Tecnología · 3o de Preparatoria · Análisis de Datos e Inteligencia Artificial · IV Bimestre

Introducción a la Inteligencia Artificial y Machine Learning

Los estudiantes distinguen entre IA, Machine Learning y Deep Learning, comprendiendo sus aplicaciones y limitaciones.

• Aprendizajes Esperados SEP
• SEP EMS: Fundamentos de Inteligencia Artificial
• SEP EMS: Aprendizaje Automatizado

Acerca de este tema

La introducción a la Inteligencia Artificial (IA), Machine Learning (ML) y Deep Learning (DL) permite a los estudiantes de 3° de preparatoria distinguir estos conceptos clave en el contexto del programa SEP de Tecnología. La IA busca simular procesos cognitivos humanos mediante algoritmos que procesan datos para tomar decisiones, como en asistentes virtuales o recomendaciones en plataformas. El ML capacita a las máquinas para aprender patrones de datos sin programación explícita, por ejemplo, en predicciones de ventas. El DL, con redes neuronales profundas, revoluciona el reconocimiento de imágenes y el procesamiento del lenguaje natural, como en traductores automáticos.

Este tema se integra en la unidad de Análisis de Datos e IA, fomentando habilidades para el mundo laboral mexicano, donde la IA optimiza industrias como la manufactura y la agricultura. Los estudiantes exploran aplicaciones cotidianas, como chatbots en bancos o detección de fraudes, junto con limitaciones éticas y técnicas, como sesgos en datos o dependencia de grandes volúmenes de información.

El aprendizaje activo beneficia este tema porque conceptos abstractos como el entrenamiento de modelos se vuelven concretos mediante experimentos prácticos. Al usar herramientas accesibles para clasificar datos o simular redes neuronales, los estudiantes resuelven problemas reales, fortalecen el pensamiento crítico y conectan teoría con práctica.

Preguntas Clave

1. ¿Cómo la IA busca simular la inteligencia humana en máquinas?
2. ¿De qué manera el Machine Learning permite a las computadoras aprender de los datos sin ser programadas explícitamente?
3. ¿Por qué el Deep Learning ha revolucionado campos como el reconocimiento de imágenes y el procesamiento del lenguaje natural?

Objetivos de Aprendizaje

• Clasificar ejemplos específicos de aplicaciones de Inteligencia Artificial, Machine Learning y Deep Learning.
• Comparar las metodologías de programación explícita versus el aprendizaje a partir de datos en Machine Learning.
• Explicar el rol de las redes neuronales profundas en el avance del Deep Learning para el reconocimiento de patrones complejos.
• Analizar las limitaciones éticas y técnicas de la IA, como el sesgo de datos y la necesidad de grandes volúmenes de información.

Antes de Empezar

Fundamentos de Programación y Algoritmos

Por qué: Es necesario comprender qué es un algoritmo y cómo se dan instrucciones a una computadora para poder diferenciarlo del aprendizaje automático.

Manejo Básico de Datos y Tablas

Por qué: El Machine Learning se basa en el análisis de datos, por lo que los estudiantes deben estar familiarizados con la organización y lectura de información estructurada.

Vocabulario Clave

Inteligencia Artificial (IA)	Campo de la informática enfocado en crear sistemas capaces de realizar tareas que normalmente requieren inteligencia humana, como el razonamiento o el aprendizaje.
Machine Learning (ML)	Subcampo de la IA que permite a las computadoras aprender de los datos y mejorar su rendimiento en una tarea específica sin ser programadas explícitamente para ella.
Deep Learning (DL)	Subcampo del ML que utiliza redes neuronales artificiales con múltiples capas (profundas) para aprender representaciones de datos de alto nivel, siendo muy efectivo en tareas como el reconocimiento de imágenes.
Red Neuronal Artificial	Modelo computacional inspirado en la estructura y función de las redes neuronales biológicas del cerebro, compuesto por nodos interconectados (neuronas) organizados en capas.
Sesgo de Datos	Tendencia sistemática en los datos de entrenamiento que puede llevar a que un modelo de IA produzca resultados injustos o discriminatorios.

Cuidado con estas ideas erróneas

Idea errónea común

La IA piensa y siente como un humano.

Qué enseñar en su lugar

La IA simula inteligencia mediante algoritmos estadísticos, no posee conciencia. Actividades de clasificación de ejemplos ayudan a los estudiantes comparar capacidades reales con percepciones antropomórficas, fomentando discusiones que clarifican límites técnicos.

Idea errónea común

El ML aprende solo con datos, sin intervención humana.

Qué enseñar en su lugar

Requiere diseño de algoritmos, curación de datos y ajuste de parámetros. Experimentos con Teachable Machine muestran cómo datos sesgados afectan resultados, permitiendo a estudiantes iterar y observar el rol humano en el proceso.

