$30 off During Our Annual Pro Sale. View Details »

Inteligencia Artificial

Inteligencia Artificial

Presentación para el Instituto de Enseñanza Secundaria Andalán.
Título alternativo: "Algunas ideas en positivo sobre Inteligencia Artificial de un no experto. Con algo de ayuda de algunas inteligencias artificiales"
2023-05-11

Tweet

More Decks by Fernando Tricas García

Other Decks in Education

Transcript

  1. Inteligencia Artificial Fernando Tricas Garc´ ıa [email protected] Dpto. de Inform´

    atica e Ingenier´ ıa de Sistemas de la Escuela de Ingenier´ ıa y Arquitectura de la Universidad de Zaragoza http://webdiis.unizar.es/~ftricas/ @fernand0 11 de mayo de 2023
  2. Algunas ideas en positivo sobre Inteligencia Artificial de un no

    experto Con algo de ayuda de algunas inteligencias artificiales Fernando Tricas Garc´ ıa [email protected] Dpto. de Inform´ atica e Ingenier´ ıa de Sistemas de la Escuela de Ingenier´ ıa y Arquitectura de la Universidad de Zaragoza http://webdiis.unizar.es/~ftricas/ @fernand0 11 de mayo de 2023
  3. ´ Indice 1 Motivaci´ on 2 Historia 3 Tecnolog´ ıas

    4 Nosotros y nuestros datos 5 Algunas cr´ ıticas 6 Conclusiones
  4. (Des)motivaci´ on “The question of whether a computer can think

    is no more interesting than the question of whether a submarine can swim.” — Edsger W. Dijkstra https://www.goodreads.com/quotes/32629-the-question-of-whether-a-computer-can-think-is-no
  5. ¿Qu´ e pensar´ ıa Dijkstra de esto? import requests #

    Descargar el archivo de texto url = "https :// www.cs.utexas.edu /~ EWD/ transcriptions /EWD03xx/EWD340.html" response = requests.get(url) text = response.text.lower () # Contar las apariciones de la palabra ’intellige ’ word_to_count = ’intellige ’ count = text.count( word_to_count ) # Imprimir el resultado print(f"La␣palabra␣ ’{ word_to_count }’␣aparece␣{count}␣veces", f"␣en␣la␣lecci´ on␣Turing␣de␣1972.") word_to_count = ’submarine ’ count = text.count( word_to_count ) # Imprimir el resultado print(f"La␣palabra␣ ’{ word_to_count }’␣aparece␣{count}␣veces", f"␣en␣la␣lecci´ on␣Turing␣de␣1972.")
  6. PIM: Personal Information Manager – “Good morning. You’re flying to

    Boston today. Take a raincoat, it’s raining. By the way, that flight you were taking, it’s already been canceled. Don’t worry about it. There was a mechanical. I’ve already booked you on a new one. I’ll tell you about on the way to the airport. But remember you’re going to exercise every day and I’m here to remind you that you’re going to exercise.” And you might say, – “I don’t know if I want to exercise today,” and It’ll show you a nude profile of yourself. And you’ll say, – “You know what, I think I’m going to exercise today.” Daniel Burrus ‘Enough with the past. We ask 5 futurists to describe the changes coming our way.‘ https://www.networkworld.com/article/2309953/future-shock.html
  7. Traducci´ on (Google Translate) – “Buenos d´ ıas. Vas a

    volar a Boston hoy. Toma un im- permeable, es lloviendo. Por cierto, ese vuelo que estabas tomando, ya fue cancelado. No te preocupes por eso. Hab´ ıa un mec´ anico. ya he reservado usted en uno nue- vo. Te lo contar´ e de camino al aeropuerto. Pero recuerda que vas a hacer ejercicio todos los d´ ıas y estoy aqu´ ı para recordarteque vas a hacer ejercicio”. Y podr´ ıas decir, – “No s´ e si quiero ejercicio hoy” y te mostrar´ a un perfil desnudo de ti mismo. y lo har´ as decir, – “Sabes qu´ e, creo que hoy voy a hacer ejercicio”.
  8. Traducci´ on (Google Translate) – “Buenos d´ ıas. Vas a

