Fundamentos de Inteligencia Artificial y Machine Learning

Los estudiantes aprenden mejor los conceptos abstractos de IA y Machine Learning cuando experimentan con datos tangibles y situaciones cotidianas. Este enfoque activo les permite conectar la teoría con aplicaciones reales, haciendo visibles los procesos que suelen percibirse como misteriosos o inalcanzables.

• 1o de Preparatoria
• Tecnología
• 4 actividades
• 25 min–45 min

Objetivos de Aprendizaje

1. Identificar los tipos principales de algoritmos de Machine Learning (supervisado, no supervisado, por refuerzo) y explicar sus diferencias básicas.
2. Analizar cómo los datos de entrenamiento pueden introducir sesgos en un modelo de IA, citando ejemplos concretos.
3. Diseñar un esquema simple para un modelo predictivo que resuelva un problema social específico en su comunidad utilizando IA.
4. Evaluar la aplicabilidad de modelos de IA en escenarios cotidianos como la recomendación de contenido o la predicción de patrones de tráfico.

Seminario Socrático

⏱ 30 min·Parejas

Predicción Simple: Modelos con Datos Escolares

Proporciona datos ficticios de horas de estudio y calificaciones. En parejas, los estudiantes grafican puntos, trazan una línea de tendencia y predicen calificaciones futuras. Discuten precisión comparando predicciones con datos nuevos.

Preparación y detalles

¿Cómo aprenden las máquinas a partir de los datos que generamos diariamente?

Consejo de Facilitación: En 'Predicción Simple', pida a los estudiantes que registren cada iteración de su modelo en una tabla para que visualicen cómo los patrones se ajustan con nuevos datos.

Setup: Sillas dispuestas en dos círculos concéntricos

Materials: Pregunta/consigna de discusión (proyectada), Rúbrica de observación para el círculo externo

• Analizar
• Evaluar
• Crear
• Conciencia Social
• Habilidades de Relación

Seminario Socrático

⏱ 45 min·Grupos pequeños

Detección de Sesgos: Análisis de Conjuntos de Datos

Entrega datasets con sesgos evidentes, como edades en recomendaciones laborales. Grupos identifican patrones sesgados, proponen datos correctivos y reentrenan un modelo simple en una hoja de cálculo. Comparten hallazgos en plenaria.

Preparación y detalles

¿Qué sesgos pueden introducirse en un algoritmo de IA a través de los datos de entrenamiento?

Consejo de Facilitación: Durante 'Detección de Sesgos', asigne roles específicos en el análisis grupal: un estudiante lee los datos, otro identifica patrones y otro propone alternativas para equilibrarlos.

Setup: Sillas dispuestas en dos círculos concéntricos

Materials: Pregunta/consigna de discusión (proyectada), Rúbrica de observación para el círculo externo

• Analizar
• Evaluar
• Crear
• Conciencia Social
• Habilidades de Relación

Seminario Socrático

⏱ 40 min·Toda la clase

Brainstorming Comunitario: IA para Problemas Locales

Clase entera genera problemas sociales de su comunidad, como tráfico o salud. Brainstormean aplicaciones de IA predictiva, votan las mejores y esbozan flujos de datos necesarios. Presentan una propuesta grupal.

Preparación y detalles

¿En qué áreas de tu comunidad podría la IA resolver un problema social?

Consejo de Facilitación: En 'Brainstorming Comunitario', use post-its para que los grupos organicen sus ideas y prioricen problemas según criterios de impacto y viabilidad con IA.

Setup: Sillas dispuestas en dos círculos concéntricos

Materials: Pregunta/consigna de discusión (proyectada), Rúbrica de observación para el círculo externo

• Analizar
• Evaluar
• Crear
• Conciencia Social
• Habilidades de Relación

Seminario Socrático

⏱ 25 min·Individual

Simulación de Entrenamiento: Juego de Clasificación

Usa tarjetas con imágenes o descripciones. Individualmente, estudiantes clasifican basados en reglas iniciales, luego 'entrenan' ajustando reglas con datos nuevos. Reflexionan sobre iteraciones en un diario.

Preparación y detalles

¿Cómo aprenden las máquinas a partir de los datos que generamos diariamente?

Consejo de Facilitación: En 'Simulación de Entrenamiento', limite el tiempo de cada ronda para que los estudiantes experimenten la presión de ajustar modelos rápidamente, simulando condiciones reales.

