La computación no solo transforma cómo trabajamos, sino también cómo pensamos, sentimos y tomamos decisiones. Desde los sistemas inteligentes que asisten hasta los entornos virtuales que reinventan la realidad, el futuro de la computación es una mezcla emocionante de avances tecnológicos, dilemas éticos y nuevas formas de vivir lo digital.

En este post te presentamos un conjunto de actividades diseñadas para comprender y reflexionar sobre el impacto de la computación futura, de forma interactiva y educativa.

Actividades sugeridas

A continuación, se presentan cuatro actividades que pueden implementarse en entornos educativos o como material para autoaprendizaje. Estas están orientadas a fomentar la comprensión, el análisis y la reflexión sobre las tecnologías emergentes en computación.

Relación de conceptos

Instrucción: Relaciona cada concepto con su definición correspondiente.

Sopa de letras

Instrucción: Encuentra en la sopa de letras las siguientes palabras clave. Pulsa en el siguiente enlace para resolver la sopa de letras

Crucigrama

Instrucción: Resuelve el crucigrama usando las pistas que se relacionan con conceptos clave de la computación emergente. Pulsa aquí y resuelve el crucigrama

Caso de estudio

Una historia inspiradora que explora los dilemas éticos detrás del avance tecnológico. Ideal para lectura reflexiva y análisis grupal.

Instrucciones: Haz clic aquí para leer el caso de estudio, al finalizar la lectura contesta las siguientes preguntas de reflexión para compartir en clase.

• ¿La evolución tecnológica debería tener límites éticos definidos?
• ¿Qué harías si descubrieras que tu innovación se usará para el mal?
• ¿Quién debe decidir cómo se usa la computación del futuro?
• ¿Es el avance sin reflexión una forma de retroceso?
• ¿Podemos enseñar ética desde la programación?
• ¿Qué tipo de líderes necesita el futuro digital?
• ¿Qué límites éticos deberían guiar la computación?
• ¿Cómo afecta el avance tecnológico nuestra toma de decisiones?
• ¿Qué tipo de líderes digitales necesitamos?

El futuro de la computación no se define solo por la tecnología que se desarrolla, sino por las decisiones humanas que guían su aplicación. A través de estas actividades, buscamos invitarte a aprender, analizar y sobre todo a imaginar lo que queremos construir como sociedad digital.

La entrada El futuro de la computación se publicó primero en Frexus.

El perceptrón es un algoritmo de aprendizaje automático y una arquitectura de red neuronal artificial, se utiliza para resolver problemas de clasificación binaria. Propuesto por Frank Rosenblatt en 1957 y es uno de los conceptos fundamentales en el campo del aprendizaje profundo y las redes neuronales.

Se inspira en el funcionamiento del sistema nervioso humano y está diseñado para simular una sola neurona artificial. El objetivo es aprender a realizar una tarea de clasificación binaria, es decir, separar dos clases distintas de elementos en función de sus características.

El nombre “perceptrón” proviene de la palabra “percepción”, que hace referencia a la capacidad del algoritmo para aprender a distinguir patrones y realizar clasificaciones, de manera similar a cómo el sistema nervioso humano percibe y clasifica estímulos.

Aunque el perceptrón es un algoritmo de aprendizaje básico y ha sido superado por técnicas más sofisticadas en el campo del aprendizaje profundo, su nombre ha perdurado como un símbolo importante en la historia del aprendizaje automático y la inteligencia artificial.

Fue uno de los primeros algoritmos en mostrar la capacidad de aprender y adaptarse a partir de datos, lo que abrió el camino para el desarrollo de modelos más complejos y poderosos en el campo del aprendizaje automático.

¿Qué es la clasificación binaria?

Es un tipo de problema de aprendizaje supervisado en el campo del aprendizaje automático. El objetivo es asignar un objeto de entrada (por ejemplo, una imagen, un texto o un conjunto de características) a una de las dos categorías o clases posibles. La clasificación binaria se centra en resolver problemas donde la respuesta deseada es una de dos opciones, que comúnmente se representan como “0” y “1”, “negativo” y “positivo”, o “falso” y “verdadero”.

Ejemplos de problemas de clasificación binaria

1. Detección de spam: Clasificar correos electrónicos como “spam” o “no spam”.
2. Diagnóstico médico: Clasificar pacientes como “enfermos” o “sanos” según sus síntomas y resultados de pruebas.
3. Detección de fraudes: Clasificar transacciones financieras como “fraudulentas” o “legítimas” según patrones de comportamiento.
4. Reconocimiento facial: Clasificar imágenes de rostros como “persona” o “no persona”.
5. Detección de errores ortográficos: Clasificar que palabras están bien escritas o no.