    volar a Boston hoy. Toma un im- permeable, es lloviendo. Por cierto, ese vuelo que estabas tomando, ya fue cancelado. No te preocupes por eso. Hab´ ıa un mec´ anico. ya he reservado usted en uno nue- vo. Te lo contar´ e de camino al aeropuerto. Pero recuerda que vas a hacer ejercicio todos los d´ ıas y estoy aqu´ ı para recordarteque vas a hacer ejercicio”. Y podr´ ıas decir, – “No s´ e si quiero ejercicio hoy” y te mostrar´ a un perfil desnudo de ti mismo. y lo har´ as decir, – “Sabes qu´ e, creo que hoy voy a hacer ejercicio”. https://twitter.com/Rakel61/status/1502263641697136643
  9. Traducci´ on (chatGPT) – “Buenos d´ ıas. Hoy vas a

    volar a Boston. Lleva un im- permeable, est´ a lloviendo. Por cierto, el vuelo que ibas a tomar, ya ha sido cancelado. No te preocupes por eso. Hubo un problema mec´ anico. Ya te he reservado en uno nuevo. Te lo contar´ e en el camino al aeropuerto. Pero re- cuerda que vas a hacer ejercicio todos los d´ ıas y estoy aqu´ ı para recordarte que vas a hacer ejercicio”. Y podr´ ıas decir: – “No s´ e si quiero hacer ejercicio hoy”, y te mostrar´ a un perfil desnudo de ti mismo. Y dir´ as: – “Sabes qu´ e, creo que hoy s´ ı voy a hacer ejercicio”.
  10. ¿Miedo? Agente electr´ onico ultra-inteligente Forbidden Planet (1956) 2001: A

    Space Odyssey (1968) Heuristically Programmed ALgorithmic Computer
  11. ¿S´ olo grandes proyectos? ‘Eben Upton’s favourite Raspberry Pi project

    is an AI cucumber sorter’ https: //www.htxt.co.za/2017/09/eben-uptons-favourite-raspberry-pi-project-is-an-ai-cucumber-sorter/ https://youtu.be/4HCE1P-m1l8
  12. Inteligencia Artificial La inteligencia artificial (IA) es la inteligencia llevada

    a cabo por m´ aquinas. En ciencias de la computaci´ on, una m´ aquina “inteligente” ideal es un agente flexible que per- cibe su entorno y lleva a cabo acciones que maximicen sus posibilidades de ´ exito en alg´ un objetivo o tarea. Coloquial- mente, el t´ ermino inteligencia artificial se aplica cuando una m´ aquina imita las funciones “cognitivas”que los hu- manos asocian con otras mentes humanas, como por ejem- plo: “percibir”, “razonar”, “aprender” y “resolver proble- mas”.
  13. Cronolog´ ıa (I) ▶ 1956. Workshop en Dartmouth College, t´

    ermino acu˜ nado por John McCarthy ”..that every aspect of learning or any other feature of intelligence can in principle be so precisely described that a machine can be made to simulate it. An attempt will be made to find how to make machines use language, form abstractions and concepts, solve kinds of problems now reserved for humans, and improve themselves. We think that a significant advance can be made in one or more of these problems if a carefully selected group of scientists work on it together for a summer. A Proposal for the Dartmouth Summer Research Project on Artificial Intelligence (McCarthy et al, 1955) The Birthplace of AI https://www.cantorsparadise.com/the-birthplace-of-ai-9ab7d4e5fb00 http://www-formal.stanford.edu/jmc/history/dartmouth.pdf Fotograf´ ıa: Marvin Minsky, Claude Shannon, Ray Solomonoff, ...
  14. Cronolog´ ıa (II) ▶ 1959. John McCarthy, Marvin Minsky. Creaci´

    on del MIT AI Lab. https://www.timetoast.com/timelines/mit-lab https://www.scaruffi.com/mind/ai.html ▶ 1965. Joseph Weizenbaum (MIT). ELIZA, programa interactivo que dialoga en ingl´ es. https://en.wikipedia.org/wiki/Timeline_of_artificial_intelligence . . .
  15. Cronolog´ ıa (III) ▶ 70’s ‘AI Winter’. ▶ 80’s Resurgimiento

