Inteligencia Artificial

1 Contenido de la clase

Presentación del curso y dinámica [00:30-01:08]

El profesor aclara que, aunque antes se pensaba que la IA y la Visión eran casi lo mismo (que un curso de visión cubría la IA), ya no es el caso: son cursos distintos dentro del área y se trabajará en conjunto con el equipo de visión. El curso tiene 16 semanas, aproximadamente 20 sesiones; habrá algunos días sin clase (por ejemplo, una conferencia del profesor en octubre) y se avisará con anticipación.

Es un curso introductorio pensado para gente de muchas áreas: el objetivo es comunicar el conocimiento para que todos terminen con un nivel similar. [varios pasajes sueltos de la grabación quedaron poco claros]

Evaluación: 20, 30, 30 y 10 [01:09-01:55]

La calificación se reparte en una distribución 20, 30, 30 y 10 (la "evaluación tradicional" de la institución). La participación (10 %) se divide en dos componentes de 5 %:

• Cualitativa: participación general en clase (responder solicitudes/encuestas, intervenir, aportar).
• Cuantitativa: pop quizzes (exámenes sorpresa de pocas preguntas) que se aplican normalmente al inicio de la clase a lo largo del semestre.

Tareas, fechas límite y colaboración [01:58-03:47]

• Las tareas son obligatorias: es requisito entregar todas para aprobar el curso.
• Se permite entregar tarde: se puede entregar en la semana que se quiera antes del 17 de noviembre con 10 % de penalización.
• Si se entrega después de la fecha de la siguiente tarea, la penalización sube al 20 % y la calificación máxima es 8.
• Todas las tareas se integran/cierran alrededor del 27 de noviembre.

El profesor recomienda estudiar en grupo y explicarse los temas entre compañeros: el aprendizaje no es un proceso que deba pasarse solo. También permite colaborar con herramientas de IA (chats, resumir tareas, explicar temas), pero advierte: si solo copian y después borran la conversación sin entender, no podrán resolver lo que sigue (pop quizzes y demás). La idea es usar la IA para aprender.

Proyecto final [04:31-05:42]

Es una aplicación de IA a un problema real, en equipos de 5 a 6 integrantes (se apunta a 5-6 porque casi siempre alguien se queda). Se evalúa con tres componentes:

• Implementación: código y pruebas.
• Parte científica: un reporte/resumen del trabajo.
• Componente de negocio (particular de este curso): el proyecto debe plantearse como un producto mínimo viable (MVP) con visión comercial.

La idea: encontrar un problema real, aplicar los métodos del curso y entregar algo útil. Fecha de entrega: 26 de noviembre, el último jueves de clase. "No es tan difícil", dice el profesor.

Dos consejos para la maestría [05:50-06:32]

Muchos estudiantes vienen de contextos muy distintos (algunos sin tocar la escuela durante años). En el primer año es común empezar a dudar de uno mismo. Lo que más ayuda es el apoyo de amigos, compañeros y el grupo: la experiencia, aunque intensa, es corta y se supera.

Libro, temario y objetivos [06:43-08:27]

El libro principal es "Inteligencia Artificial: un enfoque moderno" (Russell y Norvig), en su 4.ª edición; no se lee completo. El curso se apoya también en cursos de otras instituciones y plataformas en línea con videos [nombres de los cursos poco claros en la grabación].

Objetivo central: que los estudiantes razonen sobre las actividades de la IA, en particular la resolución de problemas y la representación del conocimiento. Temario: algoritmos de búsqueda, juegos, lógica (proposicional y de primer orden), representación del conocimiento, planificación y fundamentos filosóficos. La primera mitad del curso es IA clásica y la segunda mitad IA moderna. Habrá una clase libre donde los estudiantes pueden proponer un tema de su interés.

Presentación de profesores y estudiantes [23:25-27:05]

Los estudiantes se presentan: nombre, de dónde vienen y su área de interés [varios nombres quedaron poco claros]. Se comenta la trayectoria de un profesor con doctorado en Oxford, un proyecto con Google (utilización de rutas) y una startup: le interesa resolver problemas reales, no solo la teoría. Otro profesor (que imparte el curso este semestre) trabaja en toma de decisiones secuenciales y en optimización con múltiples objetivos, con aplicaciones en transporte (taxis), salud, emparejamiento de trabajo, redes sociales (ordenar el feed), audio (mejora en videollamadas), economía y políticas públicas, e inventarios.

¿Qué es la inteligencia? ¿Qué es una máquina? [28:55-41:28]

Preguntas lanzadas a los alumnos. Ideas que surgieron:

• Inteligencia = capacidad de resolver problemas y de aprender.
• Máquina = instrumento/dispositivo que creamos para resolver algo.
• ¿Por qué queremos máquinas inteligentes? Para que nos ayuden y resuelvan problemas de forma más humana, a escala (para mucha gente a la vez), en tareas tediosas o que cuestan tiempo.
• Un alumno plantea la duda ética: ¿debe la máquina ser "inteligente" y moral? (la parte moral es un tema recurrente).