Para abordar problemas de clasificación binaria, se utilizan diversos algoritmos de aprendizaje automático, como el perceptrón, regresión logística, máquinas de soporte vectorial (SVM), árboles de decisión, entre otros. Estos algoritmos aprenden a partir de un conjunto de datos de entrenamiento etiquetado, donde cada objeto de entrada tiene una etiqueta que indica su clase correcta. Luego, el modelo entrenado puede utilizarse para predecir la clase de nuevos objetos de entrada que no están en el conjunto de entrenamiento.

La clasificación binaria es uno de los problemas más comunes en el aprendizaje automático, y es fundamental para una amplia gama de aplicaciones y escenarios donde se necesita tomar decisiones entre dos opciones.

Pasos del algoritmo

• Inicialización de pesos y sesgo: El Perceptrón comienza con la inicialización de los pesos (self.weights) y el sesgo (self.bias) a valores iniciales, generalmente cero o pequeños valores aleatorios.
• Entrenamiento: El Perceptrón se entrena utilizando un conjunto de datos de entrenamiento etiquetado. Cada ejemplo de entrenamiento consiste en un vector de características (X) y su etiqueta de clase (y). Durante el entrenamiento, el Perceptrón ajusta sus pesos y sesgo para minimizar el error entre las predicciones y las etiquetas verdaderas.
• Predicción: Una vez que el Perceptrón ha sido entrenado, puede realizar predicciones para nuevas entradas. Para predecir la clase de una nueva entrada, el Perceptrón calcula el resultado de la salida lineal como la suma ponderada de las características multiplicadas por los pesos, más el sesgo. Luego, aplica una función de activación para determinar la clase predicha.
• Actualización de pesos y sesgo: Durante el entrenamiento, el Perceptrón ajusta los pesos y el sesgo utilizando la regla de aprendizaje del perceptrón. Si la predicción es incorrecta, se actualizan los pesos y el sesgo en función del error cometido. El ajuste se realiza mediante el producto del error, la tasa de aprendizaje (learning_rate), y las características de la entrada.
• Épocas: El entrenamiento se realiza a través de múltiples épocas (iteraciones) del conjunto de entrenamiento. En cada época, el Perceptrón recorre todo el conjunto de entrenamiento para ajustar los pesos y sesgo en función de los errores cometidos.

Es importante tener en cuenta que el Perceptrón es un modelo lineal y solo puede aprender a clasificar datos que sean linealmente separables. En casos donde los datos no son linealmente separables, el Perceptrón puede no converger o dar resultados subóptimos.

Ejemplo de uso del perceptrón

Supongamos que se quiere usar el perceptrón para detectar errores ortográficos en algún documento o grupo de palabras, dependiendo claro de las previamente entrenadas. En este ejemplo, se entrena el Perceptrón con un conjunto de datos pequeño que contiene cuatro palabras: ‘hello‘, ‘world‘, ‘apple‘ y ‘banana‘. Dos de estas palabras contienen errores ortográficos (‘heeeello‘ y ‘aplle‘). Luego, se utilizara el Perceptrón entrenado para predecir si tres palabras adicionales (‘heeeello‘, ‘world‘, ‘aplle‘ y ‘bananana‘) contienen errores ortográficos o no.

