Fundamentos de la Inteligencia Artificial

1. ¿Qué es la IA? Conceptos clave, diferencias entre IA, automatización y algoritmos, y ejemplos simples de uso en la vida diaria.
2. Historia y ejemplos cotidianos Cómo ha evolucionado la IA y qué tecnologías vemos a nuestro alrededor (asistentes virtuales, recomendaciones, filtros).
3. Datos y aprendizaje básico Qué son datos, modelos y cómo “un ordenador aprende” a partir de datos simples.
4. Ética básica y sesgos Por qué importa pensar en sesgos y en la responsabilidad al usar IA.

• Actividad: Analogía entre cerebro y máquina – Se discutirá una analogía simple entre cómo aprendemos y cómo podría aprender una IA.
  • Puntos clave: entrada de datos, patrones, aprendizaje a partir de ejemplos, mejoras con la práctica.
  • Aprendizajes: entender la idea de datos, patrones y mejora continua en IA.
• Actividad: IA en tu entorno – Identificar al menos tres ejemplos de IA que veas a diario y describir brevemente su función.
  • Puntos clave: reconocer aplicaciones reales y su propósito.
  • Aprendizajes: identificar IA en la vida real y distinguirla de la simple automatización.
• Actividad: Clasificación simple con reglas – En papel, diseñar un mini sistema que clasifique objetos según una regla simple (por ejemplo, color o tamaño) y explicar cómo podría “aprender” a mejorar con más datos.
  • Puntos clave: reglas básicas, datos de entrada y salida, mejora con ejemplos.
  • Aprendizajes: comprender conceptos de datos y reglas sin necesidad de programación.
• Actividad: Sesgos y decisiones – Debate guiado sobre por qué los sesgos en datos pueden afectar a las decisiones de una IA y cómo mitigarlos.
  • Puntos clave: sesgo, equidad y responsabilidad.
  • Aprendizajes: reflexión crítica sobre límites y ética en IA.
• Actividad: Diseño de un diagrama de flujo conceptual – Crear un diagrama simple que muestre, a nivel conceptual, cómo podría funcionar un filtro de correo o un sistema de recomendaciones.
  • Puntos clave: entradas, procesos, salidas.
  • Aprendizajes: visualización de un sistema de IA en etapas básicas.

La evaluación de esta unidad se alinea con los objetivos específicos a través de diversas herramientas:

• Participación y presencia en debates y actividades prácticas (20%).
• Actividad de identificación de IA en el entorno y reflexión escrita (20%).
• Actividad de clasificación con reglas y explicación del aprendizaje básico (30%).
• Cuestionario corto de comprensión de conceptos clave (10%).
• Mini proyecto de diagrama de flujo conceptual (20%).

3 semanas.

1. Qué es un algoritmo Definición y ejemplos simples de pasos a seguir para resolver un problema.
2. Datos y calidad de datos Tipos de datos, cómo se recolectan y por qué la calidad importa para las decisiones de IA.
3. Introducción al aprendizaje automático supervisado Idea general de usar ejemplos para que una máquina “aprenda” a clasificar o predecir.
4. Limitaciones y consideraciones éticas básicas Sesgos, privacidad y límites de los datos.

• Actividad: Diseñar un algoritmo en papel – Crear un conjunto de pasos para resolver un problema simple (por ejemplo, ordenar objetos por tamaño).
  • Puntos clave: entrada, proceso, salida, eficiencia.
  • Aprendizajes: comprender cómo se estructura un algoritmo y qué preguntas hacer para mejorarlo.
• Actividad: Clasificación con tarjetas – Usar tarjetas de objetos con atributos (color, peso, forma) para construir un modelo de clasificación simple basado en reglas.
  • Puntos clave: datos de entrada, reglas y validación de resultados.
  • Aprendizajes: vincular datos y decisiones sin necesidad de código.
• Actividad: Datos y su calidad – Analizar conjuntos de datos ficticios para identificar problemas de calidad (datos faltantes, inconsistencias, sesgos).
  • Puntos clave: integridad, consistencia, sesgos potenciales.
  • Aprendizajes: valorar la calidad de los datos para decisiones justas.
• Actividad: Debate sobre datos y privacidad – Discusión guiada sobre qué datos deben recogerse y cómo proteger la privacidad de las personas.
  • Puntos clave: privacidad, consentimiento, usos responsables.
  • Aprendizajes: pensamiento crítico sobre ética de datos.
• Actividad: Prototipo conceptual de aprendizaje – Describir, en papel, un flujo de aprendizaje supervisado para un problema simple (qué datos se usarían y qué salida se esperaría).
  • Puntos clave: ejemplos, etiquetas, evaluación de resultados.
  • Aprendizajes: entender el concepto de aprendizaje supervisado sin programación.

