miércoles, noviembre 20, 2024

La transparencia como factor crítico en los usos educativos de la IA

Este este artículo en prensa analiza la importancia de la transparencia en el uso de la inteligencia artificial generativa (IAG) en la educación, resaltando su valor ético y pedagógico. Basado en una investigación sobre la implementación de IAG en el diseño didáctico, explora el impacto de estos recursos como asistentes del docente. Se propone que, al igual que se espera que los estudiantes informen sobre el uso de IAG en sus producciones, los docentes también deberían hacerlo cuando utilizan estas herramientas en la preparación de sus clases. 

A fin de atender este propósito, el trabajo revisa la escala AIAS de Perkins et al. (2024) y la adaptación de De Haro (2024), que gradúa los niveles de uso de IA en instancias de evaluación. A partir de estas referencias, se desarrolla la escala EIADD, que adapta la graduación para describir el nivel de intervención de la IA en el diseño didáctico, cuya síntesis puede verse en la siguiente infografía:



Finalmente, se enfatiza la necesidad de fomentar un uso transparente y crítico de la IAG, subrayando que su implementación puede influir en los procesos educativos, afectando no solo aspectos cognitivos, sino también sociales, emocionales y éticos.


Para ver el articulo completo: https://shorturl.at/DxAd8

martes, octubre 08, 2024

Premio Nobel a la Física 2024 para la IA: Redes neuronales y la máquina de Boltzmann

Las redes neuronales artificiales, inspiradas en el funcionamiento del cerebro humano, son sistemas que permiten intercambiar información a través de una red de nodos interconectados. John Hopfield y Geoffrey Hinton, recibieron el premio Nobel a la física por sus contribuciones en este campo. Muchos de los términos que hemos estado leyendo en relación a esta noticia nos resuenan, obviamente, porque las herramientas de IA nos han estado sorprendiendo de forma notable durante los últimos dos años. Pero intentemos profundizar un poco más en qué esto significa:

¿Cómo funciona una red neuronal?

Una red neuronal se compone de nodos, que son unidades de procesamiento que imitan las neuronas del cerebro. Estos nodos están interconectados por conexiones, que emulan las sinapsis. Cada conexión tiene una fuerza asociada, que determina cuánto influye la salida de un nodo en la entrada de otro. A diferencia del software tradicional, que sigue instrucciones paso a paso, las redes neuronales aprenden a partir de ejemplos. Como explicaremos más adelante, este aprendizaje se logra ajustando la fuerza de las conexiones entre los nodos.

Cuando se introduce información en la red neuronal, esta se propaga a través de los nodos y conexiones. Cada nodo procesa la información que recibe y envía una salida a otros nodos. La red aprende a reconocer patrones y a realizar tareas ajustando las conexiones entre los nodos para que la salida de la red sea lo más cercana posible a la salida deseada.

John Hopfield creó la memoria asociativa, un tipo de red neuronal que puede almacenar y reconstruir información. Una red neuronal es capaz de encontrar patrones almacenados incluso cuando se le proporciona información incompleta o distorsionada, similar a como funciona la memoria humana.

Geoffrey Hinton, por su parte, desarrolló la máquina de Boltzmann que es un tipo de red neuronal artificial fundamental en el campo del aprendizaje automático. 




¿Qué es la Máquina de Boltzmann?

Es un sistema que se inspira en la física estadística, una rama que estudia sistemas con muchos componentes similares. La Máquina de Boltzmann aplica la ecuación de Boltzmann desarrollada por el físico del siglo XIX Ludwig Boltzmann, la cual se utiliza para calcular la probabilidad de que ocurran diferentes patrones en una red en función de la energía del sistema. Así, al igual que la física estadística analiza las moléculas de un gas para determinar sus propiedades generales, la máquina de Boltzmann utiliza nodos interconectados para procesar información y encontrar patrones dentro de un sistema.


¿Pero cómo funciona esta máquina?


Imaginemos que queremos enseñarle a una computadora a reconocer una flor pero queremos evitar introducir un código complejo y largo que incluya todas sus posibles características. El objetivo es que la computadora pueda reconocer la imagen de la flor por sí misma y la máquina de Boltzamann tiene los recursos para lograrlo.


Una forma de describir su funcionamiento es hacer una analogía con un juego de acertijos entre dos equipos:


  • Los Nodos visibles: serán jugadores que reciben la información directa de la imagen de la flor, como si cada uno viera un pixel de la imagen.


  • Los Nodos ocultos: serán jugadores que no ven la foto directamente, pero están conectados a los nodos visibles. Su trabajo es encontrar patrones en la información que reciben de los nodos visibles.


