Seminario sobre la Inteligencia Artificial

En el año 2022 la Real Academia Española (RAE) eligió el término “inteligencia artificial” (de forma abreviada IA) como la palabra del año por su importancia y peso en los medios de comunicación. Poco después, en el año 2024 los investigadores John Hopfield y Geoffrey Hinton fueron galardonados con el Premio Nobel de Física por sus trabajos sobre redes neuronales artificiales (necesarias para que las "máquinas puedan aprender") y de paso, establecieron las bases de la llamada inteligencia artificial.

Pues bien, aunque el término pueda parecer novedoso, en realidad se trata de una idea recurrente tanto en la literatura como en la mitología a lo largo de los siglos aunque no es hasta el año1956 cuando el concepto fue acuñado como tal en la Conferencia de Dartmouth. En esta conferencia participaron investigadores reconocidos en el campo de la informática y la ciencia cognitiva y marcó el comienzo que dió forma a la IA como campo unificado, definiendo este concepto como la ciencia e ingeniería de crear máquinas “inteligentes” capaces de simular funciones cognitivas humanas como el aprendizaje y el razonamiento. El siguiente texto corresponde a la declaración fundacional que abrió la conferencia:

“Proponemos que se lleve a cabo un estudio de inteligencia artificial de dos meses de duración, con la participación de diez personas, durante el verano de 1956 en el Dartmouth College de Hanover, New Hampshire. El estudio se realizará sobre la base de la conjetura de que cada aspecto del aprendizaje o cualquier otra característica de la inteligencia puede, en principio, describirse con tanta precisión que se puede hacer que una máquina lo simule. Se intentará encontrar cómo hacer que las máquinas utilicen el lenguaje, formen abstracciones y conceptos, resuelvan tipos de problemas que ahora están reservados a los humanos y se mejoren a sí mismas. Creemos que se puede lograr un avance significativo en uno o más de estos problemas si un grupo cuidadosamente seleccionado de científicos trabaja en ello durante un verano”.

Agosto 1956. De izquierda a derecha: Oliver Selfridge, Nathaniel Rochester, Ray Solomonoff, Marvin Minsky, Trenchard More, John McCarthy, Claude Shannon. Fuente: www.klondike.ai

Historia de la Inteligencia Artificial

¿Qué es la Inteligencia Artificial (IA)?

La Inteligencia Artificial (IA) se puede definir como el campo de estudio y desarrollo de la informática capaz de realizar tareas que requieren y simulan la inteligencia humana. Esto incluye procesos como el aprendizaje (la adquisición de información y las reglas para usar la información), el razonamiento (usar las reglas para alcanzar conclusiones aproximadas o definitivas) y últimamente la generación y creación de nuevos contenidos en diferentes formatos (texto, imagen, audio y vídeo), basándose en datos previos que le sirven de entrenamiento.

Capacidades y técnicas técnicas empleadas en IA

La inteligencia artificial se puede organizar según dos criterios de clasificación:

• El primer criterio de clasificación se refiere a las capacidades: hace referencia al grado de similitud o equivalencia con la inteligencia humana, que es la capacidad de comprender, aprender y aplicar conocimientos de manera general y flexible. Según este criterio, la IA se clasifica en tres niveles:

  • IA Débil o estrecha: es un tipo de IA que puede realizar una tarea concreta con inteligencia. Este tipo de IA es el más común y actualmente disponible.

  • IA General o Fuerte: se refiere a una inteligencia artificial que posee la capacidad de entender, aprender y aplicar conocimientos en una amplia variedad de tareas a un nivel comparable al de los seres humanos.

  • Superinteligencia: se refiere a una forma de inteligencia artificial que no solo emula, sino que supera todas las capacidades cognitivas humanas.

• El segundo criterio de clasificación se refiere a las técnicas, es decir, a los métodos y enfoques utilizados por las máquinas para realizar tareas “inteligentes”.

  • Machine learning: aprendizaje basado en técnicas a partir de los datos y mejorar su desempeño en tareas específicas.

  • Deep learning: aprendizaje basado en algoritmos inspirados en el funcionamiento del cerebro o de otras estructuras complejas.

