Tecnología · II Medio · Inteligencia Artificial y Automatización · 2do Semestre

Tipos de Aprendizaje Automático

Los estudiantes distinguen entre aprendizaje supervisado, no supervisado y por refuerzo, identificando ejemplos de aplicación para cada uno.

• Objetivos de Aprendizaje (OA)
• OA TEC 2oM: Inteligencia Artificial y Automatización
• OA TEC 2oM: Pensamiento Computacional

Acerca de este tema

La automatización y la inteligencia artificial están redefiniendo el mercado laboral a una velocidad sin precedentes. Para los estudiantes de Segundo Medio, este tema no es solo una exploración técnica, sino una reflexión sobre su propio futuro profesional. Según los estándares de Tecnología y Sociedad del MINEDUC, los alumnos deben evaluar cómo la IA transformará diferentes industrias y qué competencias humanas (como la creatividad, la empatía y el pensamiento crítico) se volverán más valiosas.

En Chile, sectores clave como la minería y la agricultura ya están integrando procesos automatizados. Esto plantea desafíos, pero también oportunidades para nuevos tipos de empleos. Los estudiantes deben prepararse para un entorno de aprendizaje continuo. El uso de debates y proyectos de prospección laboral permite que los jóvenes visualicen su trayectoria profesional con optimismo y realismo, identificando cómo pueden colaborar con la tecnología en lugar de competir con ella.

Preguntas Clave

1. ¿Cómo podemos diferenciar entre un problema de clasificación y uno de regresión en el aprendizaje supervisado?
2. ¿De qué manera el aprendizaje no supervisado descubre patrones ocultos en datos sin etiquetas?
3. ¿Cómo podemos evaluar la idoneidad de un tipo de aprendizaje automático para resolver un problema específico?

Objetivos de Aprendizaje

• Clasificar problemas de aprendizaje automático en supervisados, no supervisados y por refuerzo, justificando la elección con base en las características de los datos y el objetivo.
• Comparar las metodologías y aplicaciones del aprendizaje supervisado (clasificación y regresión) y no supervisado (agrupamiento y reducción de dimensionalidad).
• Identificar ejemplos concretos de la vida real donde se aplica cada tipo de aprendizaje automático, explicando el rol de los datos y el algoritmo.
• Evaluar la idoneidad de un tipo de aprendizaje automático específico para resolver un problema práctico dado, considerando sus ventajas y limitaciones.

Antes de Empezar

Conceptos Básicos de Datos y Bases de Datos

Por qué: Los estudiantes necesitan comprender qué son los datos, cómo se organizan y la diferencia entre datos estructurados y no estructurados para entender los insumos del aprendizaje automático.

Introducción a Algoritmos y Lógica de Programación

Por qué: Comprender cómo funcionan los algoritmos y la lógica básica de programación facilita la asimilación de cómo los modelos de aprendizaje automático procesan información y toman decisiones.

Vocabulario Clave

Aprendizaje Supervisado	Tipo de aprendizaje automático donde el algoritmo aprende de un conjunto de datos etiquetado, es decir, cada dato de entrada tiene una respuesta correcta asociada.
Aprendizaje No Supervisado	Tipo de aprendizaje automático que trabaja con datos sin etiquetar, buscando patrones, estructuras o relaciones ocultas en la información.
Aprendizaje por Refuerzo	Tipo de aprendizaje automático donde un agente aprende a tomar decisiones interactuando con un entorno y recibiendo recompensas o castigos por sus acciones.
Clasificación	Tarea de aprendizaje supervisado que consiste en asignar una categoría o clase a una instancia de datos, como identificar si un correo es spam o no.
Regresión	Tarea de aprendizaje supervisado que predice un valor numérico continuo, como estimar el precio de una casa basado en sus características.
Agrupamiento (Clustering)	Tarea de aprendizaje no supervisado que agrupa puntos de datos similares en clústeres o grupos, útil para segmentar clientes.

Cuidado con estas ideas erróneas

Idea errónea común

La IA va a reemplazar todos los trabajos y no habrá nada que hacer.

Qué enseñar en su lugar

La tecnología suele transformar los trabajos más que eliminarlos, creando nuevas necesidades. Las investigaciones sobre la historia de la tecnología ayudan a los estudiantes a ver que cada revolución industrial ha traído nuevos tipos de empleo.

