Banco Interamericano de Desarrollo
facebook
twitter
youtube
linkedin
instagram
Abierto al públicoBeyond BordersCaribbean Development TrendsCiudades SosteniblesEnergía para el FuturoEnfoque EducaciónFactor TrabajoGente SaludableGestión fiscalGobernarteIdeas MatterIdeas que CuentanIdeaçãoImpactoIndustrias CreativasLa Maleta AbiertaMoviliblogMás Allá de las FronterasNegocios SosteniblesPrimeros PasosPuntos sobre la iSeguridad CiudadanaSostenibilidadVolvamos a la fuente¿Y si hablamos de igualdad?Inicio
Administración pública Agua y saneamiento Ciencia, tecnología e innovación Comercio e integración regional Conocimeinto Abierto Desarrollo infantil temprano Desarrollo urbano y vivienda Educación Energía Género y diversidad Impacto Industrias Creativas Medio ambiente, cambio climático y Salvaguardias Política y gestión fiscal Salud Sin Miedos Trabajo y pensiones
  • Skip to main content
  • Skip to secondary menu
  • Skip to primary sidebar
  • Skip to footer

Abierto al público

  • INICIO
    • ¿Qué es el Conocimiento Abierto?
    • Sobre este blog
    • ¿Cómo suscribirse?
    • Pautas editoriales
  • CATEGORÍAS
    • Aprendizaje abierto
    • Código abierto
    • Datos abiertos
    • Gestión del conocimiento
    • Sistemas abiertos
  • AUTORES
  • Español
    • English
Cómo funciona inteligencia artificial

¿Cómo se compara un iceberg al funcionamiento de la Inteligencia Artificial?

December 12, 2018 por Kyle Strand - Daniela Collaguazo 6 Comentarios


Cuando nos preguntamos cómo funciona la inteligencia artificial, a cualquier nivel, nos damos cuenta de que todos los proyectos de IA se podrían describir como proyectos de datos. Para apoyar esta consideración sugerimos una simple analogía: un iceberg.  Elegimos esta comparación porque creemos que un proyecto de IA se podría dividir en tres fases principales: 1) Preparar los datos relevantes al proyecto, 2) Entrenar el algoritmo (o los algoritmos) y 3) Probar los algoritmos entrenados.

El objetivo de esta comparación es poder desmitificar un poco lo que implica trabajar con Inteligencia Artificial. Las técnicas de inteligencia artificial, como el aprendizaje automático, el aprendizaje profundo y el procesamiento del lenguaje natural no son mágicas, y gran parte de su éxito, si no la mayor parte, depende de la extensa preparación de datos que se requiere. Estimamos más más de la mitad del esfuerzo de un proyecto exitoso de IA es el aquel dedicado a preparar los datos. Esto, suponiendo que no se haya limpiado y preparado previamente un conjunto de datos adecuado, lo cual es muy probable si estás utilizando datos de su organización para este efecto, y por primera vez. Sin embargo, a pesar de este esfuerzo considerable, el trabajo de preparación de los datos es un trabajo crítico que en gran medida no se ve, al igual que la mayor parte de un iceberg que se encuentra invisible, debajo del mar. Como tal, la complejidad de esta parte del proceso no siempre se aprecia, ya que no siempre se refleja en los resultados visibles de un proyecto, de la misma manera que solamente una parte, relativamente pequeña al resto del iceberg, sobresale de la superficie.

¿Alguna vez has utilizado un asistente de voz, como Alexa, Siri o Google Home? Imaginemos una interacción con Google Home y exploremos una visión general de lo que sucede durante cada una de estas fases.

Fase 1) Preparar los datos relevantes

Google Home funciona mediante la comprensión de los comandos de voz para tomar acciones apropiadas, como responder una pregunta, configurar un temporizador o controlar algún dispositivo conectado. Para que este tipo de resultados sean posibles, la primera fase, la preparación de los datos, debe consistir en actividades tales como:

  • recolectar millones de grabaciones de voz de una amplia gama de registros;
  • limpiar el sonido de las grabaciones eliminando el ruido de fondo y similares;
  • normalizar las grabaciones a un único formato de audio como mp3;
  • etiquetar adecuadamente las grabaciones;
  • otras actividades relacionadas.

Por último, los datos deben separarse en al menos dos grupos: un grupo que se usará en la fase 2 de modelar el algoritmo (datos de entrenamiento), y otro grupo que se usará para probar el algoritmo ya entrenado en la fase 3 (datos de prueba).