Idea errónea común

El DL solo es para expertos con mucho equipo.

Qué enseñar en su lugar

Herramientas gratuitas como TensorFlow Playground lo hacen accesible. Simulaciones interactivas en clase permiten explorar capas neuronales sin programación avanzada, desmitificando complejidad mediante exploración guiada.

Ideas de aprendizaje activo

Clasificación Grupal: Ejemplos de IA/ML/DL

Divide la clase en grupos pequeños. Proporciona tarjetas con ejemplos cotidianos como Siri o Netflix. Cada grupo clasifica en IA general, ML o DL, justifica y presenta. Discute como clase para refinar criterios.

30 min·Grupos pequeños

Entrenamiento Simple: Teachable Machine

Usa Google Teachable Machine en computadoras. Los estudiantes recolectan imágenes de gestos manuales, entrenan un modelo de ML y lo prueban en tiempo real. Registra precisión y ajusta datos para mejorar.

45 min·Parejas

Debate Ético: Limitaciones de la IA

Asigna roles a favor y en contra de temas como sesgos en ML. Grupos preparan argumentos con ejemplos reales, debaten en círculo y votan soluciones. Resume consensos en pizarra.

40 min·Grupos pequeños

Mapa Conceptual: Jerarquía IA-ML-DL

En papelógrafo o herramienta digital como Jamboard, grupos construyen un mapa conectando definiciones, aplicaciones y limitaciones. Rota grupos para agregar y compartir retroalimentación.

35 min·Grupos pequeños

Conexiones con el Mundo Real

• Los ingenieros de software en empresas como Google utilizan ML para mejorar los algoritmos de búsqueda y los sistemas de recomendación de YouTube, analizando el comportamiento del usuario para personalizar el contenido.
• Los analistas de datos en instituciones financieras como Banorte emplean IA para detectar patrones de fraude en transacciones bancarias en tiempo real, protegiendo a los clientes de actividades ilícitas.
• Los desarrolladores de aplicaciones móviles usan DL para crear funciones de reconocimiento facial en smartphones, permitiendo desbloqueos seguros y la organización automática de fotografías por personas.

Ideas de Evaluación

Boleto de Salida

Entregue a cada estudiante una tarjeta con el nombre de una aplicación (ej. asistente de voz, filtro de spam, diagnóstico médico por imagen). Pida que escriban una frase explicando si es un ejemplo de IA general, ML o DL, y justifiquen brevemente su elección.

Pregunta para Discusión

Plantee la siguiente pregunta al grupo: 'Si un algoritmo de contratación basado en IA muestra preferencia por candidatos de ciertos perfiles, ¿cuál es la causa más probable y cómo podríamos mitigarla?'. Guíe la discusión hacia el concepto de sesgo de datos y posibles soluciones.

Verificación Rápida

Presente tres escenarios breves: 1) un programa que sigue instrucciones exactas, 2) un sistema que mejora su precisión al analizar miles de correos electrónicos, 3) un software que identifica gatos en fotos. Pida a los estudiantes que identifiquen qué escenario representa mejor ML y por qué.

Preguntas frecuentes

¿Cuál es la diferencia entre IA, Machine Learning y Deep Learning?

La IA es el campo amplio que simula inteligencia humana en máquinas. El ML es un subconjunto donde las computadoras aprenden de datos sin reglas fijas, como en predicciones. El DL usa redes neuronales profundas para tareas complejas como visión por computadora. En el currículo SEP, estos se distinguen por su profundidad y aplicaciones prácticas en México.

¿Cuáles son aplicaciones de IA en México?

En México, la IA optimiza agricultura con predicciones de cosechas, manufactura con mantenimiento predictivo y salud con diagnóstico por imágenes. Plataformas como chatbots en gobierno mejoran servicios. Estudiantes pueden analizar casos locales para ver impactos éticos y económicos en el contexto SEP.

¿Cuáles son las limitaciones principales del Machine Learning?

El ML depende de datos de calidad: sesgos generan resultados erróneos, requiere grandes volúmenes y no generaliza bien a nuevos escenarios. No explica decisiones (caja negra). En clase, debates éticos ayudan a equilibrar entusiasmo con realismo, alineado a estándares SEP.

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

El aprendizaje activo hace tangibles conceptos abstractos mediante herramientas como Teachable Machine, donde estudiantes entrenan modelos y ven iteraciones. Clasificaciones grupales y debates éticos fomentan colaboración, pensamiento crítico y conexión con aplicaciones reales. Esto aumenta retención y prepara para exámenes SEP, superando lecciones pasivas.