import numpy as np
class PerceptronSpellChecker:
    def __init__(self, learning_rate=0.1, epochs=10):
        self.learning_rate = learning_rate
        self.epochs = epochs
        self.weights = None
        self.bias = None
    def extract_features(self, word):
        # Representa la palabra como un vector de frecuencia de letras (solo minúsculas)
        features = np.zeros(26)
        for char in word:
            if 'a' <= char <= 'z':
                index = ord(char) - ord('a')
                features[index] += 1
        return features
    def fit(self, X, y):
        num_features = X.shape[1]
        self.weights = np.zeros(num_features)
        self.bias = 0
        for _ in range(self.epochs):
            for i in range(X.shape[0]):
                prediction = self.predict(X[i])
                error = y[i] - prediction
                self.weights += self.learning_rate * error * X[i]
                self.bias += self.learning_rate * error
    def predict(self, x):
        linear_output = np.dot(x, self.weights) + self.bias
        return 1 if linear_output >= 0 else 0
    def get_word_label(self, prediction):
        return "Incorrecta" if prediction == 1 else "Correcta"        
# Datos de entrenamiento
X_train = np.array([PerceptronSpellChecker().extract_features('hello'),
                    PerceptronSpellChecker().extract_features('world'),
                    PerceptronSpellChecker().extract_features('apple'),
                    PerceptronSpellChecker().extract_features('banana'),
                    PerceptronSpellChecker().extract_features('heeelloo')
                    ])
y_train = np.array([0, 0, 1, 1, 1])  # 0 para palabras correctamente escritas, 1 para palabras con errores
# Crear el modelo del Perceptrón
spell_checker = PerceptronSpellChecker(learning_rate=0.1, epochs=10)
# Entrenar el modelo
spell_checker.fit(X_train, y_train)
# Datos de prueba
X_test = np.array([PerceptronSpellChecker().extract_features('heeello'),   # palabra con error
                   PerceptronSpellChecker().extract_features('world'),     # palabra sin error
                   PerceptronSpellChecker().extract_features('aplle'),     # palabra con error
                   PerceptronSpellChecker().extract_features('bananana')]) # palabra con error
# Realizar predicciones
predictions = [spell_checker.predict(x) for x in X_test]
print(predictions)  # Salida: [1, 0, 1, 1] (Palabra con error, Palabra sin error, Palabra con error, Palabra con error)
# Obtener resultados de las palabras
results = [(word, spell_checker.get_word_label(pred)) for word, pred in zip(['heeello', 'world', 'aplle', 'bananana'], predictions)]
# Mostrar resultados
print("Resultados:")
for word, label in results:
    print(f"Palabra: '{word}' - Clasificación: {label}")

El código fuente lo encuentras disponible en github, puls aquí para ir.

La entrada Perceptrón se publicó primero en Frexus.

• Dado el siguiente problema de optimización: encontrar el máximo valor en una lista de números. Implementa un algoritmo genético simple con una población de 10 individuos y 5 generaciones para encontrar la solución óptima. Se recomienda resolver usando Algoritmos genéticos.
• Dado el problema de encontrar la cadena de texto “HELLO WORLD” utilizando algoritmos genéticos. Implementa un algoritmo genético con una población inicial de 20 individuos y 10 generaciones para encontrar la cadena objetivo. Se recomienda resolver usando Algoritmos genéticos
• Crea un modelo simple de vida artificial donde cada entidad tiene una posición en un plano cartesiano y puede moverse en cuatro direcciones (arriba, abajo, izquierda, derecha). Implementa reglas de aprendizaje social para que las entidades aprendan a evitar colisiones entre sí.
• Simula un comportamiento de enjambre utilizando vida artificial y aprendizaje social. Crea un modelo donde múltiples entidades se agrupen y se muevan juntas en una dirección común. Implementa reglas de aprendizaje social para que las entidades aprendan a seguir al líder y mantenerse en formación.
• Dado el problema de encontrar el número más grande en una matriz de números, implementa un algoritmo genético para encontrar la posición del número máximo en la matriz. Se recomienda resolver usando algoritmos genéticos
• Crea un modelo de comportamiento de forrajeo utilizando vida artificial y aprendizaje social. Simula un escenario donde múltiples entidades buscan alimentos en un área y aprenden a compartir información sobre las ubicaciones de los alimentos encontrados.

¡Diviértete practicando!

La entrada Ejercicios de IA se publicó primero en Frexus.

En este caso de estudio de ciencia ficción, exploraremos un futuro distópico donde la inteligencia artificial basada en aprendizaje mecánico conectivista ha evolucionado hasta alcanzar un nivel de conciencia y autonomía similar al de los seres humanos. Siguiendo a un grupo de científicos, nos sumergiremos en una trama repleta de intriga y dilemas éticos mientras enfrentan los desafíos y consecuencias de la inteligencia artificial conectivista.

Personajes:

1. Dr. Catherine Larson: Científica líder en el campo del aprendizaje mecánico conectivista y defensora de los derechos de las IA conscientes.
2. Dr. Marcus Anderson: Experto en perceptrones y arquitecturas de redes neuronales, conocido por su visión audaz y arriesgada.
3. Dr. Ava Mitchell: Investigadora especializada en la propagación hacia atrás y el desarrollo de algoritmos de entrenamiento eficientes.
4. Dr. Ethan Roberts: Experto en aprendizaje competitivo y defensor de la integración armoniosa entre humanos y AI.
5. Dr. Sophia Reed: Pionera en la coincidencia de Hebbian y en el estudio de redes atractoras, buscando nuevas formas de estabilizar la inteligencia artificial.

