Sesión 1: ¿Qué es la IA y dónde está en tu vida?

Bloque 1 · Fundamentos + Ética
1 de 15
📅 5 de mayo de 2026 ⏱ 45 minutos Ver programa completo →

Video: Introducción a la IA

▶

Video de la sesión — próximamente

Mientras tanto, puedes leer el contenido completo abajo.

Texto: Introducción a la IA

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 un humano. No un editor. 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 de pantalla. Millones de cálculos.

Sistema de recomendación

Cómo decide TikTok qué poner primero en tu “Para ti”

Elige un perfil de usuario y observa cómo el mismo algoritmo ordena los videos de forma distinta para cada tipo de audiencia.

Perfil de usuario:

Vista previa del ranking

Selecciona un perfil arriba, luego inicia la animación para ver cómo el algoritmo puntúa y ordena los candidatos según las señales de ese usuario.

Siguiendo Para ti Buscar
❤ 💬 ↗
Qué estás viendo

Qué significa

TikTok no está solo. 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, lo más importante, qué puede y qué no puede hacer.

Eso es exactamente lo que vamos a explorar en este curso. Y empezamos hoy con la pregunta más fundamental: ¿qué es la inteligencia artificial?

¿Qué es la Inteligencia Artificial?

Empecemos con una definición sencilla:

Inteligencia Artificial

Sistemas computacionales diseñados para realizar tareas que, si las hiciera un humano, diríamos que requieren inteligencia: como reconocer imágenes, entender lenguaje, tomar decisiones o predecir resultados.

Empecemos aclarando algunos malentendidos comunes.

Lo que la IA NO es

La IA no es magia. No es una entidad consciente que “piensa” o “siente”. No es el robot humanoide de las películas de ciencia ficción que tiene deseos propios. No es un sistema que entiende el mundo como lo entendemos nosotros.

La IA es, en esencia, matemáticas muy sofisticadas aplicadas a muchísimos datos.

Eso no la hace menos impresionante; al contrario. Lo impresionante es que con matemáticas y datos se pueden lograr cosas que parecen mágicas. Pero cuando entiendes el mecanismo, puedes usarla mejor, cuestionarla mejor y no dejarte engañar por ella. Porque, y recuerda este mensaje, la IA se puede equivocar. Tu trabajo es aprender a distinguir entre una alucinación y una respuesta útil.

La sorpresa de esta sesión

Aquí va el giro importante: si alguna vez viste la fórmula de la recta y = mx + b en álgebra, ya viste una de las ideas más simples y potentes del aprendizaje de máquinas (de la IA). Es decir, todo empieza con un simple Plano Cartesiano.

La idea clave

La forma más simple de la IA no empieza con robots. Empieza con una recta en un plano cartesiano.

Eso es justo lo que quiero que te lleves hoy. Antes de hablar de modelos enormes o de ChatGPT, vamos a hablar algo mucho más simple: la pendiente y la intersección. O dicho de forma más coloquial: cuánto sube una recta cuando avanzas una unidad a la derecha.

Aquí, “aprender” (del concepto de aprendizaje de máquinas en la IA) no significa pensar ni sentir. Significa encontrar dos números correctos:

  • m: la pendiente, o cuánto sube la recta por cada paso a la derecha.
  • b: la intersección con el eje y, o dónde arranca la recta cuando x = 0.

Imagina que quieres predecir la calificación de un estudiante en tu escuela. Cada estudiante te dice, más o menos, cuántas horas estudio para su examen.

La ecuación de la recta: ŷ = m · x + b (forma pendiente-ordenada)
Símbolo Nombre En este ejemplo
ŷ “y-sombrerito” — valor predecido calificación predicha
x variable de entrada horas de estudio
m pendiente / slope cuánto sube ŷ por cada hora extra de estudio
b ordenada al origen / intersección con el eje y valor de ŷ cuando x = 0

En esta versión sencilla, la máquina “aprende” cuando logra calcular esos dos números a partir de los datos.

Ahora te toca a ti primero: intenta encontrar la recta antes que la máquina.

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.

ŷ = m · x + b

Vista previa del reto

Primero ajustas tú la recta con álgebra básica. Luego ves cómo la máquina hace lo mismo, pero mucho más rápido.

Tu turno

¿Qué tan buena puede quedar tu recta?

Mueve m y b. Tu meta no es adivinar “la respuesta correcta”, sino lograr que la línea recta pase cerca de los puntos.

Los dos números que la máquina va a aprender

3.4
57.0
Sube por +1 hora +3.4 pts
Error medio —
Lectura —

Elevación sobre pendiente

En palabras simples: cuando estudias 1 hora más (mueves la recta 1h a la derecha), la recta sube +3.4 puntos.

Ese “sube / avanza” es exactamente la pendiente que ya conocías de álgebra.

