Presentación para el Instituto de Enseñanza Secundaria Andalán. Título alternativo: "Algunas ideas en positivo sobre Inteligencia Artificial de un no experto. Con algo de ayuda de algunas inteligencias artificiales" 2023-05-11

1. Inteligencia Artificial
Fernando Tricas Garcı́a
ftricas@unizar.es
Dpto. de Informática e Ingenierı́a de Sistemas de la Escuela de Ingenierı́a y
Arquitectura de la Universidad de Zaragoza
http://webdiis.unizar.es/~ftricas/
@fernand0
11 de mayo de 2023

2. Algunas ideas en positivo sobre Inteligencia
Artificial de un no experto
Con algo de ayuda de algunas inteligencias artificiales
Fernando Tricas Garcı́a
ftricas@unizar.es
Dpto. de Informática e Ingenierı́a de Sistemas de la Escuela de Ingenierı́a y
Arquitectura de la Universidad de Zaragoza
http://webdiis.unizar.es/~ftricas/
@fernand0
11 de mayo de 2023

3. Sobre mi

4. Sobre mi

5. Índice
1 Motivación
2 Historia
3 Tecnologı́as
4 Nosotros y nuestros datos
5 Algunas crı́ticas
6 Conclusiones

6. (Des)motivación
“The question of
whether a computer
can think is no more
interesting than the
question of whether a
submarine can swim.”
— Edsger W. Dijkstra
https://www.goodreads.com/quotes/32629-the-question-of-whether-a-computer-can-think-is-no

7. (Des)motivación

8. (Des)motivación
‘The Humble Programmer’. ACM Turing Lecture 1972
https://www.cs.utexas.edu/~EWD/transcriptions/EWD03xx/EWD340.html

9. ¿Qué pensarı́a Dijkstra de esto?

10. ¿Qué pensarı́a Dijkstra de esto?

11. ¿Qué pensarı́a Dijkstra de esto?

12. ¿Qué pensarı́a Dijkstra de esto?

13. ¿Qué pensarı́a Dijkstra de esto?
import requests
# Descargar el archivo de texto
url = "https :// www.cs.utexas.edu /~ EWD/ transcriptions /EWD03xx/EWD340.html"
response = requests.get(url)
text = response.text.lower ()
# Contar las apariciones de la palabra ’intellige ’
word_to_count = ’intellige ’
count = text.count( word_to_count )
# Imprimir el resultado
print(f"La␣palabra␣ ’{ word_to_count }’␣aparece␣{count}␣veces",
f"␣en␣la␣lección␣Turing␣de␣1972.")
word_to_count = ’submarine ’
count = text.count( word_to_count )
# Imprimir el resultado
print(f"La␣palabra␣ ’{ word_to_count }’␣aparece␣{count}␣veces",
f"␣en␣la␣lección␣Turing␣de␣1972.")

14. Ejemplo
https://www.instagram.com/p/CMOn4eEL6Gk/
Instagram
(@universidaddezaragoza),
2021-03-10.
https://www.facebook.com/unizar.es/posts/
3901420269966894
Facebook (unizar.es),
2021-03-10.

15. Ejemplo
https://www.instagram.com/p/CMOn4eEL6Gk/
Instagram
https://www.facebook.com/unizar.es/posts/
3901420269966894

16. Ejemplo
https://www.instagram.com/p/CMOn4eEL6Gk/
Instagram
(@universidaddezaragoza),
2021-03-10.
https://www.facebook.com/unizar.es/posts/
3901420269966894
Facebook (unizar.es),

17. PIM: Personal Information Manager
– “Good morning. You’re flying to Boston today. Take
a raincoat, it’s raining. By the way, that flight you were
taking, it’s already been canceled. Don’t worry about it.
There was a mechanical. I’ve already booked you on a
new one. I’ll tell you about on the way to the airport. But
remember you’re going to exercise every day and I’m here
to remind you that you’re going to exercise.”
And you might say,
– “I don’t know if I want to exercise today,”
and It’ll show you a nude profile of yourself. And you’ll say,
– “You know what, I think I’m going to exercise today.”
Daniel Burrus
‘Enough with the past. We ask 5 futurists to describe the changes
coming our way.‘
https://www.networkworld.com/article/2309953/future-shock.html

18. Traducción (Google Translate)
– “Buenos dı́as. Vas a volar a Boston hoy. Toma un im-
permeable, es lloviendo. Por cierto, ese vuelo que estabas
tomando, ya fue cancelado. No te preocupes por eso.
Habı́a un mecánico. ya he reservado usted en uno nue-
vo. Te lo contaré de camino al aeropuerto. Pero recuerda
que vas a hacer ejercicio todos los dı́as y estoy aquı́ para
recordarteque vas a hacer ejercicio”.
Y podrı́as decir,
– “No sé si quiero ejercicio hoy”
y te mostrará un perfil desnudo de ti mismo. y lo harás
decir,
– “Sabes qué, creo que hoy voy a hacer ejercicio”.