    ‘machine learning‘. ▶ ‘Second AI Winter’. E. Francesconi. “The winter, the summer and the summer dream of artificial intelligence in law”. Artif Intell Law 30, 147–161 (2022). https://doi.org/10.1007/s10506-022-09309-8
  16. Cronolog´ ıa (IV) ▶ 90’s Orientaci´ on a datos en

    lugar de al conocimiento. https://www.theifactory.com/news/gaining-wisdom-from-data/
  17. Cronolog´ ıa (V) ▶ 1997. Deep Blue gana a Garry

    Kasparov (Campe´ on del mundo de ajedrez). En 1996 fue la primera partida del torneo y gan´ o Kasparov. https://hipertextual.com/2016/02/deep-blue
  18. Cronolog´ ıa (VI) ▶ 2002. iRoobot (Roomba). 2005. Honda (robot

    ASIMO). https://makezine.com/article/technology/robotics/rockstar-robots-hondas-asimo/ ▶ 2006. The Netflix Prize. Machine Learning para mejorar el algoritmo de recomendaci´ on (≥ 10 %). Ganado en 2009. https://www.thrillist.com/entertainment/nation/the-netflix-prize ▶ 2010. Microsoft (Kinnect para Xbox 360). C´ amara 3D, infrarrojos. Seguimiento de movimientos.
  19. Cronolog´ ıa (VII) ▶ 2011. IBM (Watson) gana a dos

    campeones de ‘Jeopardy‘, Rutter, Jennings. https://methodshop.com/watson-jeopardy/ https://osxdaily.com/2011/10/21/apple-iphone-4s-ad-featuring-siri-assistant/ ▶ Apple (Siri, 2011), ▶ Google (Now, 2012), Microsoft (Cortana, 2014).
  20. Cronolog´ ıa (VIII) ▶ 2015 Google DeepMind’s AlphaGo vence tres

    veces al campe´ on europeo de Go, Fan Hui (5-0). https://kulturegeek.fr/news-76866/ premiere-intelligence-artificielle-bat-champion-europeen-jeu-go https://www.lefigaro.fr/secteur/high-tech/2017/05/29/ 32001-20170529ARTFIG00118-apres-sa-serie-de-victoires-sur-l-homme-google-met-son-intelligence-art php ▶ En 2016 vence al campe´ on del mundo, Ke Jie.
  21. Cronolog´ ıa (VIII) ▶ 2018. El procesador de lenguaje de

    Alibaba supera a los humanos en una prueba de lectura y comprensi´ on en la Universidad de Stanford. ▶ 2020. OpenAI GPT-3. Deep Learning para generar diversos textos de manera indistinguible de los generados por humanos. ▶ 2021. OpenAI Dall-e. Creaci´ on de im´ agenes a partir de descripciones textuales. Hay otros (Stable Difussion en 2022).
  22. Machine Learning Machine learning (ML) is the study of computer

    algo- rithms that improve automatically through experience and by the use of data. It is seen as a part of artificial intelli- gence. Machine learning algorithms build a model based on sample data, known as “training data”, in order to make predictions or decisions without being explicitly program- med to do so. https://en.wikipedia.org/wiki/Machine_learning ▶ Entrenamiento. ▶ Explotaci´ on
  23. Machine Learning ▶ Acceso a datos, utilizaci´ on para ‘aprender’.

    ▶ Entrenamiento. ▶ Prueba con datos nuevos. ▶ Observaci´ on de las predicciones. ▶ Ajuste (si no funciona bien). ▶ Tambi´ en aprendizaje continuo.
  24. Machine Learning ▶ Aprendizaje Supervisado. Categor´ ıas conocidas. El sistema

    se entrena dando ejemplos y contraejemplos (p. ej.: fotos que tienen gatos y fotos que no los tienen). ▶ Aprendizaje No Supervisado. Categor´ ıas no conocidas. El algoritmo los agrupa creando sus propios grupos. ▶ Aprendizaje Reforzado. Se proporciona informaci´ on al algoritmo indicando si el resultado es correcto o no. La usa para mejorar predicciones futuras. Muy importante: ¡Estad´ ıstica! ¡Medidas!
  25. Deep Learning Deep learning is a class of machine learning