Para una organización como Google, imaginamos que todas las tareas relacionadas con esta fase se llevaron a cabo durante años, a través de un talentoso equipo de ingenieros y desarrolladores que ganan su sueldo para enfrentar este desafío en el transcurso de múltiples iteraciones y actualizaciones de productos. Además, para las grandes empresas de tecnología, los datos son su negocio, y es por eso que tienen acceso a cantidades masivas de datos relevantes para organizarlos en conjuntos de datos de entrenamiento sólidos y conjuntos de datos de prueba para un desarrollo exitoso de sus productos. Sin embargo, a pesar de todo esto, como consumidores, hemos experimentado las imperfecciones de estos dispositivos en un momento u otro, donde una o más de una palabra fue mal interpretada por un asistente de voz, o en donde una imagen no fue reconocida por algún escáner inteligente.

Ahora, si comparamos estos condicionamientos respecto a los recursos necesarios, versus los datos disponibles para el investigador común que trabaja con IA, comenzaremos a comprender la magnitud de la fase de preparación de datos y su importancia en el proceso general del desarrollo de algo funcional.

Fase 2) Entrenar el algoritmo

En esta fase, elegiremos primeramente qué algoritmos vamos a entrenar. Imaginemos que cada uno de estos bloques de plastilina es un tipo de algoritmo: el bloque rojo representa una regresión lineal, la naranja representa k-medias, la púrpura representa redes neuronales y la turquesa representa las máquinas de vectores de soporte.


¿Qué sucede durante el proceso de entrenamiento? Probablemente hayas escuchado la expresión que es necesario encontrar el algoritmo con el mejor ajuste. Bueno, aquí es donde la analogía de la plastilina te ayudará a entender esta metáfora. Durante el proceso de entrenamiento, cada algoritmo se moldea a los datos de entrenamiento al encontrar patrones en los datos, por lo que al final de la fase entrenamiento, los algoritmos podrían verse así:

Fase 3) Comprobar los algoritmos entrenados

En la fase 3, que también llamamos la fase de prueba es donde a cada uno de los modelos entrenados se les proporciona los datos de prueba para ver cuál de ellos es el que da la mejor predicción. Para continuar con la analogía de la plastilina, si decimos que un resultado exitoso significa “tener la capacidad de rodar”, podríamos entonces concluir que de todos los algoritmos entrenados que están en la imagen anterior, las dos figuras que podrían rodar, serían las de color rojo y púrpura. Sin embargo, la figura que va a poder rodar de manera más eficiente es evidentemente la más redonda, la púrpura.  Asimismo, en el caso de Google Home por ejemplo, un resultado exitoso significaría brindar una respuesta adecuada a un comando de voz.

Si los resultados obtenidos en la fase de prueba necesitaran ser mejorados, se diría que se pueden elegir dos caminos: 1) cambiar el algoritmo o 2) adicionar nuevos y relevantes datos a nuestro proyecto. Te recordamos que este es un proceso iterativo, pero en general la secuencia sigue las tres fases del Modelo Iceberg.

Finalmente te comentamos que hay muchas otras consideraciones al momento de diseñar e implementar un proyecto que utiliza Inteligencia Artificial. Nuestra esperanza es que esta simplificación a la que hemos denominado el Modelo Iceberg pueda serte útil para enmarcar el enfoque general de tu próximo proyecto, así como para comunicar el trabajo que se da lugar detrás del escenario o volviendo a nuestra analogía, el trabajo que está debajo del agua.

¿En qué proyectos IA estás trabajando?

Por Kyle Strand y Daniela Collaguazo del Sector de Conocimiento, Innovación y Aprendizaje del BID


Archivado Bajo:Código abierto Etiquetado con:Inteligencia Artificial, Paso a paso

