 La idea de la ponencia es sobre, vamos a hablar de varias cositas y es una ponencia que al final tiene dos partes. Decía que la idea, hoy vamos a hablar un poco de, salió ayer muchas veces en la mesa redonda el tema de la inteligencia artificial, como uno de los puntos clave, como uno de los puntos que más nos interesaban de cada formación, al impacto que tenía sobre los distintos ámbitos de la vida y sobre los distintos ámbitos de conocimiento. Entonces, la idea de esta presentación de hoy, que es un poquito, bueno, extensiva, es que vamos a cubrir un poco generalidades sobre inteligencia artificial, una especie de introducción a la inteligencia artificial para gente que no haya tenido contactos previos, para estar familiarizados con ella, con la terminología, con las técnicas, con lo que se puede hacer con inteligencia artificial, con lo que no se puede hacer con inteligencia artificial y después esto lo aterrizaremos en un dominio muy concreto que es el de la inteligencia artificial aplicada al ámbito educativo. Las cositas que hacemos de momento nosotros dentro de unir, pero también bueno, en otros ámbitos y que muchas de las cosas las están haciendo también otros centros o restituciones educativas y son extrapolables, no están diseñadas específicamente para unir. Presentación ya fue ayer, ya conté un poquito quién era y la dinámica de la universidad, así que hoy nos lo podemos ahorrar un poquito, el punto clave para la segunda parte de la presentación es esa idea de la universidad 100% online y las consecuencias que eso va a tener a la hora de que podamos hacer cosas de inteligencia artificial dentro de ella y todas estas partes de inteligencia artificial aplicada a educación en realidad las canalizamos a través de la Cátedra IBM de Data Science and Education, donde lo que miramos es todo tipo de contribuciones que podemos hacer desde la inteligencia artificial a la mejora de todos los procesos educativos. Entonces lo dicho, primero haré un repaso histórico, luego no hay examen, nos voy a preguntar fechas, pero la gracia de ese repaso histórico es que aprovecharé para ir diciendo en qué orden han ido saliendo las distintas tecnologías de la inteligencia artificial y esto lo utilizaré como excusa para contar en qué consiste y qué se puede hacer con cada una de las técnicas de inteligencia artificial. Hablaremos un poquito de la parte un poquito más oscura o menos desarrollada que tiene que ver con los aspectos legales, la filosofía e incluso la ética en el uso de la inteligencia artificial y un último bloque centrado en las aplicaciones específicamente educativas. Pues se parece, empezamos con el viaje y empezamos dándole esta vuelta a la inteligencia artificial. La idea, una presentación de este tipo, es empezar con las definiciones pero aquí sorpresa, no tenemos una definición clara de qué es la inteligencia artificial. De hecho nos peleamos e incluso hacemos congresos para decir qué cosas son y no son inteligencia artificial y es que al final es un concepto relativamente elusivo. Quiero decir, hay cosas que todo el mundo estamos de acuerdo en que son inteligencia artificial, ahora hablaré de algún ejemplo de ellos y hay otras que según las vamos consiguiendo pues dejamos de considerar la inteligencia artificial. También esa idea volverá dentro de un minuto. Pero al final la idea es que hablamos de cualquier cosa que nos permita programar las máquinas de tal manera que imiten la parte del comportamiento humano que llamaríamos inteligente. Eso como definición, en realidad hace agua por todas partes porque incluso cuando hacemos esto, como os decía, vamos moviendo el target de lo que estamos haciendo. Me explico, lo que hace Google cada vez que hacemos una búsqueda eso es inteligencia artificial dura. Luego hablaré de ello y de lo que pasó al respecto. Lo que sucede detrás es lo que en los 90 estábamos estudiando como el estado del arte en inteligencia artificial a la hora de ir a hacer identificación de documentos. Pero hoy en el día a día nosotros cuando abrimos Google y buscamos algo, lo damos tan por sentado, lo tenemos tan engranado en nuestra vida que ya ni siquiera lo estamos considerando inteligencia artificial. Y lo mismo me pasa con el GPS del coche con lo que hace Netflix de recomendarme películas que más o menos estén vinculadas con las que he visto antes y en todos los dominios de la vida que vamos consiguiendo que la IA lo haga también como los humanos o mejor que los humanos y entonces como que los propios humanos tendremos a decir, no, entonces esto no es inteligencia artificial al menos en el ámbito de la investigación. Entonces vamos moviendo el target de lo que es para nosotros inteligencia artificial. Y el propio término, cuando hago esa definición sobre limitación del comportamiento humano y demás, pues cuando empezamos a buscar los límites del término también vemos un poquito de esto de que hacemos aguas. Porque si yo pregunto por el coche autónomo, el coche que se conduce solo, creo que todos lo consideraríamos inteligencia artificial, un coche que hace lo que un humano que se conduce y que va solo de un sitio a otro, aunque ahora hablaremos de esto. Pero en cambio el GPS del coche, como decía, lo hemos dejado de considerar inteligencia artificial y en el fondo también es un problema clásico de la inteligencia artificial, la búsqueda de caminos en un mapa que es una actividad inerentemente humana. Si consideramos una inteligencia artificial a los agentes conversacionales, Elisa fue un muy famoso agente conversacional que básicamente era que tú le hacías preguntas escrites y te respondía a cosas como que te psicoanalizaba. Y en el fondo Elisa o las cabezas parlantes que hay ahora mismo en muchas páginas web, en la página web de IKEA y en algunas otras que enganchas una conversación y más o menos te responde, pues sí que más o menos los consideramos una inteligencia artificial. Cuando en realidad internamente son relativamente simples y tenemos muy parecido un agente conversacional, los resolvedores de captchas, ¿sorto uno que es un captcha? Demuéstrame que no eres un robot y te ponen unas letras que dices, ¡qué carajo pone aquí! Pues eso hay sistemas de inteligencia artificial diseñados para romper esto. Es la quintasencia de lo que sería inteligencia artificial, si hemos dicho que imita el comportamiento de la inteligencia humana y si programamos la inteligencia artificial para fingir que es un humano y conseguir engañar una máquina y convencerla de que es un humano, pues estaría mucho más dentro. Pero cuando vemos los resolvedores de captchas que están integrados en algunos programas, los consideramos mucho menos inteligentes que a un agente conversacional, cuando en realidad son mucho más complejos. Y así podría ir mucho más, ¿vale? Pero voy a saltar un poquito y digo un mono que imita nuestros gestos cogiendo una herramienta, utilizando una herramienta, es inteligente, es inteligencia. No es necesariamente un humano, pero imita los comportamientos humanos, está perfectamente dentro de la definición de inteligencia artificial. Y, por supuesto, nosotros, que nos siempre nos comportamos con toda la inteligencia del mundo. Entonces, lo he dicho poco claro, ¿no? Le ante esta falta de claridad, uno de los grandes teóricos de inteligencia artificial, antes de que las máquinas pudieran seguirle el ritmo, fue Alan Turing, que entre otras muchas cosas, además de que estuvo trabajando para descifrar los códigos de los alemanes de Invitational Gaming, una muy buena película sobre esa parte. Él propuso además un test, que es el que, aunque apenas se menciona en la película, da nombre a la película, que es el test de Turing para definir cuando una inteligencia artificial es inteligente. Entonces, proponía un test en el que había un humano separado de dos agentes que estaban en otra habitación e interactuaba con ellos a base de preguntas y respuestas. Y considerábamos que la máquina era inteligente si ambos, la máquina y el humano, pretendiendo ser humanos, el tercer evaluador era incapaz de distinguir entre ellos. Y eso era como un poco la prueba del algodón para la inteligencia. Ahora que ya hay un montón de inteligencias que son capaces de pasar el test de Turing con relativa soltura, pues ya ahora como que no nos interesa. Incluso esa definición se nos ha quedado también un poquito obsoleta, porque ahora lo que hemos acabado haciendo es hiperespecializarnos esas inteligencias artificiales, no para que se comporten como humanos o para que sean inteligentes, sino para superar el test de Turing. Y aquí llegó a una idea clave en inteligencia artificial, que es posiblemente la más sutil de las que voy a hacer en la charla, por eso la puse al principio para pillaros a todos todavía despiertos y a tope. Al principio, en los 60, en los 70, estábamos emperrados en diseñar esa máquina que fuese la mente humana, ese cerebro humano en el ordenador y que funcionase a todos los efectos como un humano. Y ese camino era un poco un callejón sin salida. Ahora se volna un poco de ello, pero en los 60, 70 era impensable, era inabarcable, no había la capacidad ni matemática ni computacional para hacerlo. Entonces, nos empezamos a extindir y empezamos a olvidar el objetivo de la inteligencia artificial que pensaba como un humano hacia irnos al de la inteligencia artificial que parecía que pensaba como un humano, aunque sus procesos internos no se pareciesen nada a los que seguía el humano. A esta separación la llamamos la separación entre la IA débil y la IA fuerte, donde la IA fuerte sería la que piense igual que el humano, a la que también llamamos IA simbólica, y la IA débil que es la que no piensa como un humano, es la IA que hace trampas, trampas en el buen sentido. Y todas las buenas IAS que existen y que realmente consiguen hacer cosas potentes y tangibles, prácticamente todas sonías débiles, sonías de las que hacen trampas. Vamos a ver si aterrizamos esto con dos ejemplos. Primero el de la definición pura y dura. Tenemos super avanzado todo lo que tiene que ver con reconocimiento de imágenes, incluso con