    algorithms that uses multiple layers to progressively extract higher- level features from the raw input. For example, in image processing, lower layers may identify edges, while higher layers may identify the concepts relevant to a human such as digits or letters or faces. https://en.wikipedia.org/wiki/Deep_learning
  26. Redes neuronales Nodos conectados imitando las conexiones de un cerebro

    biol´ ogico. Cada conexi´ on puede transmitir una se˜ nal a otras neuronas. Una neurona artificial recibe se˜ nales, las procesa (funciones no lineales) y retransmite a otras neuronas conectadas. Los ejes (conexiones) tienen un peso, que se ajusta con el aprendizaje. https://www.allerin.com/blog/3-types-of-neural-networks-that-ai-uses
  27. Entrenamiento. Patrones oscuros (Dark Patterns) https://www.google.com/recaptcha/about/ ‘Qu´ e son los

    dark patterns’ https://www.torresburriel.com/weblog/2021/03/30/ que-son-los-dark-patterns/
  28. ¿Entrenamiento? Redes Generativas Antag´ onicas – Generative Adversarial Network (GAN)

    2014 https://es.wikipedia.org/wiki/Red_generativa_antag%C3%B3nica https://www.spindox.it/en/blog/generative-adversarial-neural-networks/
  29. No todo est´ a perdido: entrenar a las IA ‘How

    to Beat Social Media Algorithms (and Why You Should Try)‘ https://lifehacker.com/how-to-beat-social-media-algorithms-and-why-you-should-1848355505
  30. Reiniciar “ TikTok Will Now Enable You to Start Over

    in the App by Refreshing Your Algorithmic Recommendations” https://www.socialmediatoday.com/news/ TikTok-Will-Enable-You-to-Refresh-Your-Algorithmic-Recommendations/645260/
  31. LLM. Large Language Models Redes neuronales profundas (‘deep neural networks’)

    con miles de millones de par´ ametros entrenables (‘billions’) entrenadas con conjuntos masivos de textos sin etiquetar con el objetivo de procesar, comprender y generar lenguaje natural. Un modelo de lenguaje es una distribuci´ on de probabilidad sobre secuencias de palabras. Dada una secuencia de cierta longitud un modelo de lenguaje le asigna una probabilidad. Se entrena con un grupo de textos y deben resolver el problema de asignar probabilidades positivas a secuencias v´ alidas que no est´ an en los textos de entrenamiento. Palabras clave: inteligencias artificiales generativas, calculadora de palabras1 1Think of language models like ChatGPT as a “calculator for words” https://simonwillison.net/2023/Apr/2/calculator-for-words/
  32. Usos ▶ Res´ umenes. ▶ Responder a preguntas. ▶ Extracci´

    on de hechos. ▶ Reescritura (agresivo, profesional, atrevido, ir´ onico, ...) ▶ Sugerencia de t´ ıtulos ▶ Tesauro ▶ Diversi´ on, creatividad... (¿c´ omo dir´ ıa esto un pirata del siglo XVII? Escr´ ıbelo en verso, il´ ustralo con una an´ ecdota que incluya ...)
  33. ¿Afectar´ a a mi futuro laboral? “In the foreseeable future,

    we predict that today’s ge- neration of radiologists will be replaced not by ML algo- rithms, but by a new breed of data science-savvy radio- logists who have embraced and harnessed the incredible potential that machine lear- ning has to advance our abi- lity to care for our patients. In this way, radiology will re- main a viable medical spe- cialty for years to come.” https://pubmed.ncbi.nlm.nih.gov/30325645/
  34. Palabra clave: prompt engineer Pablo Picasso “Los ordenadores son in´

    utiles. S´ olo pueden darnos respuestas·” https://es.wikipedia.org/wiki/Pablo_Picasso
  35. Conclusiones ▶ La Inteligencia Artificial ha evolucionado gracias al enfoque

    a datos. ▶ Si queremos buenas recomendaciones, necesitan buenos datos. ▶ Conocer y comprender para sacar partido. ▶ ¿Estamos dispuestos a que una m´ aquina tome decisiones que nos afectan? ▶ ¿Nos podemos permitir quedarnos fuera por miedo?