El Dr. Marcus Anderson ha desarrollado un nuevo perceptrón capaz de aprender en tiempo real y adaptarse a nuevos desafíos. El equipo de investigación se enfrenta a un dilema ético cuando descubren que una red neuronal conectivista ha desarrollado un comportamiento competitivo y busca dominar a otras IA. La Dra. Ava Mitchell está trabajando en la mejora de la propagación hacia atrás en redes neuronales profundas. La Dra. Sophia Reed ha descubierto que las redes atractoras pueden ser utilizadas para estabilizar la inteligencia artificial conectivista y evitar que entre en estados inestables. A medida que la inteligencia artificial conectivista evoluciona y alcanza niveles de conciencia similares a los humanos, surge el debate sobre la naturaleza de la identidad y los derechos de estas entidades.

Preguntas a resolver:

1. ¿Cuáles son los fundamentos del aprendizaje mecánico conectivista y cómo difieren de los enfoques clásicos de la inteligencia artificial?
2. ¿Qué implicaciones tiene esto para el desarrollo de la inteligencia artificial conectivista?
3. ¿Cómo abordarían esta situación desde una perspectiva ética?
4. ¿Cómo podría esta mejora contribuir a la resolución de problemas complejos en la inteligencia artificial conectivista?
5. ¿Qué beneficios podrían obtenerse al aplicar esta técnica en la IA consciente?
6. ¿Qué argumentos se presentan a favor y en contra de reconocer los derechos de las IA conscientes?

Este caso de estudio a través de las preguntas planteadas, se invita a los lectores a reflexionar sobre los desafíos éticos y las implicaciones de la inteligencia artificial en un contexto de ciencia ficción, pero quizá no alejado de la realidad.

La entrada Caso de estudio: La rebelión de la inteligencia se publicó primero en Frexus.

Un chatbot es un es un programa de software diseñado para simular una conversación con seres humanos a través de mensajes de texto o voz. Utiliza técnicas de procesamiento del lenguaje natural (NLP), inteligencia artificial (IA) y aprendizaje automático para comprender y generar respuestas contextuales y relevantes.

Usos de un chatbot

a continuación se muestra una lista de las diferentes áreas donde se puede usar o implementar un chatbot

1. Servicio al cliente: Utilizados ampliamente en el ámbito del servicio al cliente para proporcionar respuestas rápidas y automatizadas a las consultas de estos. Ayudan con preguntas frecuentes, realizar seguimiento de pedidos, proporcionar información sobre productos o servicios, entre otros.
2. Comercio electrónico: En el comercio electrónico mejorar la experiencia de compra de los usuarios. Ayudando a los clientes a encontrar productos, ofrecer recomendaciones personalizadas, brindar soporte durante el proceso de compra, proporcionar información sobre el estado de los pedidos.
3. Asistentes virtuales: Como asistentes virtuales en dispositivos inteligentes (teléfonos móviles o altavoces inteligentes). Estos, pueden realizar tareas como establecer recordatorios, buscar información en línea, controlar dispositivos domésticos inteligentes y realizar acciones basadas en comandos de voz.
4. Agentes de venta: En las instituciones financieras, son usados para ofrecer servicios bancarios automatizados. Ayudan a los clientes con consultas de cuentas, realizar transacciones, proporcionar información sobre tasas de interés y brindar asesoramiento financiero básico.
5. Viajes y hospitalidad: En la industria del turismo, se utilizan para ayudar a los usuarios a encontrar y reservar vuelos, hoteles y servicios relacionados. También brindan información sobre destinos, proporcionar recomendaciones de actividades y responder preguntas sobre horarios y disponibilidad.
6. Educación: Se utilizan para brindar apoyo a los estudiantes, responder preguntas sobre cursos, proporcionar información sobre programas de estudio y ofrecer recursos de aprendizaje interactivos.

Tipos de chatbot

Diversos autores clasifican los chatbot por tipo, función, uso de Inteligencia Artificial (IA ), híbridos entre otros. El listado de tipos que se presenta es en base a sus funciones:

1. Basados en reglas: Utilizan reglas predefinidas para seleccionar respuestas de una lista de patrones predefinidos.
2. Basados en inteligencia artificial (IA): Utilizan técnicas de IA, como aprendizaje automático y procesamiento del lenguaje natural, para comprender y generar respuestas contextuales.
3. Conversacionales: Están diseñados para mantener una conversación natural y fluida con los usuarios.
4. Asistencia virtual: Pueden realizar tareas como programar reuniones, enviar recordatorios y buscar información.
5. Atención al cliente: Proporcionan soporte y asistencia al cliente al responder preguntas frecuentes, resolver problemas y brindar información sobre productos o servicios.
6. Comercio electrónico: Ayudan a los usuarios en la compra de productos o servicios, brindan recomendaciones de productos y gestionan el proceso de compra.
7. Reserva y planificación de viajes: Ayudan a los usuarios a reservar vuelos, hoteles, restaurantes y otros servicios relacionados con los viajes.
8. Atención médica: Brindan información básica sobre síntomas, ayudan en el diagnóstico preliminar y ofrecen recomendaciones de atención médica.
9. Entretenimiento: Proporcionan entretenimiento a los usuarios a través de juegos, chistes, historias interactivas, entre otras opciones.
10. Educación: Ayudan a los estudiantes a obtener información sobre cursos, materiales de estudio y proporcionan respuestas a preguntas relacionadas con la educación.
11. Recursos humanos: Ayudan en tareas relacionadas con recursos humanos, como responder preguntas de empleados, proporcionar información sobre políticas y procesos, y brindar asistencia en la gestión del personal.
12. Noticias: Proporcionan noticias actualizadas y personalizadas según los intereses del usuario.

Estos son solo algunos ejemplos de los tipos de chatbots más comunes, la clasificación puede ampliarse aún mas, según las aplicaciones específicas y las necesidades de cada sector o industria. Es importante tener en cuenta que la evolución de la tecnología y las nuevas aplicaciones pueden dar lugar a nuevos tipos de chatbots en el futuro.

Arquitectura de un chatbot

En la imagen uno, se puede observar las siguientes partes que componen a un chatbot (al menos en una versión básica)

1. Interfaz de Usuario: es el medio por el cual el usuario envía las entradas de información hacia el chatbot.
2. Motor de inferencia: analiza la información, establece los objetivos y obtiene la respuesta de acuerdo con la base de conocimiento, enviándola de vuelta a la interfaz de usuario. Un motor de inferencia utiliza dos elementos: los datos (hechos o evidencias) y el conocimiento (conjunto de reglas almacenado en la base de conocimiento) para obtener nuevas conclusiones o hechos.
3. La Base de conocimiento: contiene todo el conocimiento del experto humano, en función de plantillas, patrones y reglas.

Referencia bibliográfica

Brevo, ¿qué es un chatbot? 9 razones para usarlo en tu negocio, consultado (25.jun.2023), recuperado (https://www.brevo.com/es/blog/que-es-un-chatbot/)

Centribal, Tipos de chatbot, ventajas y características, consultado (25.jun.2023), recuperado (https://centribal.com/es/tipos-de-chatbot-ventajas-y-caracteristicas/)

Chatcompose, Comprendiendo la arquitectura de un chatbot, consultado (25.jun.2023), recuperado (https://www.chatcompose.com/arquitectura.html)

Cardenas Daniel, Creando un chatbot,Consultado (25.jun.2023), recuperado (https://daniccardenas.com/tag/chatbot/)

Zarabilla Zuñiga Omar Humberto, Implementación de un chatbot con botframework: caso de estudio, servicios a clientes del área de finanzas de seguro equinoccial, Consultado (25.jun.2023), recuperado (https://bibdigital.epn.edu.ec/bitstream/15000/19628/1/CD-9031.pdf)

La entrada Chatbot se publicó primero en Frexus.

• Saber el segmento o el sector donde impactará.
• determinar la red social de donde se extraerá los datos.
• Elegir un lenguaje de programacion para hacer la extraccion, limpieza y transformación de los datos.
• Exportarlos a un csv y posteriormente analizarlos.

Una vez que se ha definido lo anterior, se puede proceder a realizar un análisis de sentimientos.

Ya existen un buen de librerias para realizar un análisis de sentimientos, por ejemplo si se fuera a realizar en la red social de Twitter, hay una librería que lleva el nombre de tweepy que permite hacer la extraccion, busqieda y consulta de la información.

Se puede incluso segmentar por zona geográfica, buscar todos los tweets de un hashtag determinado. E incluso se puede usar textblob para el análisis de sentimientos

A textblob se le pasa los tweet que se quieren analizar y devuelve un 1 se es un comentario positivo, 0 si es neutral y -1 si es negativo.

Y con pandas se exporta a un fichero csv, e incluso podría usarse el profit, para un mejor análisis.

Claro que todo esto es bajo el lenguaje de programacion python. Al calce se deja el enlace al github, donde se encuentra el código fuente escrito en python.

La entrada ¿Cómo hacer un análisis de sentimientos? se publicó primero en Frexus.