Sesión 1: ¿Qué es la IA y dónde está en tu vida?
Introducción a la IA
Los videos y el texto de esta sesión son complementarios. Los videos amplían el contexto histórico y conceptual; el texto va a los mecanismos y te pone a interactuar con ellos. Encontrarás ideas en los videos que el texto no repite exactamente. ¡Disfruta de esta dinámica!
Introducción
Abre TikTok ahora mismo. Lo que ves en los primeros tres segundos (ese primer video, ese primer audio) lo decidió una inteligencia artificial. No fue un humano. No fue un editor. Fue un algoritmo que lleva semanas observándote: cuánto tiempo te quedas en cada video, qué tipo de contenido pausas, cuándo deslizas rápido, cuándo vuelves a ver algo. Tres segundos en la pantalla. Millones de cálculos.
TikTok no es la única aplicación que usa Inteligencia Artificial. Cada vez que abres Spotify en modo aleatorio, una IA decidió qué canción reproducir a continuación. Cuando escribes una dirección en Google Maps, una IA calculó no solo la ruta más corta sino la que tiene menos tráfico en ese momento. Cuando Gmail mueve un correo directamente a tu carpeta de spam, una IA leyó ese mensaje y decidió que no merecía tu atención.
Vivimos rodeados de inteligencia artificial. Pero muy pocos sabemos realmente qué es, cómo funciona, y qué puede y qué no puede hacer.
Eso es exactamente lo que vamos a explorar en este curso. Y empezamos en esta primera sesión con la pregunta más fundamental…
¿Qué es la Inteligencia Artificial?
Todo el mundo habla de inteligencia artificial, pero casi nadie la define igual. Para algunos es ciencia ficción; para otros, la tecnología detrás de sus apps favoritas. Hay un chiste entre investigadores de la informática que lo explica bien: “la IA es lo que las computadoras todavía no pueden hacer”. Es decir que, en cuanto las computadoras resuelven un problema, el método deja de llamarse IA y se convierte en tecnología normal. El GPS era IA; ahora es solo un elemento de tu mapa digital. El corrector ortográfico era IA; ahora es solo es parte de tu procesador de palabras. Por eso el término se mueve constantemente, y por eso tanta gente lo usa para cosas distintas. Empecemos por ponernos de acuerdo:
Inteligencia Artificial
La inteligencia artificial es un conjunto de tecnologías que permite a las computadoras aprender de datos, identificar patrones y realizar tareas que antes requerían capacidades humanas, como comprender lenguaje, analizar información, reconocer imágenes, tomar decisiones o generar sugerencias.
Y ahora, armados de una definición sencilla de la IA, enfoquémonos en lo que no es la inteligencia artificial. En particular, aclaremos algunos mitos sobre el tema:
Mitos y realidades sobre la inteligencia artificial
Mito La IA es magia 🔮 Realidad
Realidad: La IA puede parecer sorprendente, pero no funciona como por arte de magia. En realidad, opera con modelos matemáticos entrenados con grandes cantidades de datos para detectar patrones y estimar respuestas probables.
Mito La IA piensa y siente como una persona 🧠 Realidad
Realidad: Aunque los sistemas de inteligencia artificial pueden procesar y producir texto emocional, o mantener conversaciones convincentes, no tienen conciencia, intenciones ni emociones propias. Las películas de robots humanoides que adquieren consciencia y emociones son, en efecto, ciencia ficción.
Mito La IA siempre sabe de lo que habla 🤓 Realidad
Realidad: Un sistema de IA puede generar explicaciones fluidas sin comprender el mundo como lo hace un ser humano. No tiene experiencia, sentido común, ni criterio propio; por eso a veces responde con seguridad incluso cuando se equivoca.
Mito La IA siempre es neutral y correcta ✅ Realidad
Realidad: La calidad de una IA depende de sus datos, su diseño y el contexto en el que se usa. Si los datos contienen errores o sesgos, el sistema puede repetirlos. Por eso la IA no reemplaza el juicio humano: necesita supervisión, verificación y preguntas críticas.
Del mito al mecanismo
Ahora que ya sabes lo que la inteligencia artificial no es, veamos lo que sí es, y cómo opera. Dos rasgos distinguen a un sistema de IA de un programa computacional convencional:
Puede actuar sin instrucciones constantes.
Mejora con la experiencia, no con reprogramación manual.
Aquí viene una sorpresa. Lo que te parece fácil a ti es, computacionalmente, lo más difícil. Levantar un vaso de agua no requiere ningún pensamiento consciente — pero implica percepción tridimensional, calibración de fuerza, correcciones de postura en tiempo real: millones de años de evolución comprimidos en un gesto. Jugar ajedrez, en cambio, parece exigir inteligencia elevada, pero para una computadora es relativamente sencillo: seguir reglas y explorar millones de movimientos por segundo. Por ejemplo, Deep Blue - la supercomputadora diseñada por IBM para jugadar ajedrez - venció al campeón mundial en 1997. El problema más difícil para esta IA resultó ser el mover las piezas físicamente sin tirar el tablero. Por eso la autonomía — actuar en entornos físicos complejos sin instrucciones constantes — sigue siendo uno de los problemas más difíciles en el campo de la IA.