Creación de contenidos con IA

Modelos multimodales y modelos de razonamiento

La rivalidad entre las grandes compañías desarrolladoras por liderar la carrera de la IA trae consigo innumerables beneficios para el usuario final. De entre estas mejoras podemos destacar dos avances significativos: las IA´s multimodales y los nuevos modelos de razonamiento:

• Inteligencias Artificiales multimodales. La evolución imparable de algunas de estas herramientas especialmente durante el año 2024, las han dotado de capacidades de interacción de entrada y salida variadas (interacción multimodal) por lo que algunas de ellas ya no sólo pueden utilizarse con una entrada de texto, ampliando la interacción a la voz (via micrófono), la imagen (via cámara) o incluso un archivo digital, y obteniendo una respuesta también en distintos formatos. Aún así, el pilar fundamental sobre el que se asienta la interacción con las IA´s generativas sigue siendo el lenguaje (hablado o escrito) por lo que este bloque es clave para entender y crear una interacción correcta y eficiente con esta tecnología.

• Modelos de razonamiento. En los siguientes subcapítulos veremos los fundamentos en los que se basan las IA generativas de texto y podrás entender cómo son capaces los "Grandes Modelos del Lenguaje" de proporcionar respuestas coherentes a interacciones con el usuario. Sin embargo, cuando se trata de abordar problemas complejos de índole matemático, de programación o científico-tecnológico, en ocasiones estas Inteligencias Artificiales tienden a cometer errores, ya que su aprendizaje prioriza la comunicación con el usuario frente a otras consideraciones, dando lugar a respuestas "erróneas" conocidas como alucinaciones. Pues bien, la alternativa presentada recientemente por las grandes compañías desarrolladoras son una serie de nuevos modelos conocidos como "modelos de razonamiento" que no se limitan a responder preguntas basada en datos pre-entrenados, sino que están diseñados para analizar y presentar soluciones a problemas complejos mediante el uso de "Cadenas de pensamiento" (chain-of-thought). Esto significa que, en lugar de generar una respuesta final de forma directa, el modelo puede desglosar el proceso en pasos intermedios que permiten conectar ideas, evaluar opciones y llegar a conclusiones más fundamentadas.

Escenarios de aplicación

Son múltiples los escenarios en los que puede intervenir la IA en el ámbito educativo: como apoyo a los estudiantes en su proceso de aprendizaje, apoyo los docentes en sus labores habituales o también puede aportar herramientas al centro o a las administraciones educativas facilitando sus tareas.

Veamos algunas propuestas de utilización de la IA en diferentes escenarios educativos que podrás trabajar más en profundidad en los siguientes capítulos.

• Desarrollo curricular de una materia: creación de situaciones de aprendizaje, rúbricas de evaluación, unidades didácticas, personalización de programaciones, etc.

• Personalización del aprendizaje: aprendizaje adaptativo ajustado a las habilidades y conocimientos de cada estudiante, evaluación automática, sistemas de recomendación de estudios, etc. Algunas aplicaciones educativas basadas en IA son capaces de detectar las fortalezas y dificultades de cada estudiante, proponiendo actividades y tareas para mejorar el aprendizaje. En este sentido, la IA proporciona herramientas a los docentes para diseñar programaciones adaptadas y responder a los principios del Diseño Universal del Aprendizaje (DUA), como se indica en la ley de Educación LOMLOE.

• Creación de contenidos educativos: generación de textos educativos, videos didácticos, infografías, resúmenes, etc. Además de los contenidos habituales, podemos emplear la IA para hacer mejorar la accesibilidad de dichos contenidos. Por ejemplo, la creación de subtítulos, audio-descripciones de imágenes con texto, etc. La evolución de estas herramientas de IA están permitiendo actualmente la creación de aplicaciones interactivas sencillas para el aula con ayuda de chatbots conocidos ( ChatGPT, Claude, DeepSeek, Qwen, Gemini, etc ). Estas herramientas permiten crear recursos didácticos que pueden utilizarse en el aula para reforzar contenidos, repasar conceptos clave o practicar habilidades específicas del currículo, todo de forma dinámica e interactiva.