Al principio, las conexiones entre todos los nodos son aleatorias. Durante el entrenamiento, se le muestran muchas fotos de flores a la máquina. Cada vez que se muestra una, los nodos visibles se activan según lo que "ven" y envían señales a los nodos ocultos. Los nodos ocultos, a su vez, intentan encontrar relaciones entre las señales que reciben.


El mecanismo avanza a medida que se ajusta la fuerza de las conexiones entre los nodos. Si dos nodos se activan juntos con frecuencia al ver imágenes de flores, la conexión entre ellos se fortalece. Por el contrario, si rara vez se activan juntos, la conexión se debilita. Lo interesante, finalmente, es que con suficiente entrenamiento, la máquina de Boltzmann "aprende" las características decisivas de una flor aunque nunca se le haya dado una definición explícita. Esto significa que si se le muestra una nueva imagen que nunca ha visto, la máquina puede usar las conexiones aprendidas para determinar si la imagen es o no una flor.


¿Por qué el Nobel de Física?

El trabajo de Hinton con la máquina de Boltzmann, junto con las contribuciones de John Hopfield en el desarrollo de la memoria asociativa, sentaron las bases para la revolución del aprendizaje automático que comenzó alrededor de 2010. La máquina de Boltzmann, en particular, demostró que las ideas de la física estadística podían aplicarse al desarrollo de redes neuronales artificiales, abriendo nuevas posibilidades para el procesamiento de información y el aprendizaje automático. Aunque la máquina de Boltzmann en su forma original no era muy eficiente, Hinton y otros investigadores continuaron desarrollándola y perfeccionandola, lo que llevó a la creación de redes neuronales más complejas y eficientes.

En este sentido, podríamos decir que la máquina de Boltzmann es un ejemplo de cómo la física puede inspirar el desarrollo de tecnologías innovadoras. Al aplicar conceptos de la física estadística al campo del aprendizaje automático, Hinton y sus colegas abrieron un nuevo camino para la inteligencia artificial, un camino que continúa en plena exploración.



Referencias: https://www.nobelprize.org/prizes/physics/2024/popular-information
 

miércoles, febrero 28, 2024

Tecnología educativa en tiempos de la IA

Manuel Area Moreira, experto en tecnología educativa, abordó los desafíos y oportunidades que enfrenta la educación en la era digital. Desde su amplia experiencia como Dr. en Pedagogía y Catedrático de la Universidad de La Laguna, compartió valiosas reflexiones sobre la importancia de la pedagogía en un contexto marcado por la inteligencia artificial y la constante transformación. A continuación, una sintesis sobre alguno de los topicos abordados:


Para ir al conversatorio: https://www.linkedin.com/pulse/por-m%25C3%25A1s-tecnolog%25C3%25ADa-que-haya-si-falla-la-pedagog%25C3%25ADa-habr%25C3%25A1-figueroa-35grf/

jueves, febrero 15, 2024

Marco de competencias de IA para estudiantes

 Esta publicacion es una adaptación al idioma español del Marco de competencias de IA para docentes en desarrollo publicado por Fengchun Miao en las redes sociales. Si bien el desarrollo está aun en proceso, me parecio interesante pensar las categorías en español y compartirlas en este espacio.

A continuación se definen las categorías transversales a los aspectos propuestos para la descipción de las competencias:

Comprensión: Este nivel implica que los estudiantes puedan construir una interpretación adecuada, conforme a su edad, de los valores, conceptos fundamentales, procesos, herramientas y habilidades operativas en los ámbitos de la IA abordados en sus programas educativos. Deben ser capaces de explicar o ejemplificar sus conocimientos, conectándolos con ejemplos de la vida real o alternativos, y asimilar nuevos conocimientos clasificándolos dentro de su propio esquema de conocimiento.

Aplicación: En este nivel, los estudiantes deberían ser capaces de utilizar los valores, conocimientos y habilidades adquiridos en herramientas existentes para resolver tanto preguntas teóricas como tareas prácticas en diversos contextos. Además, deben ser capaces de realizar críticas sobre las herramientas y/o métodos utilizados para resolver problemas, así como abordar las cuestiones éticas que puedan surgir en el uso contextual de la IA, lo que les permitirá profundizar su comprensión sobre la técnica de la IA, las herramientas de IA y la ética relacionada.

Creación: En este nivel más avanzado, los estudiantes deberían tener la capacidad de crear nuevas herramientas de IA utilizando kits de herramientas de IA de código abierto o semiacabados. También deben poder configurar soluciones de IA integradas utilizando herramientas de IA personalizables, y, en algunos casos, optimizar técnicas fundamentales de IA, incluidos modelos de IA, algoritmos y métodos de recopilación y procesamiento de datos. Además, este nivel implica la capacidad de co-crear marcos regulatorios relacionados con la ética de la IA, así como los valores y habilidades necesarios para una sociedad impulsada por la IA.