Datos, Análisis y Toma de Decisiones · 1er Semestre

Introducción a la Inteligencia Artificial y Machine Learning

Los estudiantes exploran conceptos básicos sobre cómo las máquinas aprenden de los datos para realizar predicciones y tomar decisiones.

Acerca de este tema

La introducción a la Inteligencia Artificial (IA) y el Machine Learning (ML) guía a los estudiantes de 8° básico en los conceptos básicos de cómo las máquinas aprenden de datos para predecir y decidir. Analizan la diferencia entre el aprendizaje humano, que involucra razonamiento y emociones, y el de las máquinas, que se basa en patrones estadísticos de grandes conjuntos de datos. Examinan cómo la calidad de los datos de entrenamiento afecta la precisión de la IA, alineándose con la unidad de Datos, Análisis y Toma de Decisiones del currículo MINEDUC.

Este tema cumple con los estándares OA TEC 8°B sobre Tecnologías Emergentes e IA, fomentando el pensamiento crítico al identificar sesgos en datos y evaluar el impacto de la automatización en el mercado laboral chileno. Los estudiantes responden preguntas clave como el rol de los datos limpios y las implicancias éticas, desarrollando competencias digitales esenciales para su futuro.

El aprendizaje activo beneficia este tema porque hace tangibles ideas abstractas mediante experimentos prácticos. Al entrenar modelos simples con datos locales o simular sesgos, los alumnos visualizan procesos de ML, discuten limitaciones reales y conectan teoría con aplicaciones cotidianas, lo que aumenta la retención y el entusiasmo por la tecnología.

Objetivos de Aprendizaje

• Comparar el aprendizaje humano con el aprendizaje automático, identificando las diferencias en el procesamiento de información y la toma de decisiones.
• Analizar cómo la calidad y el tamaño de los conjuntos de datos de entrenamiento impactan la precisión y el sesgo de un modelo de IA.
• Explicar el concepto de 'entrenamiento' en Machine Learning utilizando ejemplos concretos de predicción o clasificación.
• Evaluar el impacto potencial de la automatización impulsada por IA en profesiones específicas del mercado laboral chileno.

Antes de Empezar

Conceptos Básicos de Datos y Tablas

Por qué: Los estudiantes necesitan comprender cómo se organizan y presentan los datos para entender cómo se utilizan en el Machine Learning.

Introducción a la Programación (conceptos básicos)

Por qué: Tener una noción de instrucciones paso a paso (algoritmos) facilita la comprensión de cómo funcionan los modelos de ML.

Vocabulario Clave

Inteligencia Artificial (IA)	Campo de la informática enfocado en crear sistemas capaces de realizar tareas que normalmente requieren inteligencia humana, como el aprendizaje, la resolución de problemas y la toma de decisiones.
Machine Learning (ML)	Una subdisciplina de la IA que permite a los sistemas aprender de los datos sin ser programados explícitamente. Identifica patrones para hacer predicciones o tomar decisiones.
Conjunto de datos de entrenamiento	La colección de información organizada que se utiliza para enseñar a un modelo de Machine Learning a reconocer patrones y realizar predicciones.
Algoritmo	Un conjunto de reglas o instrucciones paso a paso que una computadora sigue para realizar una tarea o resolver un problema, como aprender de los datos.
Sesgo (en IA)	Una tendencia sistemática en los resultados de un modelo de IA que puede deberse a datos de entrenamiento incompletos, inexactos o que reflejan prejuicios sociales.

Ideas de aprendizaje activo

Simulación en Parejas: Entrenamiento Básico de ML

Los estudiantes usan una herramienta en línea gratuita como Teachable Machine para recolectar datos de gestos con la cámara. Entrenan un modelo clasificador y prueban su precisión con datos nuevos. Discuten en parejas cómo mejorar los datos para reducir errores.

⏱ 30 min·Parejas

Generar misión

Estaciones Rotativas: Componentes de IA

Prepara cuatro estaciones: datos (clasificar imágenes), entrenamiento (simular con tarjetas), predicción (juego de adivinanza) y decisión (evaluar sesgos). Los grupos rotan cada 10 minutos, registrando observaciones en una hoja compartida.

⏱ 45 min·Grupos pequeños

Generar misión

Debate Grupal: Impacto Laboral de IA

Divide la clase en equipos para investigar profesiones afectadas por automatización. Cada equipo presenta argumentos a favor y en contra, usando ejemplos chilenos como minería. Vota la clase y concluye con reflexiones éticas.