Setup: Sillas dispuestas en dos círculos concéntricos

Materials: Pregunta/consigna de discusión (proyectada), Rúbrica de observación para el círculo externo

• Analizar
• Evaluar
• Crear
• Conciencia Social
• Habilidades de Relación

Enseñando Este Tema

Enseñar IA requiere equilibrar la simplicidad con la precisión. Evite comparaciones directas entre la inteligencia humana y la artificial, ya que pueden reforzar ideas erróneas. En su lugar, enfóquese en los procesos iterativos de prueba y error, destacando que los errores son parte esencial del aprendizaje de las máquinas. Utilice analogías con actividades cotidianas, como enseñar a un niño a reconocer frutas por su forma, para hacer accesible el concepto de entrenamiento de modelos.

Qué Esperar

Al finalizar estas actividades, los estudiantes podrán explicar con ejemplos concretos cómo aprenden las máquinas, identificar sesgos en datasets y proponer soluciones éticas usando modelos predictivos. Demuestran comprensión al vincular conceptos técnicos con problemas locales de su comunidad.

Cuidado con estas ideas erróneas

Idea errónea común

Durante la actividad 'Simulación de Entrenamiento', algunos estudiantes pueden pensar que la IA 'piensa' como los humanos.

Qué enseñar en su lugar

En esta actividad, pida a los estudiantes que comparen su propio proceso de clasificación con el del algoritmo. Por ejemplo, que describan en una hoja cómo decidieron agrupar imágenes y luego comparen con las reglas que programaron para la máquina.

Idea errónea común

Durante la actividad 'Detección de Sesgos', algunos pueden asumir que los algoritmos son siempre imparciales.

Qué enseñar en su lugar

Guíe a los estudiantes para que analicen un dataset concreto, como calificaciones escolares por género, y pregunten: '¿Qué grupo podría estar subrepresentado en estos datos?' Luego, propongan cómo equilibrar el dataset para reducir sesgos.

Idea errónea común

Durante la actividad 'Predicción Simple', parte de la clase podría creer que los modelos no necesitan muchos datos.

Qué enseñar en su lugar

En esta actividad, pida a los estudiantes que comparen la precisión de su modelo usando primero 10 datos y luego 50 datos del mismo tipo. Pídales que registren la diferencia en una tabla y expliquen por qué más datos mejoran los resultados.

Ideas de Evaluación

Boleto de Salida

Después de 'Simulación de Entrenamiento', entregue a cada estudiante una tarjeta con el nombre de un tipo de algoritmo (supervisado, no supervisado, por refuerzo). Pídales que escriban una oración describiendo su función principal y un ejemplo de aplicación, identificando también un posible sesgo que podría afectar a ese tipo de algoritmo.

Verificación Rápida

Durante 'Detección de Sesgos', plantee a la clase un escenario hipotético: un algoritmo que clasifica solicitudes de becas escolares. Pregunte: '¿Qué tipo de datos necesitaríamos para entrenar este algoritmo? ¿Cómo podríamos asegurarnos de que los datos de entrenamiento no introduzcan sesgos contra ciertos grupos de estudiantes?'.

Pregunta para Discusión

Después de 'Brainstorming Comunitario', divida a los estudiantes en grupos pequeños y pídales que debatan: 'Piensen en un problema social en su comunidad. ¿Cómo podría un modelo predictivo de IA ayudar a resolverlo? ¿Qué datos se necesitarían y qué precauciones éticas deberíamos tomar?'.

Extensiones y Apoyo

• Pida a estudiantes avanzados que diseñen un experimento para comparar la precisión de dos modelos simples usando datos escolares reales.
• Para estudiantes que luchan, proporcione datasets ya filtrados y pídales que identifiquen patrones obvios antes de introducir datos ambiguos.
• Invite a estudiantes a investigar un caso real de sesgo algorítmico y presenten sus hallazgos en una galería de posters para la clase.

Vocabulario Clave

Machine Learning (Aprendizaje Automático)	Un campo de la inteligencia artificial que permite a los sistemas aprender y mejorar a partir de la experiencia sin ser programados explícitamente. Utiliza algoritmos para analizar datos, identificar patrones y tomar decisiones.
Algoritmo Predictivo	Un tipo de algoritmo de Machine Learning que utiliza datos históricos para predecir resultados futuros. Se entrena con un conjunto de datos para reconocer patrones y aplicar ese conocimiento a nuevos datos.
Sesgo Algorítmico	Tendencia de un sistema de inteligencia artificial a producir resultados sistemáticamente erróneos o injustos, a menudo debido a suposiciones defectuosas en el proceso de aprendizaje automático. Puede surgir de datos de entrenamiento incompletos o representativos.
Datos de Entrenamiento	El conjunto de datos utilizado para entrenar un modelo de Machine Learning. La calidad y representatividad de estos datos son cruciales para el rendimiento y la imparcialidad del modelo.