¿Y cómo consigue esos dos rasgos? La respuesta es siempre la misma: ecuaciones matemáticas aplicadas a muchísimos datos. Una ecuación es una regla de cálculo — a partir de lo que ya conoces, produce algo que todavía no sabes. Cuando buscas la mejor ruta en Google Maps, una ecuación estima el tiempo de llegada a partir del tráfico actual. Cuando Spotify te sugiere una canción, otra ecuación calcula qué tan probable es que te guste según lo que has escuchado antes. Los datos son la materia prima: entre más ejemplos tenga la ecuación — más rutas recorridas, más canciones escuchadas — más precisos se vuelven sus cálculos.
Una IA puede ser tan sencilla como una ecuación con dos variables, o tan compleja como miles de millones de variables entrelazadas. Lo que cambia con la complejidad es el tamaño del problema, no el mecanismo. En todos los casos, la lógica es la misma: una regla matemática y suficientes datos para que esa regla funcione bien.
Spoiler alert: ¡ya sabes programar una IA!
Piensa en esto. Si estudias 0 horas para un examen, ¿cuánto crees que sacarías? Quizás un 60. ¿Y con 2 horas, un 70? ¿Con 4 horas, un 80?
| Horas de estudio | Calificación esperada |
|---|---|
| 0 h | 60 |
| 2 h | 70 |
| 4 h | 80 |
¿Ves el patrón? Cada hora extra de estudio sube 5 puntos a tu calificación en el examen. Al principio, cuando no estudiaste nada, te sacaste un 60. Pero, poco a poco, fuiste esforzándote, estudiante un poco más, y subiendo tu calificación. Este patrón se puede resumir en una regla lógica a partir de datos. Y esta regla tiene nombre:
La idea clave de esta sesión
La IA más simple
empieza con una recta.
ŷ = m · x + b
Esto es lo que verás funcionar en los próximos minutos.
Es la ecuación de la recta, la misma que viste en secundaria en un plano cartesiano. En machine learning se le conoce como regresión lineal — pero es exactamente la misma idea. Los dos números que acabas de intuir describen la lógica de la ecuación de la recta:
- m = 5 — la pendiente: cuánto sube la calificación por cada hora extra de estudio.
- b = 60 — la intersección: la calificación inicial, cuando no estudiaste nada.
Hasta aquí, tú encontraste m y b observando tres filas. Pero imagina que hay 500 estudiantes y todos con datos distintos y un poco “ruidosos” — ya no es tan fácil distinguir el patrón a simple vista. Una máquina aprende esos valores de la siguiente manera:
Ahora te toca a ti: intenta ajustar una recta antes que la máquina.
Iniciaremos este reto con datos concretos: 8 estudiantes, cada uno con horas de estudio y calificación distintas.
| Estudiante | x — Horas | y — Calificación |
|---|---|---|
| Ana | 1 h | 55 |
| Carlos | 2 h | 60 |
| María | 3 h | 65 |
| Diego | 4 h | 72 |
| Sofía | 5 h | 75 |
| Luis | 6 h | 82 |
| Fernanda | 7 h | 88 |
| Emilio | 8 h | 90 |
En el reto verás estos mismos datos como puntos azules en un plano cartesiano. Tu tarea será encontrar una recta que se acerque lo mejor posible a todos los puntos.
Álgebra + Machine Learning
Reto: ajusta una recta antes que la máquina
Empieza con una recta imperfecta, mueve la pendiente y la intersección, y trata de acercarte a los puntos. Después deja que la máquina haga el ajuste final.
Vista previa del reto
Primero ajustas tú la recta con álgebra básica. Luego ves cómo la máquina hace lo mismo, pero mucho más rápido.
Elevación sobre pendiente
En palabras simples: cuando estudias 1 hora más (mueves la recta 1h a la derecha), la recta (tu calificación) sube +3.4 puntos.
Ese “sube / avanza” es exactamente la pendiente que ya conocías de tus clases de álgebra.
Qué estás viendo
Qué significa
Esto que acabas de hacer es machine learning en miniatura: probaste distintos valores para m y b, observaste el error promedio, y buscaste una recta que minimizara este error. La máquina hace exactamente lo mismo, pero más rápido, con más datos y con modelos mucho más complejos.
IA, Machine Learning y Deep Learning: ¿cuál es la diferencia?
La recta que ajustaste es un modelo de machine learning. Pero espera — ¿machine learning es lo mismo que inteligencia artificial? ¿Y el deep learning que todos mencionan, qué es? Entender la diferencia entre estos conceptos nos ayudará a saber qué tipo de IA está detrás de cada herramienta, cuántos datos necesita, y qué tan lejos puede llegar. Los tres términos se usan como sinónimos constantemente, aunque no siempre es así. Lee la jerarquía de conceptos explicada acá abajo para saber un poco más de inteligencia artificial.