Turing: la máquina, la computabilidad y la prueba de Turing [41:25-44:35]

Contexto histórico: los famosos problemas del milenio y, en particular, la pregunta de si existe un método para determinar la verdad o falsedad de cualquier proposición (el Entscheidungsproblem).

La máquina de Turing (1936) es la formalización matemática de "algoritmo": el modelo con el que podemos trabajar y operar. Tras definirla, surge la pregunta de qué puede y qué no puede computarse. La teoría de la computación se divide en teoría de autómatas, computabilidad (qué se puede y qué no se puede resolver con una computadora) y complejidad (problemas fáciles vs. difíciles). Turing acabó con el optimismo de que las máquinas eran "todopoderosas": tienen límites claros.

La siguiente pregunta de Turing: ¿pueden pensar las máquinas? Su respuesta práctica es la famosa prueba de Turing: un entrevistador conversa por texto (celular, computadora o papel, en cuartos separados) con una máquina y con una persona sin saber quién es quién; si no logra distinguirlas mejor que al azar, la máquina pasa la prueba. Nota clave: la prueba evalúa el comportamiento externo (el resultado), no el proceso interno.

La habitación china y el problema de la demarcación [45:35-49:40]

Argumento de la habitación china (Searle): imagina a una persona dentro de un cuarto con un componente de entrada (le pasan papelitos con caracteres chinos) y uno de salida (ella responde). En el centro tiene un libro gigante (una tabla de consulta, no un diccionario) que para cualquier entrada en chino le da la respuesta correcta en español. La persona no entiende nada de chino, pero produce respuestas perfectas.

La habitación pasaría la prueba de Turing pero no comprende. Por eso se critica la prueba como criterio suficiente de inteligencia: la prueba evalúa el resultado; la habitación china muestra que comportarse como inteligente no implica entender.

Problema de la demarcación [60:00-63:39]: ¿dónde ponemos la barra de "inteligencia"? Si la ponemos muy alta (crear una obra maestra, una corriente filosófica o algo completamente nuevo), casi nadie es inteligente; si la ponemos muy baja (ganar siempre al gato / tic-tac-toe), cualquier programa trivial lo logra. Es decir: definir IA puede ser tan restrictivo que nada es inteligente, o tan laxo que todo lo es.

Cuatro definiciones de IA y el enfoque del curso [61:18-65:15]

Dos ejes de clasificación: pensar vs. actuar y humano vs. racional. Combinándolos quedan cuatro definiciones:

• Pensar como humano (ciencia cognitiva, neurociencia computacional).
• Actuar como humano (el enfoque de la prueba de Turing).
• Pensar racionalmente (lógica formal, razonamiento).
• Actuar racionalmente (agentes racionales) ← el enfoque de este curso.

La IA moderna es un problema de optimización: el agente elige acciones que maximizan una utilidad esperada. Ejemplos actuales que caben en esta definición: los modelos de lenguaje que "rellenan" texto siguiendo la estructura del lenguaje (frases que suenan coherentes aunque no siempre tengan una línea lógica), entrenados con retroalimentación humana (comparar dos respuestas o calificarlas del 1 al 5, el RLHF); y las redes sociales y la publicidad, que maximizan la utilidad entendida como tiempo de visualización, consumo o compra. Detrás puede haber un modelo profundo, una red neuronal o una simple correlación, pero el marco es el mismo: maximizar utilidad.

Agentes racionales y propiedades del entorno (PEAS) [66:26-69:58]

Agente racional: entidad que percibe del entorno (entrada) y actúa sobre él (salida); es similar en estructura a la habitación china. El agente racional elige la acción que maximiza su utilidad. Para saber qué técnica usar hay que clasificar el tipo de agente, de problema y de entorno.

Ejemplos de agentes: conductor de taxi, sistema de diagnóstico médico, asesor de inversiones, tutor interactivo, asistente de voz y jugador de juegos.

Indicador de desempeño (performance measure): mide qué tan bien actúa el agente; suele implicar objetivos múltiples (seguridad, ganancias, comodidad) y toca temas de moral.

PEAS del taxi autónomo: Performance (seguridad, ganancias, comodidad) · Environment (calles, tráfico, peatones) · Actuators (acelerar, frenar, girar el volante, claxon) · Sensors (cámaras, sonar, velocímetros, GPS).

Propiedades de los entornos (cada una determina qué método conviene):

• Completamente vs. parcialmente observable: un tablero de ajedrez es completamente observable; conducir un coche es parcialmente observable (no ves lo que pasa detrás de una pared o a la vuelta).
• Un agente vs. multiagente: hay uno o varios agentes actuando en el mundo.
• Determinista vs. estocástico: a la misma entrada siempre la misma salida, o hay azar.
• Episódico vs. secuencial: episodios independientes, o un mundo que "nunca se acaba" donde las decisiones se encadenan.
• Estático vs. dinámico: las condiciones se mantienen mientras el agente delibera, o cambian.
• Discreto vs. continuo: las percepciones se miden en unidades discretas o en valores continuos.
• Conocido vs. desconocido: si el agente conoce la dinámica del entorno.