conducción autónoma y demás. Pero como funciona esto, yo le paso a la máquina, a una inteligencia artificial esta foto, esto estaba puesto por aquí, una Audi A7. Y la máquina lo que hace es que empieza a buscar vértices, patrones y demás, y los compara con una gigantesca base de conocimientos de fotos en las que alguna dice esto es una Audi A7 y esto no lo es. Entonces la máquina va pasando por un proceso que luego lo explicaré un poquito más de redes neuronales que van haciendo todo este proceso y al final dice Audi A7. Pero esta máquina que reconoce en esta foto este coche y ya habéis puesto el ejemplo de Volkswagen perdonadme el siguiente ponente la gracia es que la máquina no tiene ni idea de qué significa que eso sea una Audi A7 simplemente ha dicho Audi A7 lo ha dicho súper bien, lo ha distinguido estupendamente pero no sabe que es una rueda no sabe que es un chasis ni siquiera del todo consciente de que sea de color gris o de que esté en una carretera oyendo de izquierda a derecha la máquina no sabe a nivel profundo cuál es el concepto de Audi A7 en una IA débil y este es el grueso de las que estamos haciendo la IA fuerte en cambio tiene más este aspecto como yo en el texto formalizado tiene todas las características quién es el fabricante cuál es el modelo cuál es el año de fabricación cuáles son sus características técnicas qué motor tiene qué ruedas etcétera esto sería el enfoque de la IA fuerte tener el mundo como le entiende un humano y aquí está más o menos recogida en un formato ameno para la máquina toda la información sobre qué es un coche o qué es una Audi A7 en concreto y esto es importante porque son los dos grandes enfoques nosotros podemos atacar un problema intentando resolverlo como un humano o lo podemos atacar intentando resolverlo utilizando la potencia computacional y es completamente distinto segun poquito la idea terminamos de aterrizar la IA que no sabe cuando se programó Deep Blue fue un hito en la historia de inteligencia artificial ahora lo mencionaré porque fue el que ganó al ajedrez jugando a Casparos ¿vale? y Deep Blue jugaba al ajedrez como un humano, es decir, miraba sus fichas miraba sus opciones e intentaba adelantarse así me muevo aquí que va a ser mi rival e intentaba adelantarse suficientes pasos como para poder atacar el problema era en el fondo aunque fuese muy estrecha porque solo trabajaba con ajedrez pero era una IA fuerte para entender el problema de cómo se juega al ajedrez en cambio en 2017 hubo otro hito que parecerá una tontería pero que fue ganar al juego de Go y consiguió ganar por 3 a 0 luego lo pongo un poquito más detallado al campeón mundial chino de Go y sin entrar mucho en los detalles decir que ser capaz de ganar algo frente a ser capaz de ganar al ajedrez el ajedrez es como una broma en comparación por el tamaño del espacio de la máquina para que juega Go como humano es virtualmente imposible entonces el enfoque que tuvo esta máquina fue de nuevo el de la IA débil no voy a hacer todo el mirar hacia adelante de jugada sino que voy a aprender a jugar con estrategias entonces lo que hicieron fue alimentarle miles de millones de partidas de Go para que fuese aprendiendo estrategias sobre cómo ganar y cuando ya tenía varios miles de estas entonces dijeron y ahora te pones a jugar contra ti mismo y vas desarrollando todavía mejor las estrategias a entrenarse a la máquina frente a ella misma y con esto la no y ganó por paliza pero con dos características muy interesantes la primera en el fondo en el fondo en el fondo la máquina no sabía jugar a Go no era capaz de explicar por qué en cierto momento tomaba ciertas decisiones y era precioso porque luego cuando se han analizado las partidas que hacía la máquina había decisiones que cuando lo estaban viendo en directo los expertos en Go decían es un error la máquina demuestra que no está pero luego al cabo del rato la máquina tenía ese movimiento que había hecho se despejaban para todo el mundo y nadie lo había previsto porque estaba jugando más allá del nivel normal de un humano pero reitero y esta es la idea más importante la idea más importante es lo buenísima que era era que en el fondo la máquina no tenía ni idea de cómo se jugaba Go simplemente tenía estrategias y ejemplos y una base de conocimiento gigante que no terminaba de entender porque era una idea débil no una idea fuerte yo no la hacía que aterriza el concepto de idea fuerte o como lo llamamos técnicamente y asimbólica y subsimbólica llamamos simbólica a la que comprende el mundo porque tiene etiquetas, nombres y demás y subsimbólica a la que trabaja con valores, números, probabilidades etc. pues con estos conceptos básicos hago este recorrido rápido por los sitos de la inteligencia artificial y lo aprovecho para definir cinco conceptos clave además del de idea fuerte e idea débil si me remonto me puedo remontar por ejemplo, de idea fuerte y de idea débil prácticamente antes de que los ordenadores fuesen ordenadores si me remonto en el lado de aprender a hacer las cosas el ajedrecista de Torres Quevedo en una máquina diseñada para ser capaz de proponer partidas de ajedrez no había un software, no era computación al estilo moderno pero en el fondo era uno de los momentos seminales en inteligencia artificial esto lo comparo también con unos años después con un trabajo de Makuluki Pits que lo que hablaban era de en el fondo una neurona tiene unos inputs eléctricos y a partir de los inputs eléctricos que tenga tiene una serie de salidas eléctricas entradas eléctricas y salidas eléctricas yo esto lo puedo codificar como si fuese una función en la que para una serie de valores entrada x1, x2, hasta xn tengo una serie de valores de salida y 1 y 2 y n y ellos ya propusieron decir si yo pudiese modelar todo esto matemáticamente podría acabar construyendo un cerebro matemático claro esto es 1943 era impensable implantar esto con un ordenador si que sería posible pero al final lo que es interesante de esto es que el ajedrecista es posiblemente el origen de la IA simbólica o de la IA fuerte y esto es posiblemente el origen de la IA débil casi toda la IA débil está programada con redes neuronales de las que ahora hablaremos desde aquí empezamos a movernos y hay dos décadas de gran exuberancia de resultados esto nos vamos a comer en el mundo litrigencia artificial, el cerebro artificial vamos a conseguir una máquina como un humano, no solo necesitamos meter todo el conocimiento y meter todas las características del cerebro y lo tendremos la primera etapa de intentar conseguir el cerebro y no no se consiguió obviamente entonces en los 70 empieza a cambiar el foco y ahora el foco ya no es la IA que va a imitar el cerebro humano sino la IA que va a ser capaz de entender un cierto dominio y entonces entramos en el de los sistemas basados en conocimiento y digo bueno pues lo primero que tengo que hacer es recordar todo ese texto con todas las características del coche, vamos a modelar el mundo entero así para tener todas las nociones, todos los conceptos todas las ideas, qué pasó que no era fácil que matemáticamente lo podíamos ver pero era de cómo conseguimos almacenar todo este conocimiento cómo podemos cuantificar en un formato legible para la máquina todo el conocimiento humano y no éramos capaces en los 70 en los 80 esto se cambia por una cosa un poquito más afinada que serían los sistemas expertos y aquí ya empezamos a hablar de cosas en IA que eran capaces de hacer cositas cuál es la idea del sistema experto la idea del sistema experto es tener un conjunto de reglas en las que yo digo bueno pues si se da esta circunstancia y esta circunstancia y esta circunstancia por ejemplo un diagnóstico médico el paciente tiene fiebre y manchas rojas que cuando aprieto con el dedo se quitan entonces probablemente la enfermedad sea tal de los megaconjunto de reglas gigantescos con todo este tipo de definiciones estos sistemas el problema que tenían los sistemas expertos era el cuello de botella de cómo sacar de la cabeza de este señor experto todo ese conocimiento y construir con eso estos megasistemas de reglas para que pudiéramos tener una inteligencia artificial que supiese de diagnóstico médico o de diagnóstico legal o de diagnóstico de reparación de un vehículo aquí también en los 80 como los ordenadores empiezan a coger de musculo aunque hoy suene a broma con la capacidad de cómputo que tenemos empieza a resurgir la idea de la red neuronal esta idea que había dicho que venía de los 40 esto está muy bien pero a lo mejor también aquí hay algo interesante si yo empiezo a codificar esto y empiezo a tener un montón de neuronas en capas que se van alimentando de las unas a las otras yo esto lo podría entrenar para que a partir de entradas complejas dar soluciones no triviales empieza ahí la idea pero el problema que teníamos es que podíamos hacer redes neuronales de cuatro o cinco capas y una red neuronal de cuatro o cinco capas no voy a meter en los detalles técnicos sirve para muy poquito su capacidad real es muy poca su capacidad para el suelo sirve para problemas de juguete muy pequeños, muy triviales con lo cual no te resuelve ningún problema tangible, real que tú puedas tener en tu día a día pero en los 80 salen estas dos ideas el sistema experto muy centrado en captura de conocimiento y a fuerte por tanto y también empezamos a hacer las primeras cositas computacionales que nos sabemos que es lo que le pasa en los 90 le dimos otra vuelta en los 90 llegan los agentes inteligentes que eran otra forma de programar las inteligencias artificiales no me voy a meter demasiado en ellas y sobre todo llega el razonamiento basado en casos como mejora de los sistemas expertos voy a repetirlo, el sistema experto captura a todo el conocimiento si se da este caso, este caso, este caso y este caso, entonces esto es lo que pasa todo el problema de eso era que veíamos que no éramos capaces de coger tanto conocimiento e incluso el conocimiento humano hay lagunas y hay probabilidades y hay incertidumbres y entonces lo que empezamos a trabajar es en el razonamiento basado en casos que