Jerarquía de conceptos
IA, Machine Learning y Deep Learning
Vista previa del mapa conceptual
Abre el bloque para explorar cada capa y ver cómo se relacionan sin mezclar o confundir definiciones.
Tres conceptos anidados: cada uno es una versión más específica del anterior.
Haz clic en cada capa para cambiar la explicación y los ejemplos del panel.
Qué estás viendo
Qué significa
La regresión lineal que programaste es machine learning (ML): encontró las ecuaciones por sí sola, a partir de datos. Es así como la IA consigue la adaptabilidad que vimos antes. El deep learning hace lo mismo, pero con redes de millones de nodos — eso es lo que le da a la IA la capacidad de ver imágenes, entender voz, y enfrentarse a los problemas que parecen “fáciles” para los humanos pero son computacionalmente complejos. Ahora que ya vimos el mapa y que tenemos más claridad sobre estos conceptos, veamos cómo aparece cada campo en las apps que ya usas todos los días.
La IA en tu vida diaria: recorrido de apps
Volvamos a las apps del inicio, pero ahora con un enfoque más claro: ya sabes que “IA” puede referirse a distintas estrategias computacionales, y que una parte de ella incluso empieza con las matemáticas que ves en un a clase de álgebra de tu secundaria y/o preparatoria.
Recorrido de apps
La IA cotidiana se ve distinta según la app, pero responde al mismo patrón
Vista previa del recorrido
Abre el bloque para comparar las apps con una misma interfaz y así detectar mejor qué problema resuelve la IA en cada caso.
Qué estás viendo
Qué significa
¿Cómo más puede aprender una máquina?
Ya viste el caso más fácil de explicar: aprendizaje supervisado. Le damos al modelo ejemplos donde sí conocemos la respuesta correcta, y el sistema intenta encontrar un patrón que conecte entrada y salida.
En la recta de arriba, eso significó ajustar m y b. El mismo paradigma sirve para dos problemas muy comunes:
Regresión
Predecir un número continuo
- Precio de una casa según sus metros cuadrados
- Cuánta energía consumirá una ciudad mañana
- La hora exacta en que llega tu Uber
Clasificación
Predecir una categoría
- Filtro de spam (¿correo basura o no?)
- Detección de tumor en una radiografía (¿tumor, o no tumor?)
- Reconocimiento facial en tu celular (¿eres tú, o no eres tú?)
El aprendizaje supervisado es solo uno de varios paradigmas del ML — el video de esta sesión menciona cuatro, incluyendo el aprendizaje auto-supervisado. En este curso nos enfocamos en los tres más fundamentales; los verás con más detalle en la Sesión 3. Por otro lado, en la Sesión 2 exploraremos el mecanismo interno del algoritmo más popular del aprendizaje de máquinas: cómo funcionan las redes neuronales.
Supervisado
Datos con etiquetas → el modelo aprende a predecir.
No supervisado
Sin etiquetas → el modelo agrupa datos por similitud.
Por refuerzo
Sin etiquetas → el modelo aprende por ensayo, error y recompensa.
¿Puede la IA ir más allá de encontrar patrones y hacer predicciones? Esta es una pregunta que aún no tiene respuesta: Judea Pearl, ganador del Premio Turing, argumenta que la IA del futuro necesitará razonar sobre causas y contrafactuales, no solo predecir. Lo viste en el video de esta sección. Aunque este razonamiento es de suma importancia para el futuro de la inteligencia artificial, no lo desarrollaremos en este curso. Sin embargo, valdría la pena tener la idea en mente mientras vamos aprendiendo sobre el proceso de aprendizaje, predicción, y simulación de la inteligencia artificial.
Reflexión · 5 min
Actividad de reflexión
-
¿Qué herramientas de IA usaste hoy antes de entrar a esta sesión? Sé específico — no solo "el celular", sino qué apps y en qué momento.
-
¿En qué momento de la sesión te cayó el veinte de que una parte del machine learning empieza con matemáticas que ya conocías?
-
¿Cuál de los tres tipos de aprendizaje puedes reconocer ahora en alguna app que uses seguido?
-
¿Hay algo que antes pensabas que era "magia" de la tecnología que ahora tiene una explicación diferente?
No hay respuestas correctas o incorrectas. El objetivo es que empieces a ver el mundo con otros ojos.
La idea central de esta sesión
La inteligencia artificial no es magia ni consciencia. En su versión más simple, puede empezar con algo tan familiar como lo es la ecuación de la recta: datos, error, pendiente e intersección. Cuando entiendes eso, la IA deja de verse como magia inexplicable y empieza a verse como matemáticas aplicadas a reconocer patrones..
Recursos para explorar más sobre el tema
-
Teachable Machine
Entrena tu propio modelo directamente en el navegador — sin código.
-
Quick, Draw!
Juega a que una red neuronal adivine tus dibujos.
-
Elements of AI
Curso introductorio gratuito en español — Universidad de Helsinki.
-
Google AI Experiments
Colección de demos interactivos y gratuitos de Google.