• Apoyo en estudios artísticos: edición de imágenes, música, cortos, animación, etc. La consecuencia directa de esta evolución artística se traduce en nuevas formas de comunicación audio-visual como la aparición de anuncios publicitarios creados integramente con IA, animaciones y recreaciones para documentales y programas de TV, etc.

• Ayudas a la evaluación del alumnado: elaboración de test, corrección de pruebas escritas, creación de rúbricas alineadas con los objetivos de las actividades, listas de cotejo. Además, la IA es capaz de detectar las dificultades y errores y emitir de esta manera, retroalimentaciones adaptadas a cada situación.

• Desarrollo y automatización de tareas administrativas: redacción de documentos, informes, correos a padres, notificaciones, etc.

   

Aprovechar la IA para agilizar tareas rutinarias permite al docente centrarse en otro tipo de actuaciones más personales con el alumnado.

Creación de contenidos educativos

Una de las tareas habituales de los docentes es la elaboración de materiales, contenidos y recursos didácticos para sus clases. En este aspecto, la Inteligencia Artificial proporciona un horizonte infinito de posibilidades, mediante el uso de las herramientas de IA Generativa que se ofrecen con distintos objetivos.

Desde el diseño de situaciones de aprendizaje, rúbricas de evaluación, unidades didácticas, personalización de programaciones, etc, hasta la creación de contenidos educativos (generación de textos educativos, videos didácticos, infografías, resúmenes), la IA ofrece multitud de recursos complementarios en la labor docente:

• Generación de recursos y contenidos de aula variados. La IA puede ser utilizada para generar diversos tipos de preguntas relacionadas con un tema concreto a trabajar en el aula, para crear imágenes interactivas, simulaciones, creación de videotutoriales o asistir en el análisis de textos complejos, mejorando la comprensión. Además, estas herramientas pueden producir automáticamente actividades, fichas de trabajo, resúmenes de lecciones, rúbricas o proponer distintas actividades para realizar en el aula. Además de los recursos habituales, la IA permite en la actualidad la creación de aplicaciones sencillas interactivas para utilizar en el aula (Vibe-coding)

• Creación de situaciones de aprendizaje. Las herramientas basadas en IA también permiten generar situaciones de aprendizaje completas que deben ser supervisadas y revisadas por el docente antes de ponerlas en práctica. Para ello, el docente debe proporcionar datos concretos sobre la situación de aprendizaje, como saberes a trabajar, criterios de evaluación a abordar, número de actividades que debe incluir, etc. Cuanto más precisa sea la información proporcionada a la herramienta, más adecuado será el resultado proporcionado.

• Accesibilidad de los contenidos. Otra de las opciones que proporciona la IA es su uso para mejorar la accesibilidad de dichos contenidos. Por ejemplo, si hemos incluido en nuestros recursos de aula una infografía con información textual, la IA puede ayudarnos a crear una audio-descripción de la misma o a transcribirla para hacerla accesible a todo el alumnado. (Por ejemplo, la conversión de imagen a texto se puede realizar mediante OCR.best, aunque cualquier chat habitual también puede realizarlo correctamente; para convertir el texto en voz podemos emplear Speechgen.io). Así mismo, la IA puede generar subtítulos de forma rápida en videos o presentaciones.

• Además, la capacidad de creación de la IA es ingente. De esta forma, puedes emplear la IA para la generación de una gran cantidad de material que a cualquier docente le requiere meses de trabajo. Por ejemplo, la creación de 300 cuestiones distintas relacionadas con un tema concreto. Una herramienta basada en IA puede generar preguntas de distinto tipo sobre un documento concreto y en un formato específico. Después, el docente puede importar estas cuestiones en el banco de preguntas de su plataforma de aprendizaje habitual. De esta forma, se pueden crear multitud de cuestionarios diferentes sobre la misma temática que servirán de herramienta para los estudiantes practiquen y autoevalúen sus conocimientos.

Herramientas de la IA en la creación de contenidos

Se denomina Inteligencia Artificial Generativa al conjunto de aquellos algoritmos de IA que son capaces de generar contenido en formato de texto, imágenes, audio o video a partir de una serie de instrucciones escritas por el usuario denominados PROMPTS.