consiste en tener muchos de estos casos pero con huecos y cuando llega un nuevo paciente con una serie de síntomas me voy al caso médico no ver si tengo exactamente la respuesta a cuales estos síntomas pero tener una base de casos y decir bueno pues voy a ver cuál es el que más se parece de todos los que tengo al que más se parece lo propongo como solución y además esa solución que propuesto la meto de vuelta en mi base de casos razonamiento basado en casos en la universidad, en las naturales de inteligencia artificial se le suele dedicar incluso una asignatura completa de seis créditos, entonces la visión en 10 segundos del razonamiento basado en casos pero es una idea que se basa en eso, en ser capaz de encontrar a qué caso me parezco más y en éstos estábamos en los 90 seguimos y llega el cambio de milenio y el cambio de milenio se vuelve muy interesante porque empezamos de verdad a tener músculo computacional del bueno, empezamos a poder hincarle el diente a problemas que antes no podíamos realmente hincarles el diente porque se democratiza la computación, hay ordenadores por todas partes nace internet, nace en los sistemas en la nube y ésto nos da toda una nueva potencia entonces aquí es donde surge o donde toma más fuerza el tema del aprendizaje automático otro de los conceptos gordos a tener en la cabeza y que hay que saber la definición del aprendizaje automático es cuando es esta última fase que decía de la máquina que ganó algo, es cuando pongo a la máquina a analizar unos datos para ser capaz de aprendérselos de entrenarse, ellas son la de ser un sistema que está entrenado para dar ciertos tipos de respuesta entonces los dos miles, el cambio de milenio fueron un poco el boom del aprendizaje automático y mucha investigación en el área de aprendizaje automático la mayoría del aprendizaje automático en el fondo son análisis estadísticos son regresiones, a partir de los datos para poder predecir cuando vengan nuevos puntos, son algoritmos de clasterino de agrupamiento en los que intento identificar individuos con características comunes para poder decir estos dos individuos se padecen mucho y al final es como decía intensamente matemático pero se vuelve súper interesante porque explota al mismo tiempo que el mundo del big data entonces de repente me empieza a encontrar en el mundo de internet con que tengo enormes repositorios de datos en los que si aplico estas técnicas matemáticas soy capaz de, a partir de datos parciales predecir cosas yo lo aterrizo con lo que hace Netflix o Amazon en los sistemas de recomendación de compras Amazon no sabe necesariamente que la gente que se interesa por un cierto tipo de productos va a estar interesada en un segundo tipo, no lo conoce a un nivel profundo, pero lo que tiene es tantos millones de usuarios en el mundo que empieza a hacer deducciones estadísticas y dice oye el 70% de los usuarios que compararon este producto me han comprado también otro pues cuando un nuevo usuario que llegue a mi sistema me compre el primer producto le voy a recomendar el segundo porque sé que tengo una buena probabilidad de venta aquí y está basado en un análisis matemático de un conjunto de datos suficientemente grande ¿bien? todo el mundo seguimos en la página ¿verdad? vamos a darle otra vuelta porque llegamos a 2010 he dejado unos huecos por cierto en este timing de los que hablaré llegamos a 2010 hay una hay una gran campanada de IDM que saca un sistema que tiene un comportamiento que parece de IA generalista, parece de IA fuerte porque es capaz de jugar al juego de Geopardy y ganar a los campeones mundiales históricos de Geopardy voy a dejar la presentación que después se comparte el vídeo es súper interesante de verde a los dos campeones pero por debajo toda su capacidad para capturar conocimiento y dar respuestas se basa en técnicas débiles, en técnicas de las que no entendían de verdad el mundo es muy interesante en este sentido y es un poco un punto de inflexión y ahora pongo todo esto en el mapa y luego en 2017 como último y histórico que he puesto la victoria como os decía al go que no es relevante por lo importante que sea el juego del go en nuestras vidas sino como decía es relevante porque es el final del cambio de paradigma es un poco el abandono definitivo de la IA fuerte es decir los problemas duros tenemos que afrontarlos conías débiles llamativamente, no conías fuertes y decía que es un punto que estamos en un punto de inflexión o que se producen puntos de inflexión porque ahora mismo hoy bueno lo sabéis porque es lo que más ha salido en todas las listas de cosas que nos resultaban de interés para la formación de la edad de oro para la inteligencia artificial esa inteligencia artificial que estamos en la edad de oro os confirmo es fundamentalmente sub simbólica y débil y ahora explico un poquito más por qué está porque lo que realmente nos ha explotado en las manos en los últimos cinco años no me voy más atrás, cinco años, 2014 ha sido las redes neuronales de alta potencia ahora, bueno, no sé si habéis oído hablar del término que describe las redes de alta potencia o suena el término deep learning lo habéis visto por ahí en alguna nube o demás ahora hemos hecho un nuevo cambio que es que nos hemos llevado toda la computación de los problemas de inteligencia artificial a la nube, la nube que son en realidad los datacentes gigantescos de las grandes compañías entonces de repente ya no estamos haciendo redes neuronales de cuatro o cinco capas sino que estamos haciendo redes neuronales de miles de capas por eso las llamamos deep learning por cierto porque es una prensa geomático profundo porque tengo muchas capas en la red neuronal y esto es lo que se ha puesto ahora muy de moda y nos ha abierto toda una nueva generación de inteligencia artificial y lo hemos hecho porque además antes, si yo estaba haciendo un proyecto de investigación de inteligencia artificial yo pensaba a mis algoritmos los codificaba en la máquina los computaba en mi máquina con lo que me limitaba la computación que tenía y luego los aplicaba para resolver algún problema hoy ha habido una excesión entonces tenemos una idea teórica que se dedica a investigar los nuevos algoritmos lo despliegan tercero, lo despliegan compañías que lo ponen disponible en la nube disponible por un precio con lo cual ahora los investigadores de inteligencia artificial ya no están limitados por la capacidad de cómputo porque pueden soñar a lo grande desplegarlo en esas máquinas de terceros y hacer allí su computación ¿Quiénes son estos terceros? pues los gobiernos y demás no son compañías, al final compañías con el mismo de lucro que están trabajando en hacer todo este machaque de nuestros datos que tenemos de investigación los cuatro grandes players son Google, IBM, Microsoft y Amazon Amazon en realidad es un super player porque Amazon parece que es una compañía que te manda productos a casa pero la principal unidad de negocio de Amazon es la venta de servicios en la nube facturan más en cómputo en cómputo online en sus datacentes que lo que facturan por venderte camisetas o libros son los cuatro grandes players en desplegarles nuestros problemas de inteligencia artificial y que los han popularizado enormemente porque cualquier empresa que quiera hacer un aprendizaje automático duro con muchos datos y demás ya no tiene que montarse todo el sistema, captura los datos los prepara, se los chuta a una de estas cuatro empresas estas empresas hacen el músculo computacional y le devuelven los datos actuables y listos para trabajar con ellos y esto a nivel corporativo ha sido una explosión de inteligencia artificial que realmente estaba al canto de todo el mundo o de que casi todo el mundo es mucho más fácil ahora conseguir hacer estos grandes sistemas y esto es interesante porque hay una idea, decía que me he dejado unos gatos, unos huecos en la exposición y es que en inteligencia artificial hemos tenido, ha sido un poco una montaña rusa y vamos subiendo os lo decía, vamos a construir el cerebro artificial, va a ser la máquina que va a funcionar a tope y de repente en los 70 nos venimos abajo porque es de oye que esto no funciona y entonces baja mucho el interés, baja mucho la financiación para investigación, baja mucho todo luego en los 80 empezamos con los sistemas expertos, estos que vamos a sacar el conocimiento de la cabeza del experticio ah, esto sí, esto sí, esto sí va a funcionar pero luego veíamos, no podemos modelar todo el conocimiento, no es suficiente entonces nos volvíamos a hundir y estos los llamamos históricamente los hemos llamado los inviernos de la IA los dos inviernos que ha tenido la IA durante toda la década de los 70 y un poco durante el cambio de década de los 90, que fue cuando nos dimos el segundo gran batacazo aquí tuvimos un tiempo, bueno relativamente estable de un interés un poco más dormido, un poco más bajo y en 2011 que es cuando digo la campanada de Watson, Watson ahí me he dejado la idea más interesante lo más interesante de Watson no fue que ganase a Yopardi, sino cuando ganó hicieron la campanada mediática y tuvieron todo ese interés y habían cogido la atención del mundo y dijeron y ahora tú puedes usar Watson para resolver el problema que quieras pagando, claro, entonces lo convirtieron en un producto y fueron un poco los precursores de esta idea de me voy a la nube a que otra empresa me haga la inteligencia artificial y a mí me devuelvan los resultados ya más ticaditos entonces con eso explotamos y ahora estamos más o menos aquí, ahora estamos en toda la cúspide del hype y ahora hay tres escenarios uno revoluciona la industria y la sociedad, seguimos creciendo y nos vamos para arriba esta vez este es un poco más probable por lo dicho, porque este cambio de que ahora esto está en la nube y ahora todo el mundo puede hacerlo y es más accesible a todos hace que estén menos manos y por tanto haya más probabilidades otra decae la excitación pero bueno conseguimos en ciertos dominios hacer cosas chulas y entonces nos quedamos en una nueva meseta pero ahora en esta zona alta y luego está el escenario juego