19. Traducción (Google Translate)
– “Buenos dı́as. Vas a volar a Boston hoy. Toma un im-
permeable, es lloviendo. Por cierto, ese vuelo que estabas
tomando, ya fue cancelado. No te preocupes por eso.
Habı́a un mecánico. ya he reservado usted en uno nue-
vo. Te lo contaré de camino al aeropuerto. Pero recuerda
que vas a hacer ejercicio todos los dı́as y estoy aquı́ para
recordarteque vas a hacer ejercicio”.
Y podrı́as decir,
– “No sé si quiero ejercicio hoy”
y te mostrará un perfil desnudo de ti mismo. y lo harás
decir,
– “Sabes qué, creo que hoy voy a hacer ejercicio”.
https://twitter.com/Rakel61/status/1502263641697136643

20. Traducción (chatGPT)
– “Buenos dı́as. Hoy vas a volar a Boston. Lleva un im-
permeable, está lloviendo. Por cierto, el vuelo que ibas a
tomar, ya ha sido cancelado. No te preocupes por eso.
Hubo un problema mecánico. Ya te he reservado en uno
nuevo. Te lo contaré en el camino al aeropuerto. Pero re-
cuerda que vas a hacer ejercicio todos los dı́as y estoy aquı́
para recordarte que vas a hacer ejercicio”.
Y podrı́as decir:
– “No sé si quiero hacer ejercicio hoy”,
y te mostrará un perfil desnudo de ti mismo. Y dirás:
– “Sabes qué, creo que hoy sı́ voy a hacer ejercicio”.

21. Coches inteligentes
https://www.slashgear.com/2014-mercedes-s-class-revealed-and-its-a-tech-monster-16282346
https://www.teslamotors.com/
‘Audi’s automated driving for parking’
https://youtu.be/b_m8DqTlOLE
https:
//robohub.org/robocar-recap-tesla-radar-mobileye-fight-and-the-comma-one-1000-add-on-box/

22. Chatbots

23. Chatbots

24. ¿Miedo?
Agente electrónico
ultra-inteligente
Forbidden Planet (1956) 2001: A Space Odyssey (1968)
Heuristically Programmed
ALgorithmic Computer

25. Deep Fakes
https://twitter.com/MikaelThalen/status/1504123674516885507

26. ¿Sólo grandes proyectos?
‘Eben Upton’s favourite Raspberry Pi project is an AI cucumber
sorter’
https:
//www.htxt.co.za/2017/09/eben-uptons-favourite-raspberry-pi-project-is-an-ai-cucumber-sorter/
https://youtu.be/4HCE1P-m1l8

27. Inteligencia Artificial
La inteligencia artificial (IA) es la inteligencia llevada a
cabo por máquinas. En ciencias de la computación, una
máquina “inteligente” ideal es un agente flexible que per-
cibe su entorno y lleva a cabo acciones que maximicen sus
posibilidades de éxito en algún objetivo o tarea. Coloquial-
mente, el término inteligencia artificial se aplica cuando
una máquina imita las funciones “cognitivas”que los hu-
manos asocian con otras mentes humanas, como por ejem-
plo: “percibir”, “razonar”, “aprender” y “resolver proble-
mas”.

28. Inteligencia Artificial
▶ General
▶ Especializada

29. Inteligencia Artificial
▶ General
▶ Especializada −→ Inteligencias Artificiales

30. Cronologı́a (I)
▶ 1956. Workshop en Dartmouth College, término acuñado por
John McCarthy
”..that every aspect of learning or any other feature of intelligence can in principle be so precisely
described that a machine can be made to simulate it. An attempt will be made to find how to make
machines use language, form abstractions and concepts, solve kinds of problems now reserved for
humans, and improve themselves. We think that a significant advance can be made in one or more
of these problems if a carefully selected group of scientists work on it together for a summer. A
Proposal for the Dartmouth Summer Research Project on Artificial Intelligence (McCarthy et al,
1955)
The Birthplace of AI https://www.cantorsparadise.com/the-birthplace-of-ai-9ab7d4e5fb00
http://www-formal.stanford.edu/jmc/history/dartmouth.pdf
Fotografı́a: Marvin Minsky, Claude Shannon, Ray Solomonoff, ...

31. Cronologı́a (II)
▶ 1959. John McCarthy, Marvin Minsky. Creación del MIT AI
Lab.
https://www.timetoast.com/timelines/mit-lab https://www.scaruffi.com/mind/ai.html
▶ 1965. Joseph Weizenbaum (MIT). ELIZA, programa
interactivo que dialoga en inglés.
https://en.wikipedia.org/wiki/Timeline_of_artificial_intelligence
. . .