Aunque la IA generativa más popular es, a día de hoy, Chat-GPT como excelente generadora de texto (alcanzó el record de 100 millones de usuarios en sólo dos meses), existen otras muchas IA generativas especializadas en creación de texto como DeepSeek, QwenLM, Gemini o Mistral, en creación de imágenes como Dall-e, Midjourney o Stable Diffusion, en creación de video como Runway, Sora, etc. En la actualidad abundan las tecnologías multimodales, que combinan varios resultados.

¿Qué IA me conviene? Comparativa de chatbots gratuitos

Los Grandes Modelos del Lenguaje en IA (LLM)

En primer lugar, debemos partir de la base de que estos "Grandes Modelos del Lenguaje (LLM) están entrenados con grandes cantidades de texto, del que extraen el aprendizaje necesario para poder predecir las siguientes palabras y generar respuestas coherentes y contextualmente relevantes a partir del contexto al que hace referencia la frase o palabra de entrada. Para poder entender cómo funciona esta tecnología debemos comprender el concepto de “vector de palabra”.

Un vector de palabra es la asignación a cada palabra de un conjunto de números para representarlo como un vector en un espacio imaginario multidimensional de palabras. Para comprenderlo mejor, imaginemos las palabras “Madrid” y “Barcelona” a las que podemos asignarles varios números: sus coordenadas geográficas, la altura sobre el nivel del mar y su población.

Se invita al participante de este curso a experimentar en la siguiente web sobre la nube de palabras: Webvectors

Las investigaciones sobre vectores de palabras culminaron con el desarrollo de máquinas de aprendizaje automático, entrenadas para predecir qué palabras aparecen normalmente junto a otras palabras y completar, de esta forma, frases complejas con sentido, partiendo del contexto en el que se encuentran el resto de palabras.

Además, las máquinas entrenadas son capaces de aprender significados de las palabras dependiendo del contexto. Para ello, las máquinas de aprendizaje automático necesitan entradas de millones de datos con el fin de determinar la mejor opción de la secuencia de palabras adecuadas a partir del contexto establecido. La tecnología que hace posible procesar textos y predecir frases coherentes a partir del contexto se llama Transformer.

Un modelo “Transformador” o modelo “Transformer” emplea redes neuronales autorregresivas para examinar un texto y determina qué palabras son más relevantes que otras, lo que le permite analizar contextos y significados de manera similar a como lo hacemos los humanos. Los "transformers" son entrenados previamente con enormes cantidades de datos para después, ser capaces de responder a preguntas con información coherente, ordenada y estructurada, resumir o traducir textos, crear imágenes o composiciones musicales e incluso video en alta definición. El modelo Transformer más famoso en estos momentos es Chat-GPT (Chat Generative Pre-trained Transformer) traducido como Chat Transformador Generativo Pre-entrenado.

Familias de IA generativas según los medios de entrada y salida

• Texto a texto: Traducir, resumir, buscar información, corregir textos: ChatGPT, Peer, Perplexity, Bard, Copilot, Copymatic, Jasper, TutorAI, Bing

• Texto a imagen: Generar imágenes, avatares, logos: Midjourney, DALL-E, Bing Image Creator, Stable Diffusion, Adobe Firefly, Fotor, Crayion.

• Texto a audio: Generar ficheros de audio, audiolibros, pódcast, locuciones, traducir videos, temas musicales: AudioLM, Whisper, Jukebox, Murf, Mubert, AudioStrip, Boomy.

• Texto a video: Generar, editar, traducir videos: Phenaki, Sundify, Synthesia.

• Texto a código: Generar, mejorar, documentar código: Alphacode, Codex, Github, Ghostwriter, SourceAI, Tabnine.

• Texto a ciencia: Lluvia de ideas, encontrar textos científicos: Elicit, Consensus, Scite.

• Texto a 3D: Diseño RV, mejorar simulaciones: Dreamfusion, Magic3d.

• Imagen a texto: Descripciones de imágenes, mejora de accesibilidad para discapacidades visuales: Flamingo, VisualGPT.