Kyle Strand

Kyle Strand es especialista senior en Gestión del Conocimiento y lidera la Biblioteca Felipe Herrera en el Sector de Conocimiento, Innovación y Comunicación del Banco Interamericano de Desarrollo (BID). Durante más de una década, su trabajo se ha centrado en iniciativas para mejorar el acceso al conocimiento tanto en el Banco como en la región de América Latina y el Caribe. Kyle diseñó el primer repositorio abierto de productos de conocimiento en el BID y encabezó la idea del software como un producto de conocimiento para ser reutilizado y adaptado con fines de desarrollo, lo que llevó al BID a convertirse en la primera entidad multilateral en reconocerlo formalmente como tal. Actualmente, Kyle coordina los servicios bibliotecarios dentro de la organización, apoya el ciclo de vida (creación, publicación y reutilización) de productos de conocimiento abierto (incluyendo publicaciones y datos abiertos), y promueve el uso de la inteligencia artificial y el procesamiento del lenguaje natural como piedra angular de la gestión del conocimiento en la era digital. Kyle también es editor ejecutivo de Abierto al Público, un blog en español que promueve la apertura y reutilización del conocimiento. Cuenta con una licenciatura de la Universidad de Michigan y una maestría de la Universidad George Washington.

Daniela Collaguazo

Nacida en Quito, Ecuador en abril de 1984. Daniela culminó sus estudios de pregrado en la Universidad San Francisco de Quito. Posteriormente, vivió 3 años en Alemania, en donde cursó su maestría en Gestión de la Tecnología e Innovación en la Universidad Técnica de Brandenburgo Cottbus-Senftenberg. Al culminar sus estudios, Daniela enseñó Tecnologías Web en la Facultad de Arquitectura Diseño y Artes en la Pontificia Universidad Católica del Ecuador. Actualmente, se encuentra colaborando con el BID como consultora en proyectos relacionados con aprendizaje automático y procesamiento del lenguaje natural. Es una apasionada del deporte y ha participado en varias competencias en su país natal, entre ellas una de aguas abiertas y los dos primeros triatlones de media distancia.

Reader Interactions

Comments

  1. Gustavo Urueña Dice

    December 18, 2018 at 2:30 pm

    ¿CÓMO SE COMPARA UN ICEBERG AL FUNCIONAMIENTO DE LA INTELIGENCIA ARTIFICIAL?
    Que interesante que temas que parecen complejos, sean explicados en forma tan sencilla, de tal manera que al leerlos alimenta nuestra base de conocimiento, comprensión, y así uno se motiva a explicarlos a otros.
    Mis sinceras felicitaciones.

    Reply
  2. richard zambrana Dice

    December 18, 2018 at 5:35 pm

    interesante articulo, me gustaria conocer mas al respecto, gracias

    Reply
  3. Julio Enrique Vásquez García Dice

    December 19, 2018 at 5:23 am

    Al utilizar analogías y un lenguaje sencillo, la comprensión del tema de IA, es simple y de gran aporte para aplicar a las organizaciones

    Reply
  4. Alejandro Dice

    September 15, 2019 at 10:59 pm

    Que buen articulo me gustó su forma de comparar algo complejo con algo simple y explicarlo de forma clara sin caer en tener que simplemente decir ‘existen algoritmos para eso’

    Reply
  5. Ana Maria Dice

    August 11, 2020 at 2:40 pm

    Kyle, gran artículo.

    Así como lo mencionas, la IA y el análisis de datos nos llevan a conocer en detalle y a profundidad la correcta identificación de los clientes; a través de la comparación que planteas, logramos entender las cualidades y ventajas de la misma.

    Últimamente indagué acerca del uso y beneficios que puede brindar la IA en diferentes sectores económicos, te comparto el link por si deseas conocer más sobre esto; https://www.grupodot.com/es/inteligencia-artificial/casos-de-exito/.

    Reply
  6. Marco Antonio De Fuentes Dice

    June 25, 2021 at 7:51 am

    Excelente articulo. Muy diferente a cuantos he consultado.

    Reply

Leave a Reply Cancel reply

Your email address will not be published. Required fields are marked *

Primary Sidebar

SÍGUENOS

Suscríbete

Sobre este blog

Podemos describir al conocimiento abierto como aquel conocimiento que puede ser usado, reutilizado y compartido sin restricciones, ya que cuenta con las características tanto legales como tecnológicas para ser accedido por cualquier persona, en cualquier momento y en cualquier lugar del mundo.

En el blog 'Abierto al Público' exploramos los temas, recursos, iniciativas e impacto de la apertura de conocimiento a nivel global, prestando especial atención a lo que sucede en la región de América Latina y el Caribe. También abordamos los esfuerzos que lleva a cabo el Banco Interamericano de Desarrollo por apoyar la diseminación del conocimiento abierto y accionable que constantemente genera esta organización.

