza (sobreajuste).
4. Inferir: en producción, el modelo predice sobre datos nuevos (a esto se le llama AI inference).

4.2 Tipos de aprendizaje¶

• Supervisado → clasificación (categorías) y regresión (valores continuos). Algoritmos típicos: árboles de decisión, k-vecinos (KNN), naive Bayes, SVM, regresión logística, random forest.
• No supervisado → clustering (k-means, DBSCAN), detección de anomalías, PCA.

4.2.1 ¿Qué algoritmo elegir?¶

Un vistazo a los algoritmos más usados (todos disponibles en scikit-learn):

Nota sobre la tabla anterior.

 1
 2
 3
 4
 5
 6
 7
 8
 9
10
11

from sklearn.datasets import load_iris
from sklearn.model_selection import train_test_split
from sklearn.tree import DecisionTreeClassifier

X, y = load_iris(return_X_y=True)
X_train, X_test, y_train, y_test = train_test_split(X, y, test_size=0.3, random_state=42)

modelo = DecisionTreeClassifier()
modelo.fit(X_train, y_train)          # entrena con los datos etiquetados
precision = modelo.score(X_test, y_test)  # evalúa con datos nuevos
print("Precisión:", precision)

4.3 Aprendizaje profundo (deep learning, DL)¶

El DL usa redes neuronales artificiales con muchas capas (entrada, capas ocultas, salida). Cada conexión tiene un peso y cada neurona una activación no lineal: la red puede modelar patrones muy complejos. Se entrena con backpropagation + gradiente descendente y necesita muchos datos y GPU.

• CNN: redes convolucionales, especializadas en imágenes (visión).
• RNN/LSTM: redes recurrentes, pensadas para secuencias (texto, series temporales).
• Transformers (2017): arquitectura con mecanismo de atención; base de los LLM y de casi toda la IA moderna.
• Mamba (2023): arquitectura alternativa basada en state space models.

Ventajas del DL: aprende representaciones complejas sin extraer características a mano. Inconvenientes: necesita muchos datos y cómputo, y es menos explicable.

4.4 IA generativa¶

La IA generativa (gen AI) crea contenido nuevo (texto, imágenes, vídeo, audio) a partir de un prompt. Funciona en tres fases:

1. Entrenamiento: se crea un modelo de base (foundation model) entrenado con enormes volúmenes de datos (texto de internet, imágenes...). Los LLM (ChatGPT, GPT-4, BERT, Llama, Gemini) son el ejemplo más común.
2. Ajuste (tuning): se adapta a la tarea con fine-tuning o RLHF (refuerzo con feedback humano).
3. Generación y evaluación: se genera y se mejora de forma continua; técnicas como RAG conectan el modelo a fuentes de datos externas para mayor precisión.

Agentes de IA / agentic AI: programas autónomos que diseñan su propio flujo de trabajo y usan herramientas (apps, servicios) para lograr objetivos. Es el paso natural después de la IA generativa: no solo responden, actúan.

5. Campos de aplicación de la IA (RA1-b)¶

5.1 La IA en la vida cotidiana¶

Muchas tecnologías que usas a diario son IA, aunque no lo parezca (Parlamento Europeo):

5.2 Casos de estudio con beneficio medible¶

Caso 1 · Detección de fraude en banca (RA1-b, RA1-c, RA1-d) Un banco entrena un modelo de ML con datos históricos etiquetados (transacción fraudulenta o no). El modelo analiza en tiempo real importe, ubicación, horario y hábitos de cada cliente. Antes: revisión manual posterior a la pérdida. Después: alerta inmediata y bloqueo preventivo. Mejora operativa: menos pérdidas económicas y menor fricción para clientes legítimos.

Caso 2 · Mantenimiento predictivo en industria (RA1-b, RA1-c) Sensores en máquinas envían datos (temperatura, vibración, horas de uso). Un modelo de ML predice cuándo fallará un equipo antes de que ocurra. Antes: averías inesperadas y paradas de línea. Después: sustitución programada. Mejora operativa: menos paradas, menos costes de reparación, mayor disponibilidad.