• Otras: Alphatensor

Input de texto: los prompts

¿Qué es un prompt?

El conjunto de instrucciones de entrada de texto (inputs) necesarias para obtener la respuesta deseada se denomina Prompt.

Anatomía de un prompt

No existe ninguna fórmula exacta para la redacción del mejor prompt posible. Ello depende principalmente del contexto en el que se realiza la interacción con la IA generativa y la información previa suministrada a la misma. No obstante, los desarrolladores de estos modelos publican ciertas directrices o estrategias a seguir para que sus modelos respondan adecuadamente a lo que se les preguntan, tomando como referencia el aprendizaje obtenido durante el entrenamiento. En cualquier caso, debemos tener presente lo siguiente:

La calidad de la respuesta de salida dependerá tanto de la calidad del prompt de entrada como de la calidad de los datos empleados en el aprendizaje.

En general, la sintaxis de estos prompts debe respetar ciertas reglas para garantizar la mejor respuesta posible generada por estos modelos. Las técnicas empleadas pueden llegar a ser tan elaboradas que han terminado por recibir el nombre de "Técnicas de Prompting" y sus creadores la categoría de "Prompt Engineer" capaces de afinar el resultado progresivamente mediante prompts que se van adaptando a medida que la IA va ofreciendo resultados mejorables. Dicho esto, durante el año 2024 se produjo un salto cualitativo importante en la capacidad de entender el lenguaje (gracias, en parte, a la masiva interacción de usuarios con estos modelos LLM) provocando una interacción más abierta y cada vez más cercana a un lenguaje coloquial entre humanos. Esto significa que podemos interactuar con una IA más fácilmente, pero si se desea obtener el mejor resultado posible en poco tiempo, es preferible seguir las reglas de interacción establecidas por sus desarrolladores. Por ello, se exponen las reglas básicas establecidas para la correcta inserción de un prompt.

Veamos algunas estrategias para la entrada de texto usadas con el fin de obtener los mejores resultados:

ROL: Indica a la IA el papel que debe asumir. Según la tarea deseada puedes escribir en el prompt que la IA asuma un rol específico, como el rol de profesor experto en la materia elegida.

TAREA: Solicita la tarea o tareas concretas que debe realizar. Por ejemplo, redacta una carta, resume un texto, explica un desarrollo matemático, elabora una Situación de Aprendizaje, escribe un cuento, etc.

CONTEXTO: Escribe instrucciones claras en el contexto preciso. El prompt debe redactarse con los suficientes detalles concretos del contexto como para obtener las respuestas más relevantes posibles. Esto conlleva en ocasiones a reformular el prompt a partir del prompt anterior. Es importante especificar a quién va dirigida la respuesta (p.e. nivel académico). También puedes utilizar delimitadores (como dobles comillas, triples comillas o etiquetas XML) para delimitar distintas partes de la entrada de texto para tratarlas de forma diferente.

SALIDA: Especifica el formato o estilo de salida. El prompt debe explicitar si se desea una lista, un resumen, un cuestionario, etc. Puede contener como entrada un texto de referencia a modo de ejemplo para obtener la salida en el formato o estilo deseado. Además, puedes incluso solicitar la longitud máxima del texto de salida en palabras, párrafos o viñetas.

(opcional)**DIVISIÓN:** Divide tareas complejas en otras más simples. La estrategia propia del pensamiento computacional de reducir a tareas sencillas una tarea compleja es de gran ayuda en estos casos. Por ejemplo, se puede obtener el resumen de un documento extenso solicitando el resumen de las partes o capítulos del documento completo.

(opcional) DEDUCCIÓN: Guía a la IA a una solución "razonada". Puedes conseguir resultados mejorados y precisos si se solicita al modelo que encuentre una solución propia antes de emitir una conclusión sobre un ejemplo ya solucionado.

Para simplificar el formato del prompt, podemos reducir el texto de entrada en cuatro campos esenciales. El orden no es prioritario, pero sí aconsejable.

Biblioteca avanzada de prompt educativos

¿Como preguntar a la IA? prompt de utilidad para el profesorado.