Inteligencia Artificial y Automatización · 2do Semestre

Fundamentos del Machine Learning

Introducción a cómo las máquinas aprenden patrones a partir de datos sin ser programadas explícitamente.

Acerca de este tema

El sesgo algorítmico es uno de los desafíos éticos más urgentes de la tecnología actual. En este tema, los estudiantes de Segundo Medio analizan cómo los prejuicios humanos pueden filtrarse en los sistemas de IA, afectando la justicia social y la equidad. Bajo los estándares de Ética y Responsabilidad Digital del MINEDUC, los alumnos deben aprender a auditar críticamente las soluciones tecnológicas, reconociendo que un algoritmo aparentemente neutral puede discriminar por género, etnia o nivel socioeconómico.

En el contexto de Chile, discutir el sesgo algorítmico permite reflexionar sobre nuestras propias desigualdades sociales y cómo la tecnología podría amplificarlas si no se diseña con cuidado. Los estudiantes desarrollan empatía y responsabilidad al entender que, como futuros desarrolladores o usuarios, tienen un rol en la creación de sistemas más justos. Las metodologías activas, como los debates y el análisis de casos, son fundamentales para abordar estos temas sensibles con profundidad y respeto.

Objetivos de Aprendizaje

• Comparar los enfoques de aprendizaje supervisado y no supervisado identificando ejemplos de cada uno en problemas cotidianos.
• Explicar cómo la calidad y cantidad de los datos de entrenamiento impactan la precisión de un modelo de Machine Learning.
• Analizar las implicaciones éticas del uso de Machine Learning en la toma de decisiones automatizada, como en la contratación o el crédito.
• Identificar al menos tres tipos de algoritmos de Machine Learning y describir una tarea para la cual cada uno es adecuado.

Antes de Empezar

Conceptos Básicos de Programación y Algoritmos

Por qué: Los estudiantes necesitan una comprensión fundamental de qué es un algoritmo y cómo se estructura la lógica de programación para entender cómo las máquinas siguen instrucciones.

Manejo y Organización de Datos

Por qué: Es esencial que los estudiantes sepan cómo se presentan los datos (tablas, listas) y la importancia de la organización para poder comprender qué son los 'datasets' en Machine Learning.

Vocabulario Clave

Aprendizaje Supervisado	Tipo de Machine Learning donde el algoritmo aprende de un conjunto de datos etiquetado, es decir, con respuestas correctas predefinidas.
Aprendizaje No Supervisado	Tipo de Machine Learning donde el algoritmo busca patrones y estructuras en datos no etiquetados, sin respuestas predefinidas.
Conjunto de Datos (Dataset)	Una colección organizada de información, usualmente en formato tabular, que se utiliza para entrenar y evaluar modelos de Machine Learning.
Algoritmo	Un conjunto de reglas o instrucciones paso a paso que una computadora sigue para realizar una tarea o resolver un problema.
Predicción	El resultado o la estimación que un modelo de Machine Learning genera después de procesar nuevos datos, basándose en lo aprendido.

Ideas de aprendizaje activo

Debate Formal: ¿Quién tiene la culpa?

Se presenta un caso donde una IA de crédito bancario rechaza a personas de zonas rurales de Chile. Los estudiantes debaten si la responsabilidad es del programador, de los datos históricos o de la empresa, proponiendo soluciones para corregir el sesgo.

⏱ 45 min·Grupos pequeños

Generar misión

Círculo de Investigación: Auditoría de Imágenes

En equipos, los estudiantes usan buscadores de imágenes para términos como 'doctor', 'jefe' o 'limpieza'. Analizan si los resultados reflejan estereotipos y discuten cómo estos sesgos visuales en los datos de entrenamiento afectan a las futuras IAs.

⏱ 50 min·Grupos pequeños

Generar misión

Juego de Roles: El Comité de Ética

Los estudiantes asumen roles (ingeniero, sociólogo, ciudadano afectado, abogado) para evaluar el lanzamiento de una nueva IA de vigilancia. Deben decidir qué medidas de transparencia y equidad debe cumplir el sistema antes de ser aprobado.

⏱ 60 min·Grupos pequeños

Generar misión

Conexiones con el Mundo Real

Los sistemas de recomendación de plataformas como Netflix o Spotify utilizan aprendizaje supervisado para predecir qué películas o canciones te podrían gustar, basándose en tu historial y el de usuarios similares.

Los filtros de spam en tu correo electrónico emplean algoritmos de Machine Learning, a menudo no supervisados, para identificar patrones en correos no deseados y separarlos de los importantes.

En el sector salud, el Machine Learning se usa para analizar imágenes médicas y ayudar a los radiólogos a detectar anomalías, mejorando la precisión diagnóstica.

Cuidado con estas ideas erróneas

Idea errónea común

Los algoritmos son matemáticos, por lo tanto, son objetivos y justos.

Qué enseñar en su lugar

Las matemáticas se aplican sobre datos que reflejan la realidad social, la cual a menudo es injusta. A través del análisis de datos históricos, los estudiantes ven que la IA simplemente 'copia' y amplifica los prejuicios existentes si no se interviene activamente.

Idea errónea común

El sesgo algorítmico solo ocurre en otros países.

Qué enseñar en su lugar

Ocurre en cualquier lugar donde se usen datos históricos para predecir el futuro. Discutir ejemplos locales, como algoritmos de selección escolar o de salud, ayuda a los estudiantes a ver la relevancia directa en sus propias vidas.

Ideas de Evaluación

Boleto de Salida

Entregue a cada estudiante una tarjeta con una descripción breve de un problema (ej. clasificar correos como spam/no spam, agrupar clientes por comportamiento de compra). Pídales que indiquen si es un problema de aprendizaje supervisado o no supervisado y por qué.

Pregunta para Discusión

Presente un escenario donde una IA toma una decisión importante (ej. aprobar o rechazar una solicitud de crédito). Formule la pregunta: ¿Cómo podríamos verificar si los datos utilizados para entrenar esta IA son justos y no introducen sesgos? ¿Qué pasos seguirían?

Verificación Rápida

Muestre a los estudiantes una lista de tareas (ej. predecir el precio de una casa, agrupar noticias por tema, reconocer objetos en fotos). Pídales que identifiquen qué tipo de aprendizaje (supervisado o no supervisado) sería más apropiado para cada tarea y justifiquen brevemente.

Preguntas frecuentes

¿Cómo entra el sesgo en un algoritmo?

Principalmente a través de los datos de entrenamiento. Si los datos reflejan decisiones humanas pasadas que fueron sesgadas, el algoritmo aprenderá y repetirá esos mismos patrones de discriminación.

¿Se puede eliminar el sesgo por completo?

Es muy difícil, pero se puede mitigar. Requiere usar datos más diversos, realizar auditorías constantes y tener equipos de desarrollo interdisciplinarios que puedan identificar prejuicios desde diferentes perspectivas.

¿De qué manera el aprendizaje activo ayuda a entender el sesgo algorítmico?

El sesgo es a menudo invisible para quienes no lo sufren. Las simulaciones y los juegos de rol permiten a los estudiantes 'vivir' las consecuencias de un algoritmo injusto, lo que genera una comprensión emocional y ética mucho más profunda que la simple teoría.

¿Qué responsabilidad tienen los programadores chilenos en esto?

Tienen la responsabilidad ética de cuestionar los datos que usan y de diseñar sistemas transparentes. La ética profesional es un pilar fundamental de la formación tecnológica en el siglo XXI.