Caso 3 · Atención al cliente con PLN (RA1-c, RA1-d) Un chatbot con PLN responde consultas frecuentes (estado de pedido, devoluciones) y deriva las complejas a personas. Antes: colas y horario limitado. Después: atención 24/7 e inmediata. Mejora operativa: menor coste por consulta, más satisfacción, agentes dedicados a casos difíciles.

Caso 4 · Salud: detección precoz (RA1-b) Un programa con IA analiza llamadas de emergencia para reconocer un paro cardíaco durante la llamada, más rápido que un operador humano; también se usa visión para detectar infecciones en TAC pulmonar. Mejora operativa: menor tiempo de respuesta y mayor precisión en el diagnóstico.

6. Nuevas formas de interacción y eficiencia operativa (RA1-d)¶

6.1 Nuevas interacciones¶

El PLN detrás de las interacciones por texto y voz¶

El procesamiento del lenguaje natural (PLN) es la técnica de IA que permite entender y generar lenguaje humano — se estudia a fondo en la UD03. Detrás de un chatbot, un asistente de voz o un análisis de opiniones hay varias tareas de PLN:

Un pipeline de PLN típico es: preprocesado (tokenización, minúsculas, eliminación de palabras vacías, lematización) → extracción de características (bolsa de palabras, TF-IDF, embeddings) → modelo (ML o redes profundas, p. ej. transformers como BERT) → salida (clasificación, traducción, respuesta). En el notebook de la unidad verás un ejemplo de sentimiento con scikit-learn.

6.2 Eficiencia operativa¶

La IA mejora la eficiencia operativa cuando reduce costes, tiempos o errores en un proceso. Indicadores que suelen mejorar:

6.3 Cómo medir la mejora (KPIs)¶

Para saber si una solución de IA merece la pena, se compara el proceso antes y después con indicadores objetivos:

Según el tipo de proceso, se usan KPIs específicos que conviene conocer por su nombre, porque aparecen en informes y ofertas de las empresas de IA:

Nota sobre la tabla anterior.

Ejemplo resuelto: un centro de atención recibe 1.000 consultas/día, cada una cuesta 3 € y tarda 5 min. Un chatbot resuelve el 60 % de las consultas en 10 segundos y a un coste de 0,10 €.

• Coste diario antes: 1.000 × 3 € = 3.000 €.
• Coste diario después: 600 × 0,10 € + 400 × 3 € = 60 € + 1.200 € = 1.260 €.
• Reducción de coste ≈ 58 % y de tiempo medio de atención de 5 min a ~2 min.

Este tipo de análisis (identificar indicador → estimar antes/después → decidir) es exactamente lo que se practica en el taller 3.

6.4 De la técnica al beneficio¶

Nota sobre la tabla anterior.

6.5 Ejemplo guiado: de un problema de negocio a una solución de IA¶

Para cerrar el bloque, recorremos juntos los pasos que repetirás en el taller 3. El caso es completamente ficticio para no depender de datos externos.

Problema: una tienda online recibe 200 reclamaciones de devolución al día por email. Hoy, dos personas leen cada correo, lo clasifican a mano y lo enrutan. Tardan unos 8 minutos por correo y el error de clasificación ronda el 15 %.

Paso 1 · Elegir el KPI. Medimos el tiempo de ciclo (8 min/reclamación), la tasa de error (15 %) y el coste (2 personas × jornada completa).

Paso 2 · Identificar la técnica. Clasificar texto en categorías (devolución, cambio, defecto, consulta) es una tarea de PLN + clasificación supervisada (p. ej. naive Bayes o un árbol de decisión sobre textos vectorizados).