Idea errónea común

Solo los programadores tendrán trabajo en el futuro.

Qué enseñar en su lugar

Las habilidades 'blandas' como la inteligencia emocional y la ética serán fundamentales en todas las áreas. Las actividades de rol muestran que la colaboración humana es clave para supervisar y dar sentido al trabajo de las máquinas.

Ideas de aprendizaje activo

Debate Formal: ¿Renta Básica Universal?

Ante la posible pérdida de empleos por la automatización, los estudiantes debaten sobre la implementación de una renta básica en Chile. Deben investigar argumentos económicos y sociales, considerando el impacto en la dignidad del trabajo y la economía nacional.

50 min·Grupos pequeños

Círculo de Investigación: Los Empleos del 2040

En grupos, los estudiantes eligen una profesión tradicional (ej. abogado, agricultor, profesor) e investigan cómo la IA la transformará. Deben crear un 'perfil de cargo' del futuro, destacando qué tareas hará la IA y qué habilidades humanas serán esenciales.

60 min·Grupos pequeños

Pensar-Emparejar-Compartir: Mi Habilidad Irreemplazable

Los estudiantes reflexionan sobre una habilidad personal que creen que una IA nunca podrá copiar. Comparten con un compañero por qué esa habilidad es valiosa y cómo podrían usarla en una carrera tecnológica o creativa.

25 min·Parejas

Conexiones con el Mundo Real

• En la banca, el aprendizaje supervisado se utiliza para detectar transacciones fraudulentas (clasificación) y para predecir el riesgo crediticio de un solicitante (regresión).
• Las plataformas de streaming como Netflix emplean aprendizaje no supervisado para agrupar a usuarios con gustos similares, recomendando películas o series que podrían interesarles.
• Los vehículos autónomos utilizan aprendizaje por refuerzo para aprender a navegar en entornos complejos, tomando decisiones sobre acelerar, frenar o girar basándose en la retroalimentación del entorno.

Ideas de Evaluación

Verificación Rápida

Presente a los estudiantes tres escenarios breves: 1) Un sistema que recomienda productos basados en compras anteriores. 2) Un programa que identifica si una imagen contiene un perro o un gato. 3) Un robot que aprende a caminar en un terreno desconocido. Pida a los estudiantes que identifiquen el tipo de aprendizaje automático predominante en cada escenario y expliquen por qué.

Pregunta para Discusión

Plantee la siguiente pregunta al grupo: 'Si tuvieran que desarrollar un sistema para predecir la demanda de un producto agrícola en Chile, ¿qué tipo de aprendizaje automático considerarían primero y por qué? ¿Qué datos necesitarían y cómo se clasificarían esos datos según el tipo de aprendizaje elegido?'

Boleto de Salida

Entregue a cada estudiante una tarjeta con un término clave (supervisado, no supervisado, refuerzo). Pida que escriban una oración definiendo el término y un ejemplo específico de su aplicación en una industria chilena (ej. minería, agricultura, salud).

Preguntas frecuentes

¿Qué carreras son más seguras frente a la IA?

Aquellas que requieren alta destreza física en entornos no estructurados, gran empatía humana o creatividad compleja. Sin embargo, casi todas las carreras se verán potenciadas por el uso de herramientas de IA.

¿Cómo debe cambiar la educación ante este escenario?

La educación debe enfocarse menos en memorizar datos y más en aprender a aprender, resolver problemas complejos y trabajar en equipo, que son las áreas donde los humanos superan a la IA actual.

¿Cómo ayuda el aprendizaje activo a preparar a los estudiantes para el futuro laboral?

El aprendizaje activo fomenta la autonomía, la colaboración y la adaptabilidad, que son precisamente las competencias que el mercado laboral del futuro exigirá. Al resolver desafíos reales en clase, los estudiantes practican la mentalidad necesaria para un mundo en constante cambio.

¿Qué es la 'colaboración humano-IA'?

Es un enfoque donde los humanos usan la IA para aumentar sus capacidades, delegando tareas repetitivas a la máquina para enfocarse en la estrategia, la ética y la innovación.