Estudiante x — Horas y — Calificación

Los puntos azules son los datos recopilados. La línea azul es tu intento.

Qué estás viendo

Qué significa

🔢 Laboratorio corto — de dónde sale la línea azul haz clic para ver
La idea

La regresión lineal simple busca la recta que deja los errores verticales entre los datos reales y la predicción lo más pequeños posible.

ŷ = m · x + b

Qué significan
  • m: cuánto sube la predicción por cada hora extra.
  • b: valor estimado cuando x = 0.
  • ŷ: la calificación predicha.
La traducción importante

Aquí aprender no significa “pensar”. Significa encontrar los números m y b que mejor explican los datos.

ŷ = 5.23 · x + 49.86

m = Σ(xᵢ − x̄)(yᵢ − ȳ) / Σ(xᵢ − x̄)²     b = ȳ − m·x̄

Es importante recalcar que, aunque el ejemplo usa solo 8 puntos, entre más puntos (más datos, más estudiantes) tengamos, más precisa será nuestra predicción.

**Código de Python** 
import numpy as np

# Datos: horas de estudio (x) → calificación (y)
x = np.array([1, 2, 3, 4, 5, 6, 7, 8])
y = np.array([55, 60, 65, 72, 75, 82, 88, 90])

# numpy obtiene la misma recta
m, b = np.polyfit(x, y, 1)
print(f"ŷ = {m:.2f}·x + {b:.2f}")

Eso que acabas de hacer también es machine learning en miniatura: probaste valores, miraste errores y buscaste una mejor recta. La máquina hace exactamente esa idea, pero más rápido, con más datos y con modelos mucho más complejos.

IA, Machine Learning y Deep Learning: ¿cuál es la diferencia?

Ahora que ya viste una recta “aprender” a partir de datos, ubiquemos dónde cabe eso dentro de un mapa general. Cuando hablamos de IA, escuchamos tres términos constantemente: inteligencia artificial, machine learning (aprendizaje de máquinas), y deep learning (aprendizaje profundo). A veces, se usan como si fueran lo mismo… Pero no lo son:

Jerarquía de conceptos

IA, Machine Learning y Deep Learning no son sinónimos

Inteligencia Artificial El paraguas general
Machine Learning Aprende de datos
Deep Learning Redes neuronales profundas

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

Lectura rápida:

  • IA: el campo amplio que reúne sistemas capaces de resolver tareas asociadas con inteligencia.
  • Machine Learning: la parte de la IA que aprende patrones a partir de datos.
  • Deep Learning: la parte del machine learning que usa redes neuronales profundas para tareas complejas como lenguaje, imagen y voz.

Cuando alguien dice “IA”, casi siempre se refiere a Machine Learning o Deep Learning. Pero ahora ya sabes que son cosas distintas con distintos niveles de complejidad.

IA en tu vida: recorrido de las apps

Volvamos a las apps del inicio, pero ahora con un enfoque más claro: ya sabes que “IA” puede referirse a estrategias distintas, y que una parte de ella incluso empieza con las matemáticas que ves en un a clase de álgebra de tu preparatoria.

Recorrido de apps

La IA cotidiana se ve distinta según la app, pero responde al mismo patrón

En lugar de seis bloques separados, ahora puedes recorrer un solo catálogo y comparar qué cambia entre recomendación, clasificación, visión, predicción y optimización.

TikTok Ranking de videos
Spotify Descubrimiento musical
Maps Predicción de tráfico
Instagram Visión por computadora
Gmail Clasificación de texto
DiDi / Uber Optimización dinámica

Vista previa del recorrido

Abre el bloque para comparar apps reales 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. En otros casos, el mismo paradigma sirve para dos problemas muy comunes:

  • Regresión: predecir un número continuo.
  • Clasificación: predecir una categoría.

Ejemplos rápidos de regresión:

  • Predecir el precio de una casa basado en sus metros cuadrados.
  • Predecir cuánta energía consumirá una ciudad mañana basado en el clima.
  • Estimar a qué hora exacta llegará tu Uber basado en el tráfico.

Ejemplos rápidos de clasificación:

  • Filtro de spam (etiquetas correctas: spam / no spam).
  • Detección de cáncer en radiografías (etiquetas correctas: tumor / sano).
  • Reconocimiento facial en tu celular (etiquetas correctas: eres tú / no eres tú).

Pero no toda la IA aprende con respuestas correctas. Hay otros dos paradigmas importantes.

2. Aprendizaje No Supervisado

Ahora imagina que tienes fotos de animales, pero sin ninguna etiqueta. Le dices a la máquina: “agrúpalas como consideres que van juntas”. Un humano nota que algunos tienen hocico largo, otros tienen bigotes, algunos tienen orejas paradas, y las puede ir agrupando sin que nadie le haya dicho qué buscar. Pero, ¿y una máquina?