Buscar

Temas

AcademiaBID Acceso abierto Acceso a la información Análisis de datos Análisis de texto Big Data Cambio climático Ciencia Abierta Conceptos clave Conocimiento Abierto Coronavirus Creative Commons Credenciales digitales Crowdsourcing Código para el Desarrollo Datos geoespaciales Diseño instruccional El Rincón de Publicación Emprendimiento Eventos Gobierno abierto Género y diversidad Hackatones Inclusión digital Innovación abierta Inteligencia Artificial Lecciones aprendidas Metodologías MOOC Más leídos Números para el Desarrollo Objetivos de Desarrollo Sostenible Participación ciudadana Paso a paso Periodismo de datos Procesamiento del Lenguaje Natural Productos de conocimiento Protección de datos Proyectos de desarrollo Recursos accionables Solidaridad Taxonomía Trabajo en equipo Visualización de datos

Publicaciones similares

  • Inteligencia artificial: conceptos básicos y aplicaciones en el desarrollo
  • Incrustaciones (o incrustación) de palabras: la IA que navega texto
  • 3 plataformas de datos abiertos: curación, procesamiento y análisis de datos
  • Los riesgos de la inteligencia artificial y algunas soluciones
  • ¿Es la inteligencia artificial abierta una tendencia en alza?

Footer

Banco Interamericano de Desarrollo
facebook
twitter
youtube
youtube
youtube

    Blogs escritos por empleados del BID:

    Copyright © Banco Interamericano de Desarrollo ("BID"). Este trabajo está disponible bajo los términos de una licencia Creative Commons IGO 3.0 Reconocimiento-No comercial-Sin Obras Derivadas. (CC-IGO 3.0 BY-NC-ND) y pueden reproducirse con la debida atribución al BID y para cualquier uso no comercial. No se permite ningún trabajo derivado. Cualquier disputa relacionada con el uso de las obras del BID que no se pueda resolver de manera amistosa se someterá a arbitraje de conformidad con el reglamento de la CNUDMI. El uso del nombre del BID para cualquier otro propósito que no sea la atribución, y el uso del logotipo del BID estarán sujetos a un acuerdo de licencia escrito por separado entre el BID y el usuario y no está autorizado como parte de esta licencia CC-IGO. Tenga en cuenta que el enlace proporcionado anteriormente incluye términos y condiciones adicionales de la licencia.


    Blogs escritos por autores externos:

    Para preguntas relacionadas con los derechos de autor para autores que no son empleados del BID, por favor complete el formulario de contacto de este blog.

    Las opiniones expresadas en este blog son las de los autores y no necesariamente reflejan las opiniones del BID, su Directorio Ejecutivo o los países que representan.

    Atribución: además de otorgar la atribución al respectivo autor y propietario de los derechos de autor, según proceda, le agradeceríamos que incluyera un enlace que remita al sitio web de los blogs del BID.



    Política de privacidad

    Copyright © 2025 · Magazine Pro on Genesis Framework · WordPress · Log in

    Banco Interamericano de Desarrollo

    Aviso Legal

    Las opiniones expresadas en estos blogs son las de los autores y no necesariamente reflejan las opiniones del Banco Interamericano de Desarrollo, sus directivas, la Asamblea de Gobernadores o sus países miembros.

    facebook
    twitter
    youtube
    En este sitio web se utilizan cookies para optimizar la funcionalidad y brindar la mejor experiencia posible. Si continúa visitando otras páginas, se instalarán cookies en su navegador.
    Para obtener más información al respecto, haga clic aquí.
    x
    Manage consent

    Privacy Overview

    This website uses cookies to improve your experience while you navigate through the website. Out of these, the cookies that are categorized as necessary are stored on your browser as they are essential for the working of basic functionalities of the website. We also use third-party cookies that help us analyze and understand how you use this website. These cookies will be stored in your browser only with your consent. You also have the option to opt-out of these cookies. But opting out of some of these cookies may affect your browsing experience.
    Necessary
    Always Enabled
    Necessary cookies are absolutely essential for the website to function properly. This category only includes cookies that ensures basic functionalities and security features of the website. These cookies do not store any personal information.
    Non-necessary
    Any cookies that may not be particularly necessary for the website to function and is used specifically to collect user personal data via analytics, ads, other embedded contents are termed as non-necessary cookies. It is mandatory to procure user consent prior to running these cookies on your website.
    SAVE & ACCEPT