El profesor señala que su trabajo actual se enfoca en problemas parcialmente observables. En la próxima sesión se analizarán estos tipos de entorno y se empezará a usar el material del curso.

2 Puntos destacados / Lo que hay que saber

3 Actividades y tareas pendientes

En esta primera sesión no se dejó ninguna tarea con fecha de entrega (fue de presentación e introducción). Checklist sugerido a partir de lo explicado:

Próxima sesión: análisis de los tipos de entorno y agente, y comienzo del uso del material del curso.

4 Dudas que podrían examinar

5 Sitios o recursos para visitar

El profesor no dio URLs ni herramientas concretas en esta sesión, pero sí mencionó el libro base del curso y recursos útiles para profundizar:

• "Inteligencia Artificial: un enfoque moderno" (Russell y Norvig, 4.ª ed.) — el libro principal del curso, mencionado por el profesor (dominio: google.com).
• Alan Turing, "Computing Machinery and Intelligence" (1950) — el artículo original de la prueba de Turing (dominio: google.com).
• Argumento de la habitación china (John Searle) — crítica filosófica a la prueba de Turing como criterio de comprensión (dominio: google.com).
• Cursos de IA de otras universidades basados en el libro — el profesor mencionó que el curso se apoya en cursos equivalentes (dominio: google.com).

6 Glosario de términos

• Agente racional: entidad que percibe el entorno y actúa para maximizar una utilidad esperada.
• PEAS: marco de diseño de un agente: Performance (indicador de desempeño), Environment (entorno), Actuators (actuadores), Sensors (sensores).
• Pop quiz: examen sorpresa de pocas preguntas, aplicado al inicio de clase (5 % cuantitativo de la participación).
• Máquina de Turing: modelo matemático (1936) que formaliza la noción de algoritmo y de cómputo.
• Computabilidad: rama que estudia qué problemas pueden resolverse con una computadora y cuáles no.
• Complejidad computacional: clasificación de los problemas según su dificultad (fáciles vs. difíciles).
• Entscheidungsproblem: problema de la decisión: ¿existe un método para determinar la verdad o falsedad de cualquier proposición?
• Prueba de Turing: si un entrevistador no puede distinguir por texto a una máquina de una persona, la máquina pasa; evalúa el comportamiento externo.
• Habitación china: experimento mental de Searle que muestra que responder correctamente no implica comprender.
• Problema de la demarcación: dónde trazar el límite de "qué cuenta como inteligencia artificial".
• Actuar racionalmente: definición de IA del curso: elegir acciones que maximizan la utilidad esperada dado lo percibido.
• RLHF: aprendizaje por refuerzo con retroalimentación humana (comparar respuestas o calificarlas del 1 al 5) usado para entrenar modelos de lenguaje.
• Producto mínimo viable (MVP): versión mínima de un producto con valor comercial; componente de negocio del proyecto.
• Entorno parcialmente observable: el agente no percibe todo el estado del mundo (p. ej., conducir un coche).

7 Mapa mental textual

• Inteligencia Artificial · Clase 1 (presentación e introducción)
  • Curso: 16 semanas · ~20 sesiones · introductorio · multidisciplinario
    • Evaluación 20-30-30-10 → participación = 5 % cualitativa + 5 % pop quizzes
    • Tareas obligatorias (todas) · penalizaciones (10 %/20 %, máx. 8) · cierre 27 nov
    • Proyecto: IA + problema real · equipos 5-6 · implementación + ciencia + MVP · 26 nov
    • Colaboración con IA permitida, pero hay que entender el trabajo
    • Libro: Russell y Norvig (4.ª ed.) · 1.ª mitad clásica / 2.ª mitad moderna
  • ¿Qué es la IA? (debate en clase)
    • Inteligencia = resolver problemas y aprender · Máquina = instrumento que creamos
    • Turing: máquina (1936) → computabilidad/complejidad · prueba de Turing (1950)
    • Habitación china (Searle): pasar la prueba ≠ comprender
    • Problema de la demarcación: ¿dónde está la barra de "inteligente"?
  • Cuatro definiciones de IA
    • Pensar/Actuar × Humano/Racional
    • Enfoque del curso: actuar racionalmente (agente racional)
    • IA moderna = optimización: maximizar utilidad (LLM + RLHF, redes sociales)
  • Agente racional y entorno
    • Percibe (sensores) → decide → actúa (actuadores) · PEAS
    • Ejemplos: taxi, diagnóstico médico, asesor de inversiones, tutor, voz, juegos
    • Entornos: observable, multiagente, determinista, episódico/secuencial, estático/dinámico, discreto/continuo, conocido/desconocido
    • El tipo de entorno → elige la técnica (próxima sesión)