FUNDAMENTOS_INTELIGENCIA_ARTIFICIAL_Sesion1_EPC

Transcript

1. preencoded.png Inteligencia Artificial y Machine Learning: Fundamentos y Desafíos La inteligencia artificial representa uno de los avances tecnológicos más disruptivos de nuestra era. Su evolución ha generado tanto oportunidades como controversias. Abraham Zamudio
2. preencoded.png Qué es la Inteligencia Artificial (IA) Definición Tecnología que simula procesos de inteligencia humana mediante sistemas computacionales. Objetivo Crear máquinas capaces de ejecutar tareas que requieren inteligencia humana. Aplicaciones Reconocimiento de voz, diagnóstico médico, vehículos autónomos y asistentes virtuales.
3. preencoded.png Antecedentes y Orígenes de la IA Antigüedad Mitos sobre seres artificiales y autómatas mecánicos en diversas culturas. 1940-1950 Fundamentos matemáticos con Wiener y von Neumann como pioneros teóricos. 1956 Conferencia de Dartmouth: nacimiento formal del campo de la IA.
4. preencoded.png Historia: Avances y Retrocesos en la IA Primeros Éxitos Gran financiamiento y expectativas de inteligencia sobrehumana en los años 60. 1 Invierno de la IA Crisis y recortes en los 70-80 por resultados limitados. 2 Renacimiento Avances en potencia de cómputo y disponibilidad de datos masivos. 3 Era Actual Explosión de aplicaciones prácticas y éxito comercial. 4
5. preencoded.png Controversias y Debate Actual Dilemas Éticos Preocupaciones sobre sesgos algorítmicos y toma de decisiones automatizada. Impacto Laboral Temor a la automatización masiva de empleos tradicionales. Privacidad Riesgos de vigilancia y manipulación social a gran escala. Regulación Debate sobre marcos normativos adecuados para la tecnología.
6. preencoded.png ¿Qué es el Machine Learning? Aprendizaje Mejora automática mediante experiencia Datos Entrenamiento con ejemplos masivos Algoritmos Métodos matemáticos para identificar patrones El Machine Learning es una rama de la IA que permite a las máquinas aprender de la experiencia sin programación explícita.
7. preencoded.png Conceptos Básicos de Machine Learning Aprendizaje Supervisado El algoritmo aprende de datos etiquetados con respuestas correctas. Ejemplo: clasificación de correos como spam. Aprendizaje No Supervisado Descubre patrones ocultos en datos sin etiquetar. Ejemplo: segmentación de clientes. Aprendizaje por Refuerzo Aprende mediante prueba y error con sistema de recompensas. Ejemplo: robots que aprenden a caminar.
8. preencoded.png Síntesis y Perspectivas Futuras Transformación Industrial La IA y ML continuarán revolucionando todos los sectores económicos. El impacto será comparable a la revolución industrial. Desafíos Pendientes Debemos resolver problemas de transparencia, sesgo algorítmico y gobernanza responsable. La tecnología debe servir al bien común. Futuro Compartido El desarrollo exitoso dependerá de la colaboración entre técnicos, gobiernos y ciudadanos. Necesitamos un enfoque multidisciplinario.