Fundamentos de Inteligencia Artificial

1. Introducción: ¿Qué es la Inteligencia Artificial?

1.1. Definiendo la IA: Más allá de la ciencia ficción, ¿qué significa realmente “inteligencia artificial”?
- Sistemas que simulan procesos de inteligencia humana (aprendizaje, razonamiento, percepción).
- Tipos de IA:
  - IA Débil (ANI – Artificial Narrow Intelligence): Diseñada para una tarea específica (ej., jugar ajedrez, reconocer caras).
  - IA Fuerte (AGI – Artificial General Intelligence): Capacidades intelectuales humanas. (Aún en desarrollo, es el objetivo a largo plazo).
  - Superinteligencia Artificial (ASI): Excede la inteligencia humana. (Hipótesis).
1.2. ¿Por qué es importante entender la IA hoy?
- Impacto en la vida diaria, el trabajo, la sociedad.
- Prepararse para el futuro.

2.1. Machine Learning (ML): El “cómo” aprende la IA.
- Definición: La capacidad de los sistemas para aprender de datos sin ser programados explícitamente.
- Analogía: Enseñarle a un niño a reconocer gatos mostrándole muchas fotos de gatos y no-gatos.
2.2. Tipos de Aprendizaje Automático:
- Aprendizaje Supervisado:
  - Definición: Aprender de datos etiquetados (pares de entrada-salida).
  - Ejemplos: Clasificación (spam/no spam), Regresión (predecir precios de casas).
- Aprendizaje No Supervisado:
  - Definición: Encontrar patrones y estructuras en datos no etiquetados.
  - Ejemplos: Clustering (agrupar clientes por comportamiento), Reducción de dimensionalidad.
- Aprendizaje por Refuerzo:
  - Definición: Aprender a través de la interacción con un entorno, recibiendo recompensas o penalizaciones.
  - Ejemplos: Entrenar un agente para jugar un videojuego, robots que aprenden a caminar.
2.3. Diferencias clave entre IA y Machine Learning:
- La IA es el concepto amplio de “máquinas inteligentes”.
- El Machine Learning es un subcampo de la IA y es el método principal por el cual muchas IA “aprenden”.
- Analogía: “Fruta” es IA, “manzana” es Machine Learning. No todas las frutas son manzanas, pero todas las manzanas son frutas.

3.1. Procesamiento del Lenguaje Natural (PLN/NLP):
- Definición: El campo de la IA que permite a las computadoras entender, interpretar y generar lenguaje humano.
3.2. Tokenización: Descomponiendo el Lenguaje.
- Concepto: Dividir el texto en unidades más pequeñas llamadas “tokens”.
- Ejemplos de tokens: Palabras, subpalabras, caracteres.
- Importancia: Es el primer paso para que una máquina pueda “leer” el texto.
3.3. Embeddings: El Mapa del Significado.
- Problema: Las computadoras no entienden las palabras como nosotros. Necesitan números.
- Definición: Representaciones numéricas (vectores) de palabras, frases o documentos que capturan su significado semántico y contextual.
- Analogía: Piensa en un mapa donde la cercanía entre dos puntos representa la similitud de su significado.
- ¿Cómo se crean? A través de redes neuronales, donde palabras con significados similares tienen embeddings similares.
3.4. Vectores: La Columna Vertebral de los Embeddings.
- Definición: Una lista ordenada de números (ej., [0.2,−1.5,3.1,…]).
- Importancia: Son el formato en que se almacenan y procesan los embeddings.
- Espacio Vectorial: Un espacio multidimensional donde los vectores se ubican. La distancia entre vectores indica similitud.

4.1. ¿Qué son los LLMs?
- Definición: Son modelos de Machine Learning (generalmente redes neuronales profundas, transformadores) entrenados con cantidades masivas de datos de texto.
- Objetivo: Generar texto coherente y relevante, responder preguntas, traducir, resumir, etc.
- Ejemplos Famosos: GPT-3, GPT-4, LLaMA, Bard (Gemini).
4.2. ¿Cómo “piensan” los LLMs? La Predicción de la Siguiente Palabra.
- No “entienden” como un humano, sino que son expertos en predecir la secuencia más probable de palabras basándose en los patrones que aprendieron de sus vastos datos de entrenamiento.
- El “conocimiento” de un LLM está implícito en las relaciones estadísticas que ha descubierto entre las palabras.
4.3. La Ventana de Contexto: La Memoria del LLM.
- Definición: El número limitado de tokens (palabras, subpalabras) que un LLM puede “recordar” o tener en cuenta en una sola interacción o turno conversacional.
- Importancia: Determina la coherencia y la capacidad del modelo para seguir el hilo de una conversación larga o procesar documentos extensos.
- Limitaciones: Si el contexto excede la ventana, el modelo “olvida” el principio de la conversación.

5.1. ¿Qué es un Prompt?
- Definición: La instrucción o pregunta que le das a un modelo de IA (especialmente LLMs) para que genere una respuesta.
- Es tu forma de comunicarte con la IA y guiar su salida.
5.2. La Importancia del Prompt Engineering (Ingeniería de Prompts):
- Concepto: El arte y la ciencia de diseñar prompts efectivos para obtener los resultados deseados de un modelo de IA.
- Consejos para buenos prompts:
  - Claridad y especificidad: Sé claro en lo que quieres.
  - Contexto: Proporciona información relevante.
  - Rol: Pídele a la IA que actúe como un experto en un tema.
  - Formato: Especifica el formato de salida deseado (ej., lista, párrafo, código).
  - Ejemplos (Few-shot learning): Dale ejemplos de lo que esperas.
- Ejemplo:
  - Prompt malo: “Escribe sobre perros.”
  - Prompt bueno: “Actúa como un veterinario y escribe un breve párrafo explicando los beneficios de la esterilización en perros pequeños, para dueños primerizos.”