Fundamentos de Inteligencia Artificial

1. Tema 1: Definiciones y alcance de la IA - Descripción breve de qué se entiende por IA y qué no se entiende por IA, con ejemplos simples.
2. Tema 2: Agente, entorno, acción y rendimiento - Conceptos centrales y su interacción en un sistema de IA básico.
3. Tema 3: IA vs tecnologías relacionadas - Diferencias entre IA, automatización, aprendizaje automático y robótica a nivel conceptual.

• Actividad 1: Clasificación de ejemplos cotidianos - Analizar situaciones simples (por ejemplo, recomendaciones de música, lámparas de casa, videojuegos) para decidir si implican IA, automatización o ninguna de las dos. Puntos clave: identificar agente, entorno y rendimiento; discutir criterios de IA vs no IA.
• Actividad 2: Juego de roles del agente - En pares, simular un agente y su entorno en un escenario sencillo (por ejemplo, un robot en una habitación). Elaborar qué acciones puede realizar y qué métricas de rendimiento aplicarían. Conclusiones: comprender la interacción entre agente, entorno y rendimiento.
• Actividad 3: Debate guiado sobre tecnologías relacionadas - Comparar brevemente ejemplos reales de IA y de automatización para delimitar límites entre ambas categorías y evitar confusiones.

La evaluación de esta unidad se realizará mediante:

• Definición precisa de los conceptos clave (agente, entorno, acción, rendimiento) en una explicación oral o escrita (40%).
• Capacidad para distinguir IA de tecnologías relacionadas en ejemplos prácticos (30%).
• Participación y calidad de argumentos en las actividades de clase (20%).
• Autoevaluación de comprensión mediante un breve cuestionario (10%).

2 semanas

1. Tema 1: IA débil vs IA general - Conceptos, ejemplos y límites prácticos.
2. Tema 2: Aprendizaje supervisado - Definición, datos etiquetados y ejemplos simples.
3. Tema 3: Aprendizaje no supervisado - Detección de estructuras en datos sin etiquetas.
4. Tema 4: Aprendizaje por refuerzo - Concepto de agente que aprende por interacción con el entorno.

• Actividad 1: Clasificación supervisada sencilla - Usar un conjunto de datos estructurados muy simple (p. ej., peso y tamaño de objetos) para crear una regla de clasificación básica. Aprendizaje esperado: identificar datos etiquetados y aplicar una regla simple.
• Actividad 2: Agrupamiento no supervisado - Detectar grupos o clusters en un conjunto de datos sin etiquetas mediante un ejercicio conceptual (sin código) y discutir resultados.
• Actividad 3: Juego de refuerzo básico - Simulación de un agente que toma decisiones en un entorno muy simple (sin implementación) y analiza cómo las acciones conducen a recompensas o castigos.

Evaluación enfocada en:

• Comprensión de IA débil vs IA general (25%).
• Explicación y ejemplos claros de los tres enfoques de aprendizaje (35%).
• Capacidad de elegir enfoques adecuados para distintos escenarios simples (20%).
• Participación y reflexión crítica (20%).

2 semanas

1. Tema 1: Datos y calidad - Fuentes, limpieza y preparación básica de datos; importancia de la integridad y sesgos.
2. Tema 2: Modelos y entrenamiento - Conceptos de modelo, entrenamiento, validación y ajuste de hiperparámetros a nivel conceptual.
3. Tema 3: Evaluación - Métricas simples y qué significan en un contexto real.
4. Tema 4: Despliegue - Ideas básicas de cómo se pone en producción una solución de IA y qué consideraciones de operación implica.

• Actividad 1: Mapeo de flujo de datos - Dibujar y describir un flujo básico: recopilación de datos, limpieza, entrenamiento, evaluación y despliegue en un caso hipotético sencillo.
• Actividad 2: Caso de selección de modelo - Conjunto de datos estructurados: elegir entre dos modelos conceptuales y justificar la elección basada en la naturaleza de los datos y el objetivo.
• Actividad 3: Evaluación conceptual - Proponer métricas simples para un escenario propuesto y explicar qué información aportan sobre rendimiento.

Evaluación centrada en la capacidad de delinear y explicar cada componente:

• Definición y relevancia de datos y calidad (25%).
• Comprensión del ciclo de entrenamiento y selección de modelos (30%).
• Evaluación conceptual y selección de métricas (25%).
• Contribución en la discusión sobre despliegue y operación (20%).

2 semanas

1. Tema 1: Definición de la tarea - Elegir entre clasificación o búsqueda y definir criterios de éxito.
2. Tema 2: Selección de técnica - Criterios simples para elegir entre enfoques básicos (regresión/árboles, KNN, búsqueda heurística).
3. Tema 3: Plan de datos y evaluación - Datos requeridos, partición de datos y métricas simples de rendimiento.

