Descarga la aplicación para disfrutar aún más
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
Compartir