de tronos que es que nos explota la burbuja y nos vamos al tercer invierno de la idea y tenemos otro gran invierno veremos un poquito hacia dónde avanza el tema pero es un momento muy interesante para estar dentro de la inteligencia artificial con esto concluye ese primer bloque de ideas generalistas sobre inteligencia artificial pero como es una presencia larga en la que vamos a cubrir muchas cosas hacemos una pausita y recapitulamos los conceptos clave que he visto para que los tengáis todos juntos y los podéis apuntar todos juntos conceptos fundamentales que hemos sacado de aquí la diferenciación entre I a débil e I a fuerte la simbólica y la sub-simbólica la que entiende el mundo y la que no entiende por aquí os tapo todo el rato ¿verdad? los sistemas expertos estos en los que intentábamos modelar todo el conocimiento del experto y tener un conjunto de reglas donde teníamos absolutamente todo de ahí avanzamos a los sistemas recomendadores con el razonamiento basado en casos que está dentro de esto los sistemas que te recomendaban compra un perfil, un diagnóstico que evoluciona hacia el Big Data y la predicción cuando empieza a tener esos conjuntos de datos gigantes y ya nos empezamos a dar cuenta como os decía antes de que ya no es necesario entender de verdad el perfil de mi usuario es decir, confiar Amazon no os perfila no dice sois un usuario de este tipo no os comprenden los algoritmos de Amazon hasta ese punto no os comprenden en términos humanos simplemente hacen inferencias estadísticas de comportamiento frente a otros usuarios unos millones y millones de usuarios es un cambio fundamental entre el razonamiento basado en casos que el caso era coherente y perfilado y asimilable frente a esta idea mucho más abstracta y a medida que potenciamos toda esta parte de predicción nos vamos metiendo en el territorio del aprendizaje automático la máquina que aprende sola a partir de mirar muchos casos y de ahí nos metemos al Deep Learning que es un poco lo que ahora es el Reitero Deep Learning y a débil que no entiende el mundo no entiende lo que nos está recomendando y que se basa normalmente en redes neuronales de mucha profundidad utilizando la potencia de cálculo que solo tienen las megacorporaciones y desde aquí, ¿qué estamos haciendo? ¿Cómo están influyendo estos conceptos en nuestro futuro cercano? y no digo futuro cercano de las cosas que podremos hacer dentro de unos años sino las que ya podemos hacer hoy y que se están empezando a expandir de la vida las dos primeras tienen que ver con la robótica robótica tanto de entretenimiento como de servicios en visiones ya no me voy a meter solo la industria 4.0 sino en lo que nos afecta en nuestra propia casa en texto al final una rumba que parece una tonterita lo que está implementando por dentro son los problemas duros que en los 90 que yo estudiaba en la carrera los 90 el mapeo automático a medida que vas recorriendo una habitación de mapa, de identificación de riesgos identificación de rutas y demás pero fuera de esto que es como visible porque va orientado a usuarios hay también dos grandes transiciones que están sucediendo que son mucho menos visibles la primera es el trading automático hoy en día el grueso de las transacciones en bolsa no las hacen humanos las hacen algoritmos y no las hacen moviendo grandes volúmenes de dinero sino moviendo acciones para buscar ese céntimo por acción de beneficio pero esto lo hacen a la velocidad a la luz prácticamente, es decir esto es micro trading que se hace a toda velocidad para aprovechar las pequeñísimas fluctuaciones todas estas imágenes tradicionales que vemos de la bolsa con la gente vendo, compro, tal y que parece que estos señores son los que estamos en el mundo estos son los que están bailando en la superficie el volumen real está debajo está oculto y hoy ha migrado todo al mundo del micro trading el grueso de las transacciones son así hasta el punto de la propia bolsa de Nueva York que es tipo muy interesante sobre cómo el año pasado estuvo en quiebra absoluta cerca de 10.000 veces eso sí, cada una de esas quiebras absoluta duró medio segundo aproximadamente o lo cual no era ni siquiera perceptible para el humano pero es verdad que entraban todas las máquinas a la vez hacer un cierto tipo de transacción entonces ha de haber un pico en ese pico la mitad de los micro traders habían quebrado y la otra mitad se habían hecho millonarios con esos algoritmos que utilizaban y los humanos no estamos no estamos participando de esto y esto es un problema serio que luego voy a hablar un poquito después y otro ámbito donde estamos aplicando muchísima inteligencia artificial es en toda la parte de detección de ciber amenazas en la guerra online sobre ataques detección de ataques, desarrollo de ataques y hay toda una industria de la guerra cibernética basada en inteligencia artificial que al final son unas sías luchando contra otras que eso a mí personalmente me asusta mucho más que todas las otras cosas que decimos que si el coche autónomo que tendrá que decidir si te atropella a ti o al de al lado y demás, a mí me asusta mucho más toda esta parte que la otra y por cierto he dicho coche autónomo por supuesto los coches autónomos vienen y así intuitivamente los coches autónomos son una idea fuerte o una idea débil hoy en día, a ver quién me ha ido siguiendo quién se atreve débil, exacto, el coche autónomo no sabe conducir son palabras mayores el coche autónomo no sabe conducir sabe pararse, identifica a los semáforos y se para durante un semáforo pero no sabe qué es un semáforo o por qué se tiene que parar simplemente cuando de ese semáforo me paro eso tiene muchas repercusiones, sobre todo cuando cuando hablamos tengo luego una sección sobre problemas éticos muy cortita, pero se habla muchísimo y tiene mucho impacto mediático el problema ético del coche autónomo como había dicho antes, lo de que tendrá que decidir si te atropella, si no te atropella y demás no es cierto, al menos hoy en día los desarrolladores de vehículos autónomos por mucho que hay un artículo que BMW había hecho ya sus directrices éticas y demás, de un compañero de carrera que está trabajando en BMW en el desarrollo de la conducción autónoma y dice no miramos esos problemas no sabemos niño, adulto, carrito y perro a un nivel para distinguirlos simplemente intentamos la estrategia que en cada momento tiene menos probabilidad de accidente aunque esa menor sea una diez millonésima parte de un punto de evitar accidente vamos a ir por esa, porque no entendemos realmente cómo estamos conduciendo no estamos programando a ese nivel no estamos trabajando esos conceptos una idea débil que está trabajando con redes neuronales que enseñan al coche que hacer ante cada circunstancia muy interesante esta parte estamos también con mucha inteligencia yendo a otros juegos, ahora ya se nos han acabado los juegos de mesa, entonces ahora la inteligencia artificial ha empezado a mirar a los videojuegos porque es ahí donde están los grandes retos y a jugar a los videojuegos sin hacer trampa es decir, como jugaría un humano sin conocer el estado profundo del juego, sin conocer cómo está por dentro hay mucha investigación que se está haciendo en juegos como Starcraft, es un juego muy popular para que aprendan a jugar y son retos muy grandes, y lo importante igual que el Go, no es conseguir ganar a Go sin conseguir ganar a Starcraft es todo lo que aprendemos sobre computación e inteligencia artificial en el proceso y por supuesto estos señores que es inteligencia artificial en nuestras casas, en nuestro día a día grabando todo lo que decimos e intentando responder lo mejor que pueden a todo lo que les pedimos nuestras series, nuestras Alexa nuestros Google Home y todos estos dispositivos y todo esto está empezando a meterse y a permear en nuestra sociedad, quiero decir estos ya están en muchas casas, los coches autónomos están en las carreteras la robótica está en nuestras casas el microtrading es una realidad lo que pasa es que tienen relativamente poca visibilidad hoy en día, pero en los próximos años vendrán, no porque se estén desarrollando el reitero sino porque ya existe, es un tema de despliegue, de regulación, de legislación etcétera y como todo esto viene pues querría preocuparme momentáneamente sobre los aspectos legales, éticos y filosóficos que tiene esto no nos limitan, porque decimos bueno, pero el microtrading no me afecta en mi día a día pero bueno, como profesores ahora que voy a contar después la parte de educación yo no puedo hacer cualquier cosa con los datos de mis alumnos, ni se los puedo prestar a cualquier persona los datos de mis alumnos porque para empezar vivo en un escenario de regulación sobre la protección de datos que dice que yo no puedo coger los datos personales de un alumno y subirlos a la nube de IBM para hacer los números eso es relevante, lo voy a repetir la revolución de la inteligencia artificial es que puedo subir mis datos a un tercero para que me los compute y la ley dice que no puedo darle mis datos a un tercero los datos que tengo de mis alumnos ¿Cómo se solventa esto? anonimizándolos, claro yo cojo los datos les quito toda la información personal de los alumnos y entonces se los subo a la nube de IBM para que me haga los números y luego me los devuelva y cuando me los haya devuelto como yo me voy a haber quedado con una cierta información de quién era este alumno hay un par de procesos, no me voy a meter en la parte técnica mediante Hashys o mediante Tokens que son dos técnicas que puedo utilizar para dar la vuelta yo le mando los datos y los datos identificativos de la lunes, sin su nombre y sin su DNI por ejemplo el problema es más grande porque no es trivial de afrontar cuando hacemos un proyecto de inteligencia artificial por ejemplo en el ámbito educativo nos tenemos que preocupar mucho porque la ley nos exige ir más allá la ley me dice, imaginaos que voy a saltar y voy a poner el campo médico una mujer de origen africano, 32 años escrita a un centro de salud que tiene 5 hijos y padece VH pues no tengo su nombre pero si yo