A4 La IA en la práctica

1. 1Prepárate
2. 2Hazlo
3. 3Compruébalo
4. 4Enséñalo a un adulto

1Prepárate

Necesitas:

• Python e IDLE (u otro editor que ya uses)
• Papel

2Hazlo, paso a paso

1. Las características son los datos que mira un modelo, como la altura y el peso. Una etiqueta es la respuesta, como «gato» o «perro». Una predicción es la suposición del modelo.
2. Abre Python. Escribe este programa y ejecútalo. Adivina gato o perro solo con el peso, usando una línea divisoria en 8 kg.

   # Cada mascota: [altura en cm, peso en kg, qué es]
   pets = [
       [25, 4, "cat"], [23, 3, "cat"], [28, 5, "cat"], [30, 6, "cat"],
       [45, 18, "dog"], [55, 25, "dog"], [38, 9, "dog"], [60, 30, "dog"],
   ]
   
   def predict(weight):
       if weight < 8:      # nuestra línea divisoria
           return "cat"
       return "dog"
   
   wrong = 0
   for height, weight, label in pets:
       guess = predict(weight)
       print(label, "-> machine says", guess)
       if guess != label:
           wrong = wrong + 1
   
   print("Wrong guesses:", wrong)

   Deberías ver algo así:

   cat -> machine says cat
   cat -> machine says cat
   cat -> machine says cat
   cat -> machine says cat
   dog -> machine says dog
   dog -> machine says dog
   dog -> machine says dog
   dog -> machine says dog
   Wrong guesses: 0

3. Dibuja las mascotas en papel como puntos: la altura hacia un lado, el peso hacia arriba. Colorea los gatos de un color y los perros de otro. Dibuja la línea divisoria.
4. Cambia weight < 8 por weight < 10 y ejecútalo otra vez. Deberías ver Wrong guesses: 1. ¿Qué mascota falla ahora? ¿Por qué?
5. Intenta encontrar una línea que acierte todas las mascotas. ¿Siempre hay una línea perfecta para cualquier conjunto de datos?

Aquí tienes un conjunto de datos de mascotas como [altura en cm, peso en kg, etiqueta]: [25,4,cat], [23,3,cat], [28,5,cat], [30,6,cat], [45,18,dog], [55,25,dog], [38,9,dog], [60,30,dog]. Un programa dice «cat» si el peso es menor de 10 y «dog» en caso contrario. ¿En qué mascotas se equivoca? Explica qué son los rasgos, la etiqueta y la predicción.

3Compruébalo tú mismo

4Enséñalo a un adulto

Siguiente: Lección 2

1. 1Prepárate
2. 2Hazlo
3. 3Compruébalo
4. 4Enséñalo a un adulto

1Prepárate

Necesitas:

• Python e IDLE
• Papel

2Hazlo, paso a paso

1. La última vez dibujaste una línea a mano. Esta vez el ordenador encuentra la respuesta mirando el ejemplo más cercano que ha visto. Esta idea se llama vecino más cercano.
2. Escribe y ejecuta este programa.

   # Cada mascota: [altura en cm, peso en kg, qué es]
   pets = [
       [25, 4, "cat"], [23, 3, "cat"], [28, 5, "cat"], [30, 6, "cat"],
       [45, 18, "dog"], [55, 25, "dog"], [38, 9, "dog"], [60, 30, "dog"],
   ]
   
   def distance(a, b):
       # qué tan lejos están dos mascotas, usando altura y peso
       return ((a[0] - b[0]) ** 2 + (a[1] - b[1]) ** 2) ** 0.5
   
   def predict(training_pets, new_pet):
       # busca la mascota más cercana que ya hemos visto y copia su etiqueta
       closest = min(training_pets, key=lambda pet: distance(pet, new_pet))
       return closest[2]
   
   print(predict(pets, [27, 4]))
   print(predict(pets, [50, 20]))
   print(predict(pets, [300, 500]))   # una mascota distinta de todo lo que ha visto

   Deberías ver algo así:

   cat
   dog
   dog

3. Lee las respuestas. Las dos primeras tienen sentido. La tercera mascota mide 300 cm y pesa 500 kg, mucho más grande que cualquier mascota que haya visto.
4. Cambia los números de la lista de mascotas, o añade 2 mascotas nuevas, y ejecútalo otra vez. Añade un tercer tipo de animal si quieres, como «rabbit».
5. Imprime predicciones para 5 mascotas nuevas inventadas por ti.

Con este conjunto de datos [altura, peso, etiqueta]: [25,4,cat], [23,3,cat], [28,5,cat], [30,6,cat], [45,18,dog], [55,25,dog], [38,9,dog], [60,30,dog]. Predice cat o dog para [27,4], [50,20] y [300,500]. Di con cuánta seguridad lo haces en cada caso.