La evaluación se orienta a los objetivos de la unidad a través de:

• Actividad de diseño de algoritmo y explicación de su funcionamiento (25%).
• Clasificación con tarjetas y justificación de reglas (25%).
• Análisis de calidad de datos y reflexión escrita (20%).
• Debate sobre datos y privacidad (15%).
• Actividad de prototipo conceptual de aprendizaje (15%).

3 semanas.

1. Sesgos y equidad Cómo los datos pueden sesgar las decisiones de IA y por qué importa la equidad.
2. Privacidad y seguridad de datos Qué datos se recogen y qué se puede hacer para protegerlos.
3. Transparencia y responsabilidad Por qué es importante entender cómo funciona una IA y quién responde por sus decisiones.
4. IA en decisiones críticas y límites éticos Casos en salud, educación o empleo y sus límites.

• Actividad: Caso de sesgo en un sistema de puntuación – Analizar un caso ficticio de sesgo en un sistema de clasificación y proponer mejoras.
  • Puntos clave: identificar sesgo, consecuencias y correcciones posibles.
  • Aprendizajes: entender cómo pequeños sesgos pueden agravar desigualdades y la necesidad de mitigarlos.
• Actividad: Debate sobre IA en decisiones de salud – Discusión guiada sobre cuándo es adecuado que IA apoye decisiones de salud y qué salvaguardas se requieren.
  • Puntos clave: límites de la IA, consentimiento, supervisión humana.
  • Aprendizajes: pensamiento crítico y valoración de riesgos y beneficios.
• Actividad: Mapa de responsabilidades – Crear un mapa que indique quién es responsable cuando una IA falla y qué roles son necesarios (usuarios, desarrolladores, reguladores).
  • Puntos clave: rendición de cuentas, transparencia, supervisión humana.
  • Aprendizajes: comprensión de responsabilidades y gobernanza de IA.
• Actividad: Juego de roles – Representar un escenario en el que diferentes actores deben decidir cómo usar IA de forma ética.
  • Puntos clave: perspectivas de usuarios, empresas, reguladores y comunidades.
  • Aprendizajes: empatía, negociación y responsabilidad compartida.
• Actividad: Guía ética para uso responsable en la escuela – Propuesta de normas básicas y buenas prácticas para proyectos escolares con IA.
  • Puntos clave: consentimiento, privacidad, respeto a la diversidad.
  • Aprendizajes: traducir principios éticos en acciones cotidianas.

La evaluación busca medir la comprensión de aspectos éticos y sociales de la IA mediante:

• Participación en debates y actividades reflexivas (20%).
• Análisis de casos de sesgo y propuestas de mitigación (25%).
• Presentación de mapa de responsabilidades y reflexión crítica (25%).
• Propuesta de guía ética para uso en el entorno escolar (30%).

3 semanas.

1. Identificación del problema y objetivos Cómo convertir un problema social en una pregunta de IA simple.
2. Diseño de datos y criterios de éxito Qué datos serían necesarios y cómo medir el éxito de la solución.
3. Presentación y reflexión crítica Cómo comunicar de forma clara y razonada el proyecto y sus implicaciones éticas.

• Actividad: Lluvia de ideas y selección de problema – En equipo, generar varias ideas y seleccionar una que pueda abordarse con una propuesta IA conceptual.
  • Puntos clave: definición de problema, criterios de viabilidad, alcance realista.
  • Aprendizajes: trabajo en equipo, toma de decisiones y claridad de objetivos.
• Actividad: Diseño de flujo de datos y modelo conceptual – Describir qué datos serían necesarios, cómo se procesarían y cuál sería la salida esperada (todo a nivel conceptual, sin codificación).
  • Puntos clave: entradas, procesamiento, salidas, consideraciones de ética y privacidad.
  • Aprendizajes: pensamiento estructurado sobre datos y modelos sin programación.
• Actividad: Prototipo de presentación – Preparar una presentación que explique el problema, la solución propuesta y los impactos sociales.
  • Puntos clave: claridad, argumentos, límites y consideraciones éticas.
  • Aprendizajes: comunicación efectiva y síntesis de ideas.
• Actividad: Trabajo en equipo y roles – Definir roles dentro del equipo y planificar la colaboración para entregar el proyecto final.
  • Puntos clave: organización, responsabilidades y manejo del tiempo.
  • Aprendizajes: trabajo colaborativo y gestión de proyectos.
• Actividad: Autoevaluación y retroalimentación – Evaluar el proceso de trabajo y la calidad de la solución presentada, con sugerencias de mejora.
  • Puntos clave: autorreflexión, retroalimentación constructiva.
  • Aprendizajes: autocrítica y mejora continua.

La evaluación final se distribuye en tres componentes para fomentar tanto el producto como el proceso:

• Informe escrito: claridad del problema, calidad de la descripción de datos y razonamiento (40%).
• Presentación oral: claridad, uso de lenguaje, argumentos éticos y respuestas a preguntas (30%).
• Participación y trabajo en equipo, planificación y reflexiones (30%).

3 semanas.