me pusiese a identificar esta persona acabaría encontrando quienes es suficientemente específico como para poder hacer el cruce de datos simplemente ilustrar que es más difícil de lo que parece porque la ley no me permite simplemente quitarle el nombre tengo que ofuscarlo un poquito más para que no se pueda deshacer la operación y no se puede identificar a la persona por suerte y técnicas como que puedo ablandar los datos si yo tengo una cantidad un 20,31 de ingresos lo puedo cambiar por un 20 puedo quedarme con un rango de edad en lugar de con la edad exacta puedo cambiar una fecha por un mes puedo cambiar una hora con minutos por una hora puedo ablandar un poquito los datos esto se llama disociación para prevenir los los ataques o los intentos de revertirlo y es una legislación tediosa que a hoy en día requiere muchos de los recursos de los proyectos de inteligencia artificial especialmente en campos sensibles como el médico o el educativo porque los datos educativos no tienen el máximo nivel de protección pero tienen el segundo máximo nivel de protección que marca la ley y por qué tantas vueltas pues porque ha habido muchos malos usos de los datos conocéis el escándalo de Facebook y Cambridge analítica de hace más o menos un año o suena alguien no veo algún no, veo algún si la naturaleza del escándalo dábamos datos supuestamente para unos fines y esta compañía lo estaba usando para otros para que otros fines los estaba utilizando para hacer campañas políticas dirigidas dirigidas especialmente que mis analíticas estuvo trabajando para la campaña de Trump en Estados Unidos y lo que hacía era que camuflado como una encuestita sobre algunas de tus preferencias personales y demás casi como un juego te acababa haciendo un perfil político y además bajaba a todos tus contactos a pesar de que tú no le habías dado permiso para ello bajaba a todos tus contactos y también analizaba el perfil político de todos tus contactos y luego se lo utilizaba para hacer campañas políticas dirigidas sin haberte explicado para que iban a usar esos datos o habiéndote explicado de una forma no clara y eso es una invasión una ingerencia muy grande y una violación muy grande de nuestro derecho de privacidad y aquí hay mucho dinero y mucho poder en hacer el mal uso de estas cosas entonces es normal que tengamos muchas que queramos dotarnos de muchas protecciones y contraprestaciones para evitar estos abusos y luego hay otro problema además de la privacidad de los datos que nos preocupa mucho a la comunidad de investigación e inteligencia artificial que es el de la confianza que tal voy y se ve regular en este caso escenario, una inteligencia artificial diseñada para ayudar en el diagnóstico de pacientes de neumonía y decidir cuál tenía que ser el mejor tratamiento para pacientes de neumonía entonces ingresa un paciente con una neumonía y la máquina tiene que decidir cómo de grave es la neumonía si se le puede mandar a casa, si hay que vigilarle si hay que pedirle medicación en fin cómo de grave es el escenario este caso ejemplifica la principal debilidad de la inteligencia artificial débil porque lo que hacía esta máquina, lo que hacía este algoritmo era que detectaba como los pacientes con menos posibilidad de complicaciones o muerte a aquellos pacientes que tenían neumonía y además un histórico de asma voy a dejar que eso termine de aterrizar, se consideraba que los pacientes que mejor estaban eran los que tenían neumonía y asma y esos eran los más seguros para mandar a casa, no tiene sentido ¿qué le pasaba la máquina? y esto es una idea clave la inteligencia artificial es débil, no es un médico y nosotros tampoco pero lo intuimos y decimos, pero eso es una locura ¿en qué estamos pensando? ¿qué pasa? la máquina se estaba entrenando con casos históricos y cuando entraba un paciente que tenía neumonía y un histórico de asma los hospitales los mandan de cabeza la unidad de cuidados intensivos y claro, allí no se les complica la cosa porque los tienen supervigilados se ponen todos los recursos viendo que no se morían pero acá la máquina estaba recomendando mandarles a casa porque dice, según mi experiencia ¿cómo mueren nunca? claro ¿qué es lo que hace la máquina? empiezo por esta parte busca sesgos como no entiende como no entiende de verdad sobre lo que está operando busca patrones y los maximiza entonces, si empieza a detectar un cierto patrón de que la gente y me voy a Estados Unidos de que la gente blanca tiene más tasa de éxito y los préstamos la máquina empezará a evaluar negativamente a cualquier persona de color a la hora de pedir un préstamo porque magnifica los sesgos que tenemos, que se deberán otras cosas se deberán que en general hay mayor una distribución irregular de la riqueza pero la máquina se dedica, aprende a base de buscar sesgos y maximizarlos para buscar esos patrones entonces eso es una debilidad clave de la IA Deville y uno de los grandes retos de la IA y una última reflexión sobre los retos y ya me voy a la parte de IA en educación para el último bloque que es la noción de que el código es la nueva ley de Code is the new law si todos los coches son autónomos que hacemos con el código de circulación el código de circulación está escrito para humanos al final el código de circulación acabaría dentro del propio código fuente de los coches autónomos con lo que no tendría sentido pensar en términos de código de circulación sino de regulación informática de que se puede o no se puede programar es un cambio de paradigma legal muy importante o lo mismo si todos los traders de bolsas son agentes como regulas el mercado no lo puedes regular a nivel de transacciones o transacciones entre dos empresas lo tienes que regular a un nivel mucho más bajo y a un nivel de auditoría de código fuente que es un jardín porque los expertos en auditoría o los expertos en finanzas no son expertos en código fuente o si un algoritmo comete un delito porque hayas dicho no se puede hacer un cierto tipo de transacción el algoritmo hace ese tipo de transacciones pero el algoritmo reitero es débil no comprende el mundo en el que está trabajando de quién es la responsabilidad penal no digo que lo sepa está ahí fuera y está ahí sin sin definir y a medida que vamos dejando el espacio a la inteligencia artificial todas estas preguntas se van haciendo más potentes y reitero no me voy a las relativamente más triviales como si el vehículo autónomo tiene que atropellar un perro hay otras menos poéticas que nos podemos identificar menos con ella que la del coche de cine antropellano a una persona pero en realidad con un impacto mayor en nuestro futuro como sociedad y en nuestra legislación y en nuestra regulación es todo lugar a toda una línea de investigación que es la explicabilidad ya hemos decidido que la IA débil es lo que mola pues a lo que necesitamos es entender mejor alasías débiles para poder saber por qué han tomado esas decisiones y poder entender por qué han tomado esas decisiones todo el mundo ha llegado nos hemos metido en la parte más técnica la parte más de clase incluso la parte de disquisiciones pero todo esto nos puede parecer que está un poquito lejos que está un poquito etéreo que está un poco lejos de nuestro día a día y de nuestra práctica diaria por eso quería dedicar los últimos 15 minutos y dejar luego al menos 20 para preguntas a aterrizar esto a algo que sea más cercano a vosotros y desde luego mucho más cercano a mí mismo porque es lo que estamos trabajando a nivel universitario que es de todo ese menú que existe los sistemas recomendadores, los sistemas expertos la inteligencia artificial, las redes neuronales y demás qué cosas podemos hacer para aplicar esto en el ámbito educativo en el ámbito de la educación no en un campo de aplicación sino en la educación propiamente dicha y la verdad es que en muchos en muchos nosotros tenemos un roadmap dentro de la Cátedra IBM de intervenciones que queremos hacer sobre toda la parte del proceso de aprendizaje formal es verdad que está un poquito sesgado a instituciones que sean capaces de tener toda la información sobre sus alumnos por ejemplo porque sean universidades online y a un escenario en el que también hay un va a sonar muy mal pero es un cierto mercantilismo en el proceso de formación y me explico porque es que es lo que quiero decir es tener apoyos de inteligencia artificial tanto en la búsqueda de cursos como en la matrícula que son temas muy comerciales aunque a mí el que más me interesa como profe es el desarrollo del curso propiamente dicho pero veremos que se pueden hacer cositas en todas partes lo hago como un poquito lista de la compra pero para identificar para haceros un paseo sobre cómo en todas las fases del proceso educativo se pueden hacer cosas chulas conía y se pueden hacer ya todos ponen si de hecho nosotros nos hemos puesto en varias de ellas la búsqueda de cursos es un acto de compra entrar ir a mirar los distintos cursos que existen los distintos perfiles y demás a este plano que tenemos aquí puesto ahora mismo en la pared estos compraros es un escaparate a todos los efectos y si esto lo estás haciendo online esto es un escaparate online todo lo que sabe hacer Amazon de recomendarme el producto más adecuado a mis características se puede aplicar a esto a decidir cuál es el curso más adecuado a cada uno de los alumnos por supuesto necesito hacerlo esto bien y voy a saltar al último necesitaría poder conocer bien a mi usuario yo como universidad online no siempre conozco lo suficiente a mi usuario cuando está en mi escaparate comercial decidiendo que quiere cursar pero si le conozco lo suficiente le podría recomendar el curso y eso requeriría saber de su formación previa luego iremos a eso al final de la presentación e incluso cosas que ya estamos haciendo nosotros en unir que es el análisis de la demanda futura nosotros tenemos ahora mismo un proyecto con el que vamos a empezar a hacer la semana que viene un montón de ruido mediático que es que estamos de acuerdo con ellos estamos chupando toda la información de de info jobs sobre todo a las ofertas de trabajo