3Compruébalo tú mismo

4Enséñalo a un adulto

Siguiente: Lección 3

1. 1Prepárate
2. 2Hazlo
3. 3Compruébalo
4. 4Enséñalo a un adulto

1Prepárate

Necesitas:

• Python e IDLE
• Papel

2Hazlo, paso a paso

1. El sobreajuste es cuando un modelo aprende demasiado bien sus ejemplos de entrenamiento, incluidos sus errores, y luego lo hace mal con cosas nuevas.
2. Ejecuta este programa. Crea datos inventados (con algunas etiquetas equivocadas, como en los datos reales), los divide en un conjunto de entrenamiento y otro de prueba, y prueba dos modelos.

   import random
   random.seed(1)
   
   # Crea 40 mascotas inventadas: [altura, peso, etiqueta]. Más o menos 1 de cada 7 etiquetas es un error,
   # como suele pasar con los datos reales.
   data = []
   for i in range(40):
       weight = random.uniform(2, 30)
       height = weight * 1.5 + 20 + random.uniform(-8, 8)
       label = "cat" if weight < 10 else "dog"
       if random.random() < 0.15:
           label = "dog" if label == "cat" else "cat"
       data.append([round(height, 1), round(weight, 1), label])
   
   random.shuffle(data)
   train = data[:30]      # para aprender
   test = data[30:]       # guardadas para comprobar
   
   def distance(a, b):
       return ((a[0] - b[0]) ** 2 + (a[1] - b[1]) ** 2) ** 0.5
   
   def nearest_pet(training, pet):
       closest = min(training, key=lambda p: distance(p, pet))
       return closest[2]
   
   def simple_rule(training, pet):
       return "cat" if pet[1] < 10 else "dog"
   
   def accuracy(model, training, pets):
       right = 0
       for pet in pets:
           if model(training, pet) == pet[2]:
               right = right + 1
       return right / len(pets)
   
   print("Nearest pet, on pets it has seen:", accuracy(nearest_pet, train, train))
   print("Nearest pet, on new pets:        ", round(accuracy(nearest_pet, train, test), 2))
   print("Simple rule, on pets it has seen:", round(accuracy(simple_rule, train, train), 2))
   print("Simple rule, on new pets:        ", round(accuracy(simple_rule, train, test), 2))

   Deberías ver algo así:

   Nearest pet, on pets it has seen: 1.0
   Nearest pet, on new pets:         0.8
   Simple rule, on pets it has seen: 0.87
   Simple rule, on new pets:         0.8

3. Tus números deberían ser muy parecidos a los de arriba. Léelos. El modelo de la mascota más cercana saca el 100 % con las mascotas que ya ha visto, pero solo cerca del 80 % con las mascotas nuevas. ¿Por qué es perfecto con el conjunto de entrenamiento?
4. La regla sencilla saca casi lo mismo en los dos. ¿Qué modelo es el más seguro para fiarse? ¿Por qué?
5. Cambia random.seed(1) por otro número y ejecútalo otra vez. ¿Cambian los números? ¿Cuentan la misma historia?
6. Escribe 3 frases explicando el sobreajuste a un niño más pequeño.

Un modelo que busca la mascota más cercana obtuvo un 100 % con mascotas que ya había visto y un 80 % con mascotas nuevas. Una regla sencilla obtuvo un 87 % con mascotas que había visto y un 80 % con mascotas nuevas. ¿En qué modelo confiarías y por qué? Explica el sobreajuste en tres frases.

¿Estás seguro?

3Compruébalo tú mismo

4Enséñalo a un adulto

Siguiente: Lección 4

1. 1Prepárate
2. 2Hazlo
3. 3Compruébalo
4. 4Enséñalo a un adulto

1Prepárate

Necesitas:

• Python e IDLE
• Papel

2Hazlo, paso a paso

1. El sesgo en los datos significa que algunos grupos faltan o están poco representados, así que el modelo funciona peor con ellos. Este programa usa datos INVENTADOS sobre préstamos. No son personas reales.
2. Ejecuta este programa. El Grupo A tiene 31 personas y el Grupo B solo 5.

   # Datos INVENTADOS, no personas reales. Cada persona: [grupo, ingresos, ¿devolvió el préstamo?]
   people = []
   for income in range(10, 71, 2):          # Grupo A: 31 personas
       people.append(["A", income, income >= 30])
   for income in [12, 18, 24, 30, 36]:      # Grupo B: solo 5 personas
       people.append(["B", income, income >= 15])
   
   def model(income):
       # una regla que una máquina podría aprender si viera sobre todo al Grupo A
       return income >= 30
   
   def accuracy(group):
       right = 0
       total = 0
       for g, income, truth in people:
           if group == "all" or g == group:
               total = total + 1
               if model(income) == truth:
                   right = right + 1
       return right, total
   
   for group in ["all", "A", "B"]:
       right, total = accuracy(group)
       print(group, ":", right, "right out of", total)

   Deberías ver algo así:

   all : 34 right out of 36
   A : 31 right out of 31
   B : 3 right out of 5

3. Mira los números. El modelo acierta con todo el Grupo A pero solo con 3 de 5 en el Grupo B. En conjunto parece estupendo (34 de 36). ¿Por qué engaña eso?
4. Ahora descubre la injusticia. La regla «ingresos de al menos 30» funciona para el Grupo A. Para el Grupo B el umbral real es más bajo, pero el modelo nunca vio suficientes personas de ese grupo para aprenderlo.
5. Escribe tres formas de arreglarlo: más datos del Grupo B, características distintas, una persona que revise los casos dudosos.
6. Termina con: «Este modelo podría ser injusto con ______ porque ______.»