• Actividad 1: Diseño de la tarea - Plantear el enunciado, definir entrada, salida y criterios de éxito de clasificación o búsqueda.
• Actividad 2: Selección técnica y esquema de entrenamiento - Justificar la técnica elegida y bosquejo de entrenamiento y evaluación.
• Actividad 3: Presentación de plan - Compartir de forma breve el pipeline conceptual y discutir posibles limitaciones éticas y de privacidad.

La evaluación se centrará en:

• Coherencia entre el problema planteado y la técnica seleccionada (30%).
• Claridad del plan de datos y de evaluación (30%).
• Capacidad de justificar decisiones y reconocer limitaciones (20%).
• Participación y calidad de la entrega (20%).

2 semanas

1. Tema 1: Criterios de viabilidad de IA - Cuándo conviene usar IA y cuándo no.
2. Tema 2: Análisis de riesgos y beneficios - Privacidad, sesgos, costos, impacto social.
3. Tema 3: Propuesta conceptual de solución - Esbozo de un enfoque de IA para el problema seleccionado.

• Actividad 1: Estudio de caso real - Analizar un caso real breve y evaluar si IA es la solución adecuada, presentando pros y contras.
• Actividad 2: Propuesta conceptual - Diseñar a alto nivel una solución con IA y describir datos, modelo y evaluación esperada.
• Actividad 3: Discusión de impactos éticos y sociales - Debatir posibles impactos positivos y negativos y proponer salvaguardas.

Evaluación centrada en la capacidad de análisis y propuesta:

• Justificación de la viabilidad de IA en el problema (30%).
• Calidad de la propuesta conceptual (30%).
• Consideración de riesgos, ética y privacidad (20%).
• Capacidad de comunicar de forma clara la solución (20%).

2 semanas

1. Tema 1: Visión general del pipeline de IA - Datos, modelos, entrenamiento, evaluación y despliegue a alto nivel.
2. Tema 2: Calidad y preparación de datos - Principios para garantizar datos útiles y sin sesgos graves.
3. Tema 3: Selección de técnica adecuada - Criterios simples para elegir entre métodos básicos.
4. Tema 4: Plan de evaluación - Definición de métricas y pruebas para validar la solución.

• Actividad 1: Mapa del pipeline para un caso propuesto - Dibujar y describir cada etapa del pipeline y sus entradas/salidas a nivel conceptual.
• Actividad 2: Recolección y calidad de datos - Identificar qué datos serían necesarios, posibles sesgos y medidas de mitigación.
• Actividad 3: Plan de evaluación - Proponer métricas y pruebas para el éxito de la solución.

Evaluación basada en:

• Claridad y coherencia del pipeline propuesto (40%).
• Justificación de la selección de técnica y de los datos (30%).
• Plan de evaluación y métricas (20%).
• Presentación y claridad de la propuesta (10%).

2 semanas

1. Tema 1: Métricas de rendimiento - Precisión, recall, F1, ROC-AUC y su interpretación en contextos simples.
2. Tema 2: Sesgos y equidad - Tipos de sesgos, efectos y enfoques de mitigación a nivel conceptual.
3. Tema 3: Privacidad y seguridad - Principios básicos para mantener la privacidad y evitar filtración de datos.
4. Tema 4: Ética en IA - Consideraciones éticas y responsabilidades de los equipos de IA.

• Actividad 1: Auditoría de rendimiento - Evaluar una solución hipotética con métricas simples, identificar sesgos y proponer mejoras.
• Actividad 2: Taller de ética y privacidad - Discusión de escenarios y diseño de salvaguardas básicas.
• Actividad 3: Propuesta de mitigación - Diseñar acciones concretas para reducir sesgos y proteger la privacidad en un proyecto ficticio.

La evaluación aborda:

• Selección adecuada de métricas y su interpretación (25%).
• Identificación de sesgos y riesgos de privacidad (25%).
• Propuestas de mejoras y salvaguardas (30%).
• Participación y reflexión crítica (20%).

2 semanas

1. Tema 1: Comunicación efectiva de IA - Principios para simplificar conceptos sin perder rigor.
2. Tema 2: Visualización de resultados - Herramientas simples y buenas prácticas de visualización (gráficos claros, comparaciones útiles).
3. Tema 3: Riesgos y beneficios para audiencias no técnicas - Presentar beneficios con precaución y transparentar riesgos.

• Actividad 1: Presentación ejecutiva - Preparar y presentar un resumen de una solución de IA a una audiencia no técnica, destacando resultados clave y riesgos.
• Actividad 2: Visualización de resultados - Crear gráficos simples que expliquen rendimiento y limitaciones sin jerga técnica.
• Actividad 3: Sesión de preguntas y respuestas - Simulación de audiencia y manejo de preguntas para mejorar la claridad y la confianza.

Evaluación basada en:

• Claridad y accesibilidad del mensaje (30%).
• Calidad de las visualizaciones y su utilidad para la audiencia (25%).
• Capacidad de identificar y comunicar riesgos y beneficios de forma equilibrada (25%).
• Confianza y fluidez en la presentación (20%).

2 semanas