las computamos y estamos utilizando eso para tirar gráficas de profesiones que están incrementando su demanda y poder hacer eso en espacio de días y no de análisis posteriori de la última década es alimentarse de todos esos datos para hacer el análisis de demanda futura de profesionales y poder resaltar estas partes todo esto es IA aplicada a la parte comercial de decidir qué curso hacer y si un alumno ya ha decidido que se va a matricular conmigo y yo sé todas sus experiencias previas, es su formación previa sé lo que sabe y lo que no sabe en qué cosas es bueno y en qué cosas es malo mi inteligencia artificial también sería capaz de prever utilizando redes neuronales de las que hemos hablado antes prever la dificultad que va a tener cada materia para el alumno basando en vendatos históricos oye todos los que venían de este tipo de carreras o de este tipo de carreras en este país y en esta universidad concreta han sufrido en mi asignatura de cálculo diferencial pues ya decir ojo que esta va a ser un coco yo bien te recomiendo algún tipo de complemento de formación o te optimizo el itinerario de aprendizaje decir bueno el cálculo diferencial te vas a tener que meter en él pues déjatelo para el año que viene porque viene el coco no te lo pongas el primer año que te vas a desmotivar y demás y poder llegar a una oferta de matrícula personalizada basada en las fortalezas y debilidades de los alumnos esto está, esto es factible hoy, lo único que me limita para hacer esto es el modelado, el modelar todos estos datos de origen del usuario todo ese big data poderlo modelar normalmente en un sistema de matrícula en papel como en las institutos no podríamos pero los míos en matrícula en online y lo tengo y puedo hacer cositas y tampoco falta tanto para que la administración se mueva entera a matrículas digitales esa va para que domine para la parte política pero bueno, vale de lo comercial que aquí al final somos todos somos todos profes ¿no? ¿cómo me puede ayudar una inteligencia artificial en el desarrollo de un curso? pues aquí hay muchas más maneras tanto que tengo que deslosarlas que es lo que más me gusta que me ayude en el seguimiento soy de una universidad online, soy de una universidad masiva estamos yendo, están surgiendo estos modelos un profesor con muchísimos alumnos y no quiero que la máquina sea quien acompañe al alumno o que sea la última responsable pero sí que me vendría muy bien que la máquina me ayude a identificar que alumnos están sufriendo o que alumnos por todo el histórico de cómo están interactuando con la universidad que alumnos están en riesgo de no superar una asignatura para que a mí como profesor se me levante una banda de arroja y me diga ojo con este, con estos otros bien no tienes que preocuparte, van bien, van sobras pero este necesita apoyo extra y poder hacer eso cuando estoy en un grupo pequeño en el que tengo mis alumnos delante, si no puedo hacerlo en una enseñanza online que es masiva y para todos esos que no necesitan esa atención especial, sí que puedo hacer cosas como lo que llamamos el apoyo just in time que es imaginados al alumno yo vengo de programación el alumno que está programando y está cometiendo un fallo muy habitual y tener un sistema que detecte eso y salte y diga hola creo que estás teniendo aquí problemas, os acordáis de Clippy, del asistente de office estabas ahí escribiendo tesis doctora y tal y saltaba hola, me parece que estás escribiendo una carta siempre escribo mis cartas a mis amigos así por eso no tengo amigos pero bueno eso ha mejorado, eso ha mejorado mucho desde la época de Clippy y se puede aplicar a temas como programación, a temas técnicos se puede aplicar mucho el según el alumno estar resolviendo un ejercicio, detectar los errores que está cometiendo y ayudarle justo en el momento e invocar al profesor en los que no sea capaz de corregir la máquina por cierto, el otro día estaba escribiendo un artículo para una revista, lo tengo que decir después del palo estaba escribiendo un artículo y me saltó un asistente de office, esto fue la semana pasada y me dijo, creo que estás escribiendo un artículo académico, no sé si conoces mis nuevas funciones de manejo de referencias debo decir que he dado que yo he puesto muchas veces el ejemplo de darle el palo a Clippy de cuando estaba escribiendo el tesis doctoral ha mejorado la cosa mucho porque bueno Microsoft no es ajena los avances en inteligencia artificial mejora el seguimiento, apoyarme cuando tengo todas esas docenas de alumnos y apoyarme en la evaluación continua podría tener un sistema que evaluase automáticamente los ejercicios de mis alumnos eso no me gusta yo quiero ser yo, yo creo que tiene que ser el profesor del que tenga la última decisión sobre si un ejercicio está bien o mal pero es verdad que cuando me encuentro con 200 ejercicios para corregir, tener una pre-classificación o que la máquina me señale zonas que probablemente están mal para centrar mi trabajo y ir más rápido a buscar los sitios no perder yo la decisión, pero si me puede echar una manita, identificar dónde poner el foco me viene muy bien otra cosa que estamos haciendo en unir yo tengo un foro y a lo mejor llevas dos días y tienes el foro de mensaje de los alumnos te encuentras 40 y los abiertos una cosa, un experimento que estamos haciendo es leerse una maquina se lee todos esos foros y me los cataloga y me dice esto es conversación trivial están hablando del tiempo, de que qué bien fue la clase de no sé qué y demás y esto es un incendio, estos son alumnos descontentos para que si yo esta noche no tengo tiempo de mirarme los 40 irlos voy a ir a los dos urgentes a ver si puedo apagar este fuego antes de que se me extienda y está tan al alcance de la mano que ya estamos haciendo un piloto dentro de la universidad y también para que los alumnos puedan decidir les pudiéramos dar un menú de actividades o de ejercicios y que según el estilo de cada alumno o según las preferencias de cada alumno le pueda recomendar hace este ejercicio o hace este otro y que los pueda corregir mucho que hacer en la evaluación continua y en el aprendizaje adaptativo por supuesto, es otra de las grandes líneas de investigación en inteligencia artificial aplicada a educación que es los sistemas de aprendizaje que se van adaptando dinámicamente a las necesidades de cada alumno que adaptan los tipos de contenidos a las competencias previas, al perfil del estudiante a los estilos de aprendizaje aunque eso es una cosa que últimamente está un poco denostada toda la conversación sobre si existen o no existen los estilos de aprendizaje sobre si son verdad o no no me voy a meter en ello porque da para tracharla entera completamente separada pero solo entenderé que la década ha pasado todo el mundo con senso académico a los estilos de aprendizaje y ahora en la última década es a lo mejor no está cierto yo no me posiciono simplemente digo que hay una controversia y en la evaluación se pueden hacer muchas cosas incluyendo el santo grial de la inteligencia artificial aplicada a educación yo ya he hecho experimentos ya hemos hecho experimentos o hay muchos experimentos no solo aquí en unir sino hay fuera de decir bueno si yo tengo toda la interacción del alumno y ya sé qué tipo de alumno sé cómo está estudiando, sé dónde está prestando atención sé a qué zona se está prestando más atención soy capaz de conocer de él lo suficiente como para predecir la nota que va a sacar en el examen vale, olvidos de la máquina, bajad a vuestras clases a que todos más o menos de un montón de alumnos antes del examen ya sabéis de qué te cogen al final el examen hay que hacerlo pero más o menos sabes cómo va cada uno a lo mejor alguno te sorprende y explota en el examen de repente o alguno pincha y se hunde pero lo normal es que más o menos el profe que está en el día a día con un grupo suficientemente pequeño lo sepa yo en la universidad presencial cuando tenía 15-20 alumnos lo hacía el examen porque había que hacerlo pero se había lo que iba a seguir cuando tenía 80 no, bueno 80 no era capaz de hacerlo pero bueno la máquina también es capaz de hacer eso si toda la interacción es online vale, sabemos predecir notas a través de certidumbre y si yo pudiese hacer una predicción de notas potente si yo puedo estar seguro al 95% de la nota que el alumno va a sacar en el examen necesito hacer el examen a lo mejor puedo parar ahí y ponerle ya directamente la calificación con todas las consecuencias éticas sobre que el aprendizaje lo esté controlando una máquina frente a que lo esté haciendo un profesor y demás que pudiera tener pero ahí hay, ahí hay chicha ahí hay grandes objetivos para la inteligencia artificial que pueden cambiar de manera muy significativa el panorama de lo que es la educación en general y lo mismo para evaluar competencias y demás, lo último me lo saldo que es una cosa muy interna nuestra y luego hay una última parte también inteligente que es el de evaluación inteligente de competencias voy a saltar a este, va de venir aquí evaluación automática de competencias y ver cuál es el desarrollo a nivel de competencia individual del alumno y modelar esto y si yo puedo modelar esto podría hacer lo que llamamos los smart portfolios, los portfolios inteligentes de competencias de los alumnos que sería el punto clave para alimentar lo primero que contaba de la búsqueda de cursos si yo puedo saber no qué título ha sacado al alumno sino su nivel de competencia en todo un conjunto grande de competencias a dada de la recomendación de cursos la matrícula personalizada mucha chicha y luego esto no esía pero también nos gustó un montón que es que estamos haciendo cosas sobre publicar competencias y demás en blockchain para que puedan ser analizados por terceros son un montón de cosas y estas sí que son de nuestro día a día esto no es una optimización de procesos esto no es para la práctica profesional que harán nuestros alumnos esto es lo que va a afectar a la práctica profesional nuestra lo que viene, los nuevos modelos que vienen a afectar directamente a nosotros, a vosotros a mí, a todos