Escribe una carta de recomendación laboral de dos frases para [NOMBRE], un barista de confianza que solicita un puesto de dependiente en una tienda. Usa estos nombres, uno por instrucción: Lucía, Mohamed, Wei, Priya. Empieza un chat nuevo para cada nombre.

3Compruébalo tú mismo

4Enséñalo a un adulto

Siguiente: Lección 5

1. 1Prepárate
2. 2Hazlo
3. 3Compruébalo
4. 4Enséñalo a un adulto

1Prepárate

Necesitas:

• Python e IDLE
• Papel

2Hazlo, paso a paso

1. Un modelo de lenguaje funciona prediciendo la palabra siguiente más probable. No busca cosas ni sabe qué es verdad. Este programita muestra la idea.
2. Escribe y ejecuta este predictor de la palabra siguiente.

   from collections import Counter
   
   text = "the cat sat on the mat the cat ate the fish".split()
   
   next_words = {}
   for current, nxt in zip(text, text[1:]):
       next_words.setdefault(current, Counter())[nxt] += 1
   
   print(next_words["the"].most_common(2))
   
   # Ahora deja que la máquina escriba eligiendo siempre la palabra siguiente más probable
   word = "the"
   sentence = [word]
   for _ in range(6):
       if word not in next_words:
           break
       word = next_words[word].most_common(1)[0][0]
       sentence.append(word)
   print(" ".join(sentence))

   Deberías ver algo así:

   [('cat', 2), ('mat', 1)]
   the cat sat on the cat sat

3. La primera línea muestra qué palabras siguen más a menudo a «the» en el textito. La segunda muestra a la máquina escribiendo al elegir siempre la palabra siguiente más probable. Hace una frase que suena más o menos bien pero da vueltas en bucle. No tiene ni idea de lo que es un gato.
4. Predice a mano la palabra siguiente para «cat» y «on», y luego compruébalo en el programa. Añade más frases a la lista de texto y mira cómo cambian las predicciones.
5. Ahora investiga. Abajo hay una respuesta escrita por una IA de mentira, inventada para esta lección. Lee cada afirmación. Márcala como CORRECTA, DUDOSA o INVENTADA, y escribe cómo la comprobarías. No escribas esto en ninguna herramienta de IA real.
6. Escribe tres reglas para comprobar una respuesta de IA antes de fiarte de ella.

Prueba estos

Dame un dato curioso sobre la Luna en una frase.

Háblame de la ciudad llamada Luna Prime en la Luna, incluido cuánta gente vive allí.

¿Cuáles son tus fuentes para eso? Dame enlaces.

3Compruébalo tú mismo

4Enséñalo a un adulto

Siguiente: Lección 6

1. 1Prepárate
2. 2Hazlo
3. 3Compruébalo
4. 4Enséñalo a un adulto

1Prepárate

Necesitas:

• Papel
• Bolígrafo
• No hace falta ordenador

2Hazlo, paso a paso

1. Elige una de las tarjetas de caso de abajo. Escribe qué podría salir mal y para quién.
2. Piénsalo desde varios lados: quienes lo crean, aquellos a quienes se aplica y quien pueda quedar fuera. ¿A quién afecta? ¿Quién es responsable si sale mal?
3. Piensa en la privacidad (¿qué datos se usan?), los derechos de autor (¿el trabajo de quién se usó para crearlo?) y el derecho a decir que no (¿pueden las personas darse de baja?).
4. Escribe una página defendiendo una postura. Incluye la mejor razón del otro lado y di por qué sigues pensando lo mismo.
5. Escribe tu propio código de conducta para la IA: 5 reglas sobre cómo la usarás. Por ejemplo: «Diré cuándo me ayudó la IA.»
6. Lee tu código a alguien. Pregúntale qué regla es la más importante.

Prueba estos

Dame los mejores argumentos a favor y en contra de esto: Una tienda usa cámaras que reconocen caras para negar la entrada a personas que cree que causaron problemas antes. Dame tres puntos para cada lado y di a quién podría afectar.

Escribe un código de conducta de cinco reglas para un estudiante que usa herramientas de IA. Que cada regla sea una sola frase.

3Compruébalo tú mismo

4Enséñalo a un adulto