⏱ 40 min·Grupos pequeños

Generar misión

Individual: Mapa Conceptual de ML

Cada estudiante crea un mapa conectando datos, entrenamiento, predicción y sesgos. Incluye ejemplos personales. Comparte con un compañero para retroalimentación mutua y ajustes.

⏱ 20 min·Individual

Generar misión

Conexiones con el Mundo Real

Los sistemas de recomendación en plataformas de streaming como Netflix o Spotify utilizan Machine Learning para analizar tus hábitos de visualización o escucha y sugerirte contenido similar. Esto ayuda a las empresas a mantener a los usuarios enganchados y a los creadores a llegar a audiencias relevantes.

En Chile, la banca y las aseguradoras emplean IA para detectar transacciones fraudulentas en tiempo real, analizando patrones de comportamiento de los clientes. Esto protege tanto a las instituciones financieras como a los usuarios de posibles estafas.

Los vehículos autónomos, en desarrollo y prueba en diversas partes del mundo, dependen de algoritmos de ML para interpretar su entorno a través de sensores y tomar decisiones de conducción seguras, como frenar o girar.

Cuidado con estas ideas erróneas

Idea errónea común

La IA aprende como los humanos, con comprensión real.

Qué enseñar en su lugar

Las máquinas identifican patrones estadísticos en datos, no conceptos abstractos. Actividades de simulación en parejas ayudan a los estudiantes comparar procesos y ver limitaciones, corrigiendo ideas antropomórficas mediante evidencia práctica.

Idea errónea común

Más datos siempre mejoran la IA, sin importar su calidad.

Qué enseñar en su lugar

Datos sesgados o incompletos generan predicciones erróneas. Estaciones rotativas permiten experimentar con datos 'malos' versus 'buenos', donde la discusión grupal revela cómo la calidad prima sobre la cantidad.

Idea errónea común

La IA toma decisiones perfectas e imparciales.

Qué enseñar en su lugar

Depende de datos humanos, propagando sesgos. Debates grupales sobre impactos laborales activan el análisis crítico, ayudando a estudiantes a cuestionar y proponer soluciones éticas.

Ideas de Evaluación

Boleto de Salida

Entrega a cada estudiante una tarjeta con una pregunta: 'Describe un ejemplo de cómo una máquina aprende de los datos y qué podría pasar si los datos de entrenamiento son de mala calidad.' Pide que respondan en 2-3 frases.

Pregunta para Discusión

Plantea la siguiente pregunta al grupo: 'Si una IA se entrena solo con datos de ciudades grandes, ¿cómo podría afectar esto sus decisiones al operar en una zona rural de Chile?'. Guía la discusión hacia conceptos como sesgo y generalización.

Verificación Rápida

Presenta dos escenarios breves: uno donde una IA toma una decisión basada en datos completos y otro donde la decisión se basa en datos limitados. Pide a los estudiantes que levanten la mano (o usen un emoji) si creen que la IA del segundo escenario es más confiable, y explica por qué.

Preguntas frecuentes

¿En qué se diferencia el aprendizaje de una máquina del humano?

El aprendizaje humano usa razonamiento, emociones y contexto general, mientras que el de máquinas procesa patrones en datos masivos sin comprensión real. En clase, simulaciones muestran que ML falla sin datos adecuados, a diferencia de niños que generalizan con pocos ejemplos. Esto prepara a estudiantes para ética en IA.

¿Cómo el aprendizaje activo ayuda a entender IA y ML?

Actividades prácticas como entrenar modelos simples convierten conceptos abstractos en experiencias concretas. Estudiantes recolectan datos reales, ven sesgos en acción y discuten impactos, lo que fortalece retención y pensamiento crítico. En 8° básico, esto genera engagement al conectar IA con vida diaria chilena, como apps predictivas.

¿Cómo afecta la calidad de datos a decisiones de IA?

Datos limpios y diversos mejoran precisión; sesgados generan errores sistemáticos. Experimentos con Teachable Machine demuestran que datos incompletos fallan en predicciones. Enseña a estudiantes evaluar fuentes, clave para toma de decisiones informada en tecnología.

¿Qué impacto tiene automatización de IA en mercado laboral chileno?

Automatiza tareas repetitivas en minería o retail, creando empleos en programación pero desplazando otros. Discusiones grupales exploran reconversión laboral, alineado con estándares MINEDUC. Prepara alumnos para futuro equilibrado entre innovación y equidad social.