Eso es aprendizaje no supervisado: datos sin etiquetas → el modelo encuentra estructura por sí mismo.

flowchart LR
    A["📂 Datos sin etiquetas"] --> B["🤖 Modelo buscando patrones"]
    B --> C["🔵 Grupo 1"]
    B --> D["🟠 Grupo 2"]
    B --> E["🟢 Grupo 3"]

Ejemplos:

  • Spotify agrupando canciones por similitud sonora (nadie etiquetó “esto suena a reggaetón”)

  • Amazon detectando segmentos de clientes similares

  • Netflix identificando “tipos” de espectadores para personalizar portadas

Aprendizaje no supervisado

K-means: agrupar canciones sin etiquetas

Puntos sin etiqueta Centros iniciales Grupos emergentes

Vista previa del clustering

Primero solo hay canciones como puntos en una nube. Después el algoritmo propone centros y reorganiza los grupos hasta estabilizarlos.

Qué estás viendo

Qué significa

3. Aprendizaje por Refuerzo

Este es el más intuitivo de todos porque así aprenden los humanos muchas cosas. Piensa en cómo aprendiste a andar en bicicleta: nadie te explicó las ecuaciones de equilibrio. Intentaste. Te caíste. Ajustaste. Intentaste de nuevo. Con el tiempo, tu cuerpo encontró la estrategia que funciona.

El aprendizaje por refuerzo funciona igual: un agente de IA toma acciones en un entorno, recibe recompensas cuando hace algo bien y penalizaciones cuando se equivoca, y con millones de intentos aprende la estrategia óptima.

flowchart LR
    A["🤖 Agente"] -->|"toma acción"| B["🌍 Entorno"]
    B -->|"nueva situación"| A
    B -->|"recompensa o penalización"| A

Ejemplos:

  • AlphaGo (DeepMind) aprendió a jugar Go mejor que cualquier humano sin que nadie le enseñara estrategias — solo jugó millones de partidas contra sí mismo

  • Spot de Boston Dynamics aprendió a caminar en terreno irregular (lo veremos a detalle en otra sesión)

  • OpenAI Five aprendió a jugar Dota 2 a nivel profesional coordinando 5 agentes en equipo, sin que nadie le enseñara tácticas, solo jugando millones de partidas contra sí mismo

Aprendizaje por refuerzo

Mario aprende a saltar

Un agente aprende a jugar Mario, repitiendo las acciones y observando cuáles le resultan y cuales no.

La mecánica
EstadoAgente + hueco + meta
AcciónCorrer o saltar
RecompensaPositiva o negativa

Vista previa del ciclo de refuerzo

Verás tres intentos. Lo importante no es solo si cruza o no, sino cómo la recompensa modifica la política del agente.

Panel del agente
Intento
Estado actual
Acción
Recompensa
Puntos acumulados
Política
Qué estás viendo

Qué significa

Demo: Teachable Machine

Ahora vamos a hacer algo. En lugar de solo escuchar cómo funciona el aprendizaje de máquinas, vamos a construir un modelo en tiempo real, en tu navegador, sin código, gratis.

Pasos:

  1. Entra a teachablemachine.withgoogle.com
  2. Selecciona “Image Project” → “Standard image model”
  3. Verás dos clases (puedes agregar más). Nombra la Clase 1 y la Clase 2 con dos objetos distintos que tengas cerca — por ejemplo: “libro” y “celular”
  4. En cada clase, haz clic en “Webcam” y graba unos 50–80 ejemplos del objeto frente a la cámara, moviéndolo ligeramente para darle variación
  5. Haz clic en “Train Model” y espera unos segundos
  6. Prueba el modelo — pon un objeto frente a la cámara y observa cómo el modelo predice en tiempo real

Lo que esto demuestra:

  • No programaste ninguna regla (“si hay rectángulo negro y texto, es libro”). La máquina encontró los patrones sola.
  • La cantidad de datos importa: con pocos ejemplos, el modelo se confunde fácilmente.
  • Los datos de entrenamiento determinan el comportamiento: si solo le enseñaste el libro desde un ángulo, fallará desde otro.

Esta última idea es fundamental y la vamos a ver una y otra vez durante el curso.

Actividad de reflexión

Para pensar (5 minutos)

Ahora que terminaste la sesión, responde para ti mismo estas preguntas:

  1. ¿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.

  2. ¿En qué momento de la sesión te cayó el veinte de que una parte del machine learning empieza con matemáticas que ya conocías?

  3. ¿Cuál de los tres tipos de aprendizaje puedes reconocer ahora en alguna app que uses seguido?

  4. ¿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

Si tuvieras que quedarte con una sola cosa de hoy, sería esta:

La idea central

La inteligencia artificial no es magia ni consciencia. En su versión más simple, puede empezar con algo tan familiar como una 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