Paso 3 · Estimar el antes/después. Con un clasificador que resuelve el 70 % de los correos en 30 segundos y el resto lo revisa una persona:

• Tiempo medio por correo: 0,30 × 0,5 min + 0,70 × 8 min ≈ 5,8 min (frente a 8).
• Error de clasificación objetivo: < 5 % (frente al 15 %).
• Las dos personas pasan de clasificar a tratar solo los casos complejos.

Paso 4 · Decidir y comunicar. El responsable presenta la mejora con los KPIs antes/después y señala los riesgos (correos ambiguos, privacidad de los datos de los clientes según el RGPD).

7. Beneficios, riesgos y ética (visión general)¶

• Beneficios (para valorar la eficiencia operativa): automatización de tareas repetitivas, más y más rápida información de los datos, mejor toma de decisiones, menos errores humanos, disponibilidad 24×7, menor riesgo físico.
• Riesgos (se estudian a fondo en UD06): datos con sesgos o manipulación, modelos robados o alterados, fallos operativos (model drift), problemas de privacidad y ética. Un ejemplo relevante: la formación de los modelos puede reforzar sesgos de género si los datos de entrenamiento los contienen.
• Marco normativo: el AI Act (Reglamento UE 2024/1689) clasifica la IA por riesgo y entra en vigor por fases: las prácticas prohibidas desde 2/2/2025, las sanciones desde 2/8/2025 y la aplicación general desde 2/8/2026. Un modelo de IA de uso general con riesgo sistémico se presume cuando el cómputo acumulado de su entrenamiento supera los 10²⁵ FLOPS (art. 51). El RGPD limita además el uso de datos personales, lo que obliga a equilibrar el entrenamiento masivo con la minimización de datos. Todo esto se trabaja en la UD06.
• IA responsable: explicabilidad, equidad, robustez, rendición de cuentas, privacidad y cumplimiento normativo (RGPD, AI Act).

8. Puntos clave de la unidad¶

• Un sistema inteligente percibe, razona y actúa, y se caracteriza por autonomía, adaptación y toma de decisiones.
• La IA se clasifica por tarea (débil/fuerte), por escuela (convencional/computacional) y por capacidades (Russell-Norvig, Hintze) — son lentes complementarias, no excluyentes.
• IA > ML > DL > IA generativa: todo ML es IA, pero no toda IA es ML.
• Aprendizaje supervisado (con etiquetas: clasificación/regresión), no supervisado (patrones sin etiquetas: clustering), por refuerzo (recompensas), semi y auto-supervisado.
• El deep learning (redes profundas) domina visión, lenguaje y generación, pero requiere datos y cómputo.
• La IA ya está en la vida cotidiana (compras, buscadores, asistentes, traducción, coches, ciberseguridad).
• Las nuevas interacciones (chatbots, voz, visión, agentes) mejoran la eficiencia operativa reduciendo coste, tiempo o error.

9. Glosario¶

10. FAQ¶

11. Planificación sesión a sesión¶

12. Tabla final RA/CE¶

13. Recursos¶

• Diapositivas
• Ejercicios de la unidad
• Talleres: T01 · mapa de sistemas inteligentes · T02 · técnicas en casos reales · T03 · nuevas interacciones · T04 · línea del tiempo
• Actividades guiadas — notebook demo del profesor
• Notebooks — el notebook guiado, con descarga y apertura en Colab, en el menú «Notebooks»

14. Evaluación¶

• La normativa exige alcanzar todos los RA del módulo para superarlo (art. 5.1 de la Orden 8/2025: la calificación del módulo está «en función de la consecución de los RA»; y las Instrucciones 26-27, que impiden calificar positivamente un módulo con RA no superados). El centro concreta ese mandato exigiendo ≥ 5 en cada RA.

15. Recuperación¶

Actividades del programa de recuperación individual por RA (art. 14.4 Orden 8/2025): repetir el análisis del caso real con un caso distinto y las pruebas de autoevaluación de esta unidad.

Volver al índice