los que estamos aquí reunidos hoy y por cerrar con una última idea quería simplemente, bueno no ya para vosotros pero el otro día se hablaba aquí de la necesidad de una formación en inteligencia artificial para nosotros, para nuestros alumnos, para el mundo y quería terminar con una reflexión de que hay dos grandes caminos para la especialización en inteligencia artificial estaría el de la formación generalista en inteligencia artificial doyar un par de pinceladitas de qué es hoy en día se considera un experto generalista en inteligencia artificial pero luego todo el campo que hay y que yo creo que es más relevante para vuestro caso concreto que es la formación complementaria en inteligencia artificial porque la generalista más o menos es la de toda la vida el camino puro del experto en inteligencia artificial hoy en día es un señor que estudia ingeniería informática o computer science en donde se dice Maglos Zajón si es en el sistema español hay varias especializaciones de la ingeniería informática y la de la IA y después sigue con un máster en inteligencia artificial es digamos el camino canónico es por ejemplo el que desarrollé el que desarrollé yo pero luego hay caminos alternativos porque en realidad no es imprescindible venir de una ingeniería informática en computación en realidad cualquier grado técnico pero que tenga una énfasis en programación me vale también como puerta de acceso es verdad que hay que saber programar bastante pero no es necesario que sean tan especializados también puedo ir por un máster generalista para buscarme un poquito más la vida entonces cuando alguien pregunta qué tengo que hacer para convertirme en experto en inteligencia artificial pues este es el camino puro y este es el alternativo pero esto no es lo que nos interesa más en este caso sino esa persona que en realidad está formada en otras cosas y que cuando mezclamos cualquier área del saber humano y le sumamos IA nos sale una nueva profesión digital del futuro que hoy en día es una profesión de gran impacto, de gran relevancia y que lo que consiste es en partir de la base que sea y añadirte una capa suficiente de IA que puede ser relativamente superficial por lo que os decía antes ya no es necesario implementar los algoritmos de inteligencia artificial están implementados en Google, le puedo pedir a Google que me haga toda la parte dura de programación a mí me vale con ser capaz de modelar el problema y de entender las tecnologías que están en mi mano con lo que puedo desarrollarme, bueno pues en todas estas profesiones la miramos en portales de empleo y aquí hay mucha pasta por estos perfiles especializados y creo que es algo también tremendo interesante y esta es un poco la idea con la que os quería dejar hemos recorrido un camino largo hemos hablado de las definiciones generales de la inteligencia artificial hemos hablado de los retos éticos y filosóficos hemos aterrizado en cómo nos puede afectar a la educación y una reflexión final sobre el futuro de la educación en inteligencia artificial y con eso hay un bizcocho que darme para vuestras preguntas muchas gracias la verdad es que hoy vamos a hablar del inglés como cosa imprescindible como lenguaje imprescindible y ahora de los que hasta hace un mes pensaba que efectivamente que el inglés era imprescindible y aprendí inglés y estoy satisfecho pero hace un mes conocía una abuela de una amiga de mi hija y nos empezamos a entender con el Google translator y hablamos estupendamente ella no tiene idea de español y yo no tengo idea de ruso y mi pregunta es de verdad tenemos que poner tanto énfasis en el inglés cuando posiblemente dentro de dos años o tres o cuatro ya no estoy hablando de veinte con un aparatito en la oreja nos lo traducirá automáticamente no estamos invirtiendo demasiado tiempo en algo que ya posiblemente sea viejo quizá no voy a decir que no a pesar de que defendería aún así una reflexión sobre el aparatito Google translator le pasa lo mismo que al coche autónomo no sabe el aparatito no sabe inglés, no sabe ruso, no sabe español no sabe ninguno de los tres idiomas porque no funciona por entendimiento profundo sino que funciona por compresión real, sino que es una idea débil eso me hace pensar que en cuanto que la conversación deja de ser superficial sigues necesitando seguramente el idioma o no tenerse un lenguaje técnico y tal pero no te puedo dar una respuesta firme y sólida porque además esa parte de la traducción automática está ahora mismo en plena revolución por lo mismo, porque le hemos cambiado el foco hace cuatro años vamos a dejar de intentar entender la frase y simplemente lo que hace Google es que busca todo el resto de frases que hay en internet y dicen pues parece que es esta quita la compara con ella pero no sé cuánto recorrido tiene esa parte de la traducción débil, no la sé jugar ahora mismo si ¿ahí va a terrisar un dono de la inteligencia artificial? ¿cómo se incorpora uno a la inteligencia artificial? nosotros, yo personalmente soy profesor de informática en un ciclo superior vamos a terrisar más, yo quiero introducir a mis alumnos en la inteligencia artificial alumnos que llegan de bachillerato que se incorporan allí, que algunos no saben programar que les enseñamos a programar ¿cuál sería un primer paso una cosa elemental? empezamos con dictata, empezamos con bachillerato no orientada a objetos, empezamos con MongoDB pero ¿qué herramienta, qué instrumento, qué cosa para empezar, empezamos con Python? hay una parte muy bonita que está muy bien para este nivel precisamente, alrededor de Python Python tiene unas bibliotecas específicas para aprendizaje automático y en ellas además trae ya unos data sets unos conjuntos de datos de Big Data listos para utilizar entonces se pueden plantear ejercicios muy simples de, a partir de esos data sets construir, entrenar distintos modelos, entonces hay un camino muy interesante para explicar los principios de aprendizaje automático voy a utilizar unos datos para aprender y utilizar otros datos para validar e intentar hacer pruebas para ver si los alumnos son capaces de entrenar un modelo y luego predecir otros datos o te puedo pasar más de cerca cuáles son, pero ya hay y como estamos en ese fenómeno de que la parte dura de la algoritmia, de la regresión que utiliza Python para aprendizaje automático, está ya programada ni siquiera tienes que ser capaz de programarla, sólo de llamarla, con lo que es asequible, con ellas para todos los públicos y luego para los alumnos de este perfil sin ningún problema, y se pueden hacer cosas muy chulas con relativamente pocas líneas de código y ver hoy los resultados tan gibles de interferencia artificial Me interesa mucho la penúltima diapositiva que si puedes ponerla otra vez que itinerarios formativos forman parte de la derecha, es decir veo claro los grados de la izquierda pero como llegamos a la parte de la derecha sumando estas, es decir, ahí la posibilidad de buscar una formación generalista, no profunda en inteligencia artificial de cuáles son los conceptos, las técnicas y demás lo que está haciendo muchas de las personas que acceden a estas profesiones es normalmente desde estas másteres de distintos niveles de exigencia relacionados con inteligencia artificial que son, digamos, lo de tener esa combinación lo que le habilita para desarrollar esas profesiones, es decir son estas las que valen tenemos gente que viene voy a ir a un caso de un profesor nuestro que es bastante mediático, trabaja mucho que es un profesor de derecho porque luego se especializó en inteligencia artificial y que se dedica a escribir y hablar en prensa sobre las repercusiones computacionales de la ley, sobre los escándalos de protección de datos, etc. y al final es una persona que su formación es en derecho y luego con la intensificación en inteligencia artificial, entonces, digamos que es lo que te construye, que el dominar tu campo de origen y el entender lo suficiente el de la IA eso es lo que te abre esa nueva profesión ya de por si, lo que ya te habilita para poder hacer estas cosas, no legalmente quiero decir son nuevas profesiones, no están ni mucho menos ni reguladas ni nada de eso y hay mucho paracaidista que se autodenomina estas cosas sin la formación adecuada, pero que normalmente es suficiente con eso Mira, una una duda que me ha surgido es decir, antes en un momento dado hablabas de, bueno, de subir digamos tus problemas a un nivel donde te hacían la computación y tal, pero hay digamos algún volumen de datos porque, claro, si estamos imaginemos en un habla con 30 alumnos, a lo mejor eso no genera un volumen de datos suficientes como para poder aplicar técnicas de inteligencia artificial es decir, hay un dato aunque sea un mágico, bueno, a partir de aquí tendría sentido aplicar técnicas de inteligencia artificial de data, analytics o cosas por estilo Sí, de hecho a ver, no hay un umbral fijo porque depende mucho del tipo de datos y demás te podría decir que es segurísimo con un millón de alumnos sí y que es segurísimo con 30 alumnos no pero entre medias no donde está la cosa para temas educativos normalmente está en miles, es decir, no vale con una clase de 30, pero es que no tienen que ser los 30 de tu clase puedes trabajar con todo el histórico del que puedas haber recopilado datos y puedes trabajar también en anchura, es decir, especialmente si esto lo miramos a un nivel de la administración si yo recopilo los datos de todos los institutos de formación profesional de España, ahí ya sí que tengo un conjunto de datos, cañón, vale, entonces no, al nivel micro no funciona al nivel de una clase no funciona el objetivo es dotarse de un data set muy grande y luego a partir de ahí ser capaz de predecir para una clase pero el data set original, los datos los necesito más grandes porque al final el volumen es lo que me da la potencia, diría que son miles de alumnos más que docen a 200. Y ya otra pregunta que bueno yo creo que se la contestaste un poco aquí al compañero o sea, qué tipo de lenguaje de programación son los que se utilizan en el desarrollo de estos algoritmos de