IImplicacioneseticasdelusodelaInteligenciaartificialeneducacion

Vista previa del material en texto

Inteligencia artificial en educación
Miguel Ángel Pérez Álvarez
mapa@unam.mx
https://www.linkedin.com/in/miguelangelperezalvarez
¿Inteligencia artificial o humana?
Prueba de Turing. En 1950 Alan Turing propone en su ensayo Maquinaria Computacional e inteligencia una prueba en la que mediante un juego de imitación un ente artificial se esfuerza en convencer a un juez humano que está conversando con un “humano” y no con una máquina (*).
 Prueba de Lovelace 2.0. Mark Riedl (2001) propone una prueba en la que un sistema autónomo sea capaz de realizar un producto de su creatividad como un dibujo o un cuento y explicar su significado o simbolismo. Creada por S. Bringsjord.
(*) Ver “human or not” el experimento https://www.humanornot.ai
Inteligencia artificial
Datos
Algoritmo que aprende
Predicciones (resultados)
Datos
Una de las partes esenciales de la inteligencia artificial es la base masiva de datos que se requiere para entrenar un sistema autónomo.
El aprendizaje supervisado por ejemplo requiere que un humano retroalimente al sistema cada vez que hace una predicción para que reafirme la identificación de ciertos patrones
El aprendizaje no supervisado se basa en presentar milllones de datos para que el propio sistema establezca reguilaridades o patrones mediante el análisis de diversas capaz en la información
https://searchengineland.com/search-websites-google-c4-dataset-395820
Bases masivas de datos
https://www.kaggle.com/
Inteligencia artificial e inteligencia humana
Redes neurales artificiales
Sistemas que aprenden, cambian su comportamiento en función de los datos que reciben. 
Generalizan a partir de ejemplos previos y “abstraen” las caracteristicas principales de una serie de datos
Redes neurales artificiales
Emular las funciones de una neurona: 
Dos dendritas entran en contacto y forman un punto de unión para intercambiar información por medio de señales eléctricas llamdas sinápsis (cada una puede establecece más de 10,000 sinápsis)
A principio de los 2000 se desarrolló el primer simulador de un cerebro con mil millones de neuronas y 10,000 billones de conexiones
Red neural recurrente
“Recuerdan” información que han generalizado o establecer patrones después de revisar millones de datos 
Identificación de patrones por capas de información 
Al recibir millones de datos (imagenes, textos, sonidos) la red establece regularidades o patrones por capas.
Asi puede identificar la información que se le presenta
También puede usarla para generar nueva información
Chat GPT
Generador
Está pre-entrenado
Transforma
Chat GPT
Un modelo de lenguaje que permite interacciones mediante texto o voz 
Implica que genera contenidos a partir de las transformaciones de un modelo pre-entrenado con los datos disponibles en la web
Las limitaciones más importantes de los modelos de lenguaje (LLM) son los productos de algoritmos que dan respuestas incorrectas o que inventan (caso de ChatGPT)
ChatGPT repite contenido de su entrenamiento (tomado de la web) y genera contenido tóxico (sexismo, racismo, xenofobia y más) 
Nuevos modelos como LLAMA o xAI Grok que utilizan bases de datos con origen académico
AI entrenamiento y productos
Los métodos de aprendizaje profundo y las bases masivas de datos para el entrenamiento, así como la enorme potencia de cómputo ha permitido una amplia gama de tareas específicas como el reconocimiento de voz, generación de escritos, imágenes, presentaciones electrónicas, vídeos, etcétera. 
El avance más reciente de los cientificos de OpenAI es el QStar
Q Learning: un tipo de aprendizaje de máquina (algoritmo que aprende) por reforzamiento.
A* (A star): un algoritmo de búsqueda de patrones y grafica transversal para encontrar la ruta más corta entre dos puntos
Qstar Robot super inteligente que toma decisiones, aprende con base en experiencias, entre más juega, más descubre como ganar. Por ende, descubrir la mejor manera de resolver un acertijo o ganar un juego
En resumen
Entre más practica y más retroalimentación positiva recibe el “agente”, mejor se desempeña en el “ambiente”.
Limites de los LLMS
Solo mezcla lo existente (no es creativa)
Depende de bases masivas de datos (los disponibles en el presente
Sesgos (bias) cognitivos y de carencia de información completa de los algoritmos pre-entrenados con fuertes implicaciones éticas
Implicaciones éticas
Información desactualizada o falsa
Inquidad en el acceso y discriminación
Falta de Interactividad y adaptación (sólo se basan en patrones que han visto en el entrenamiento, pero no en la interacción con los usuarios en tiempo real)
Actitudes éticas en el campo de la IA
Realizar auditorías independientes para evaluar la imparcialidad de las estrategias basadas en IA
Desarrollar porgramas de educación para aumentar la conciencia pública sobre el uso de IA
Facilitar la comprensión de la tecnología entre los diversos actores de la vida pública y las organizaciones
Compartir las mejores prácticas en la regulación de la IA
Foemntar la adopción de prácticas éticas en las actividades públicas y en las organizaciones
Optimizar los modelos de lenguaje como ChatGPT
Mejora de la consistencia refinando los procesos de entrenamiento y reducir respuestas contradictorias
Reducción de las respuestas inventadas mediante verificación de hechos en el modelo (incorporar bases de datos de conocimiento externas)
Desarrollo de métodos para comprender y explicar porque el modelo llega a conclusiones específicas
Mitigación de sesgos. Mecanismos de identificación y reducción
Q Learning
Aprendizaje Dinámico: a diferencia de los LLMs actuales los sistemas basados en Qlearning pueden aprender y adaptarse con base en nuevos datos o interacciones
Puede actualizarse y es más relevante
Decisiones optimizadas: al aprender las mejores acciones a lograr una meta u objetivos es más eficiente en la toma de decisiones
Está orientado a metas (no es de naturaleza general)
Se incluirá en GPT-5
Ejercicio de entrenamiento de modelos
https://teachablemachine.withgoogle.com/train
Analiza contenidos con AI
https://sharly.ai/
Generador de imágenes
https://imagen.research.google
https://blog.google/products/search/google-search-generative-ai-october-update/
Generador de textos
Detector de plagios
Videos con inteligencia artificial
 
https://www.visla.us/ai-video-generator
¿Podremos manejar este portento de la tecnología?
“You can do so many amazing things with AGI, incredible things: automate health care, make it a thousand times cheaper and a thousand times better, cure so many diseases, actually solve global warming,” he says. “But there are many who are concerned: ‘My God, will AI companies succeed in managing this tremendous technology?’”
Ilya Sutskever,
Implicaciones éticas en el uso de la Inteligencia artificial.
Gracias
Miguel Ángel Pérez Álvarez
mapa@unam.mx
https://www.linkedin.com/in/miguelangelperezalvarez
image1.jpeg
image2.jpeg
image3.jpeg
image4.png
image5.svg
 
.MsftOfcThm_Accent1_Fill_v2 {
 fill:#4472C4; 
}
.MsftOfcThm_Accent1_Stroke_v2 {
 stroke:#4472C4; 
}
 
image6.png
image7.jpeg
image8.jpeg
image9.JPG
image10.jpeg
image11.jpeg
image12.jpeg
image13.jpeg
image14.jpeg
image15.jpeg
image16.jpeg
image17.png
image18.png
image19.png
image20.png
image21.png
image22.png
image23.jpeg
image24.png
image25.jpeg