inteligencia artificial? Bueno, de los algoritmos a él les he respondido del uso, tenemos una separación, ¿vale?, nosotros tenemos una serie de lenguajes en los que estamos programando los núcleos la parte del algoritmia dura y luego lenguajes distintos en los que estamos programando los sistemas que utilizan estos algoritmos y lo aterrizo más Python tiene una implementación muy buena de aprendizaje automático que por dentro el núcleo está programado en otro lenguaje distinto que se llama LISP es muy antiguo pero es que sigue siendo el mejor para inferencia pero luego por ejemplo los grandes desarrollos de algoritmos, muchos de ellos lo que tiene Google en sus datacentes de TensorFlow que se llama su tecnología, es todavía más prosaico, lo que tienen dentro son tarjetas gráficas y está programado en un lenguaje de programación para tarjetas gráficas esto es transparente para ti como desarrollador es decir, el externo normalmente utiliza otros lenguajes ¿cuál es Python de los más populares? R, también bastante popular pero en el fondo puede llegar desde un interfaz Java desde un interfaz C++ o C-Sharp hay conectores para todo pero esa es una de las gracias que se separa la implementación dura y te da igual en qué lenguaje sea son al final usos, parecen lo más popular pero se puede desde cualquiera no, me sorprende con el LISP porque los LISPs hacían goza pero bueno, está llevando hace 30 años o 40 años por eso me extraña todavía subsista sigue vivo porque para racionamento basado en casos es lo mejor que hay por eso sigue vivo lo que pasa es que como no mucha gente sabe LISP vive tapado en las tripas de uno de ellos y tú no ves el código LISP no lo tocas, no es tocable, no está para no está para humanos ya es por eso porque nosotros somos profesores y estamos recibiendo un recurso de la buena, magnífico aquí símos impresionante para que sea herramienta para nosotros como profesores pero claro, yo esperaba claro, no era esa la finalidad para nosotros como profesores incorporar a nuestros alumnos a estas tecnologías porque somos profesores de tecnología una cosa de ingeniería pero que hay muchos también de informáticas, como preparar a nuestro alumno porque son profesionales más que del uso de la inteligencia artificial de contribuir de la implementación del desarrollo de ser profesionales porque claro, este señor de derecho más inteligencia artificial pero dentro del derecho lo ha recibido de la universidad lo ha recibido de los sabios del derecho y la inteligencia artificial la ha recibido de vosotros, de los profesionales pero claro, el profesor de formación profesional y nuestro alumno dice, claro, Python para programar duro nuestro alumno está muy lejos de eso como un alumno de formación profesional se incorpora profesionalmente a este mundo no solo como usuario sino como desarrollador quizá le coja demasiado lejos no, no nos tiene coger lejos yo de hecho dejo aquí el guante a la web de la gente yo he encantado además de hacer uno específico para programadores más orientado al comú y con los alumnos la idea de hoy era más generalista porque mi idea es que estáis mezclados de muchas especialidades y demás y por eso estamos en un nivel más generalista pero yo he encantado yo prefiero remangarme y meterme al barro de la IA de nuevo sitio como se incorpora esto a este mundo dejo el guante a ver por alusiones si tienes toda la razón del mundo las cosas no se pueden hacer demasiado pero la idea evidentemente no era que salísis de aquí y llegase mañana a clase y empezó a hacer cosas de inteligencia artificial pero visto lo que nos contaba es un poquito a mí esto me sonaba ligeramente yo creo que la idea es tener una visión efectivamente ver si tú en tu clase eres o no capaz de incorporarlo y ver como se puede incorporar o que tengo que hacer para que se pueda incorporar a lo mejor si programas en Python en vez de trabajar con yo que sé con 300 mil millones de teradatos pues se puede hacer un ejemplo y yo con 1500 datos bajándote la guía telefónica es por decir algo es ver lo que hay que transmitirle a nuestros alumnos por donde van los siglos es decir, todos los que hemos trabajado en algún ciclo de automatización y robótica o megadrónica tenemos claro lo que es un robot pero a lo mejor no teníamos tan claro cuando algo llega aquí y separa aunque eso no tiene por eso necesariamente inteligencia artificial pero si hace procesos más complejos en términos de robótica colaborativa que ahí haya mejor una capa de inteligencia artificial y entonces a lo mejor nuestros alumnos no van a llegar a programarlas pero si creo que es fundamental que llegan a entender que eso está sucediendo ahí es decir pero hace eso guante hay año que ya en el momento nos venimos todos con ordenadores nos remangamos y nos ponemos al lío imaginar lo siguiente es decir, que este señor llega aquí y empieza a explicarnos códigos y a poner pantallas de códigos a los dos minutos le pega un tiro porque sería esto entonces pues bueno vamos a ver qué se puede hacer de ahí por seguir progresando en este moldillo ¿no? eso no lo va a decir Samsung dentro de poco tiempo estamos trabajando con Samsung en esto pero claro el problema que hay es precisamente discernir qué se puede hacer en este campo data analytics e inteligencia artificial información profesional es decir, es que necesitas saber ecuaciones diferenciadas diferenciadas, perdón transformadas rápida de furiares conocer estadísticas por aquí por ahí ayer para ayudarnos eso hay que analizarlo muy, muy mucho pero bueno, estamos haciendo esto es el aperitivo más cositas sí, por ahí a fondo igual, yo no lo he entendido bien pero me ha sonado algo así como habías dicho primero nosotros desarrollamos los algoritmos para esa inteligencia artificial débil para fin al cabo lo que estáis centrando la débil y luego tenemos que aprender de ella no lo hemos desarrollado nosotros cuando me tiene la explicabilidad sí, es que, a ver es una pregunta grandísima el algoritmo de recomendación de vídeos de YouTube que de ese he leído mucho y lo conozco bien por dentro se basa en un proceso levemente de selección natural de modelos, es decir, se van haciendo distintos enfoques de entrenamiento para decidir qué vídeo voy a predecir y luego yo tengo corpus de si a los usuarios les ha gustado un vídeo determinado e incluso el propio algoritmo con el que me quedo lo voy seleccionando con otro algoritmo entonces al final estoy el desarrollador está tan lejos del modelo que ha desarrollado que sabe frente a unos indicadores que funciona bien pero no por dentro, no es capaz de predecir qué recomendación va a dar el algoritmo, ni siquiera es capaz de entender por qué ha recomendado este vídeo y no el de al lado porque como se ha entrenado de manera automática hemos hecho, hemos aceptado que podemos vivir con una pérdida de control grande no sólo nosotros las aerolíneas yo conocía a un señor Raja de Niberia que decía, yo como directivo iberiano tengo ni idea de si un billete va a subir o bajar, no lo sabemos y ya hemos dejado de entender por qué va por pesos, por históricos, por evaluaciones y hemos dejado de entenderlo y eso es uno de los retos éticos a los que nos enfrentamos ahora que es que ya no entendemos cómo funcionan nuestros algoritmos por dentro o como se han desarrollado a sí mismos por así decirlo al final eso es un riesgo y es un peligro que es incontrolable desde el punto de vista de lo hemos desarrollado de tal manera que no llegamos ni a comprender un ejemplo el de Boeing claro, no sabía al final como respondían por los defectos de los flags tenemos que aprender nosotros de algo que hemos hecho y no sabemos cómo evolucionar lo que estamos haciendo es que a mí me encanta esta línea estoy trabajando mucho en ella en la explicabilidad lo que estamos haciendo es entrenar redes neuronales para analizar otras redes neuronales y saber por qué funcionan pero entonces no sabemos cómo hemos hecho lo de la otra y es un mundo porque hay una tensión muy grande entre que hemos visto la potencia del deep learning pero la gracia del deep learning es que no es dirigido que no es humano que busca cualquier patrón y lo explota pero no sabemos qué patrón se está buscando y es entre objetivamente esto es lo que mejor resultado nos da pero ahí me caches que no tenemos ni idea de por qué me da este resultado entonces toda esa investigación en cómo hacer que este deep learning queda tan buenos resultados lo entendamos por qué los da ya te digo, es un área de investigación en la que se están publicando papers, se están haciendo tesis doctorales se están trabajando a saco en ella en la explicabilidad la última pregunta corta se está popularizando mucho el Python y demás como estamos hablando pero yo todavía he oído que el C siempre ha sido un lenguaje compilado mucho más rápido que el Python por ejemplo que se ha interpretado y no sé o sea si debemos también tener bastante capacidad de cálculo porque no se orientan a lenguajes de programación que el que sean compilados y el Python está teniendo tanto éxito hoy en día pero es por esta separación es porque ahora lo que prima como lo hemos dividido yo realmente los algoritmos de inteligencia artificial no están programados en Python yo voy a acceder a ellos desde Python porque es más fácil es más claro porque es más limpio por el motivo que sea pero los cores los programo en cualquier otra cosa y que sean cosas especializadas en el tipo de tarea concreta que voy a utilizar entonces los grandes algoritmos de redes neuronales están prácticamente escritos en ensamblador no en el ensamblador que conocemos todos sino en el lenguaje de pixel shading de las tarjetas gráficas lo que ha pasado es que hemos divergido y eso está muy bien porque ahora es mucho más accesible lo programas en lenguaje espaciales y no tienes ninguna penalización de eficiencia porque el trabajo duro está en otro lado entonces como tú estás solamente haciendo el acceso, el dar las órdenes para que se haga la computación dura y luego la computación dura la hace otra máquina en otro lenguaje y no te penaliza hola al café muchas gracias