32. Cronologı́a (III)
▶ 70’s ‘AI Winter’.
▶ 80’s Resurgimiento ‘machine learning‘.
▶ ‘Second AI Winter’.
E. Francesconi. “The winter, the summer and the summer dream of artificial intelligence in law”. Artif Intell Law
30, 147–161 (2022). https://doi.org/10.1007/s10506-022-09309-8

33. Cronologı́a (IV)
▶ 90’s Orientación a datos en lugar de al conocimiento.
https://www.theifactory.com/news/gaining-wisdom-from-data/

34. Cronologı́a (V)
▶ 1997. Deep Blue gana a Garry Kasparov (Campeón del mundo
de ajedrez). En 1996 fue la primera partida del torneo y ganó
Kasparov.
https://hipertextual.com/2016/02/deep-blue

35. Cronologı́a (VI)
▶ 2002. iRoobot (Roomba). 2005. Honda (robot ASIMO).
https://makezine.com/article/technology/robotics/rockstar-robots-hondas-asimo/
▶ 2006. The Netflix Prize. Machine Learning para mejorar el
algoritmo de recomendación (≥ 10 %). Ganado en 2009.
https://www.thrillist.com/entertainment/nation/the-netflix-prize
▶ 2010. Microsoft (Kinnect para Xbox 360). Cámara 3D,
infrarrojos. Seguimiento de movimientos.

36. Cronologı́a (VII)
▶ 2011. IBM (Watson) gana a dos campeones de ‘Jeopardy‘,
Rutter, Jennings.
https://methodshop.com/watson-jeopardy/
https://osxdaily.com/2011/10/21/apple-iphone-4s-ad-featuring-siri-assistant/
▶ Apple (Siri, 2011),
▶ Google (Now, 2012), Microsoft (Cortana, 2014).

37. Cronologı́a (VIII)
▶ 2015 Google DeepMind’s AlphaGo vence tres veces al
campeón europeo de Go, Fan Hui (5-0).
https://kulturegeek.fr/news-76866/
premiere-intelligence-artificielle-bat-champion-europeen-jeu-go
https://www.lefigaro.fr/secteur/high-tech/2017/05/29/
32001-20170529ARTFIG00118-apres-sa-serie-de-victoires-sur-l-homme-google-met-son-intelligence-art
php
▶ En 2016 vence al campeón del mundo, Ke Jie.

38. Cronologı́a (VIII)
▶ 2018. El procesador de lenguaje de Alibaba supera a los
humanos en una prueba de lectura y comprensión en la
Universidad de Stanford.
▶ 2020. OpenAI GPT-3. Deep Learning para generar diversos
textos de manera indistinguible de los generados por
humanos.
▶ 2021. OpenAI Dall-e. Creación de imágenes a partir de
descripciones textuales. Hay otros (Stable Difussion en 2022).

39. IA, Machine Learning, Deep Learning
https://www.qubole.com/blog/deep-learning-the-latest-trend-in-ai-and-ml/

40. Machine Learning
Machine learning (ML) is the study of computer algo-
rithms that improve automatically through experience and
by the use of data. It is seen as a part of artificial intelli-
gence. Machine learning algorithms build a model based on
sample data, known as “training data”, in order to make
predictions or decisions without being explicitly program-
med to do so.
https://en.wikipedia.org/wiki/Machine_learning
▶ Entrenamiento.
▶ Explotación

41. Machine Learning
▶ Acceso a datos, utilización para ‘aprender’.
▶ Entrenamiento.
▶ Prueba con datos nuevos.
▶ Observación de las predicciones.
▶ Ajuste (si no funciona bien).
▶ También aprendizaje continuo.

42. Machine Learning
▶ Aprendizaje Supervisado.
Categorı́as conocidas. El sistema se entrena dando ejemplos y
contraejemplos (p. ej.: fotos que tienen gatos y fotos que no
los tienen).
▶ Aprendizaje No Supervisado.
Categorı́as no conocidas. El algoritmo los agrupa creando sus
propios grupos.
▶ Aprendizaje Reforzado.
Se proporciona información al algoritmo indicando si el
resultado es correcto o no. La usa para mejorar predicciones
futuras.
Muy importante: ¡Estadı́stica! ¡Medidas!

43. Deep Learning
Deep learning is a class of machine learning algorithms
that uses multiple layers to progressively extract higher-
level features from the raw input. For example, in image
processing, lower layers may identify edges, while higher
layers may identify the concepts relevant to a human such
as digits or letters or faces.
https://en.wikipedia.org/wiki/Deep_learning

44. Redes neuronales
Nodos conectados imitando las conexiones de un cerebro biológico.
Cada conexión puede transmitir una señal a otras neuronas. Una
neurona artificial recibe señales, las procesa (funciones no lineales)
y retransmite a otras neuronas conectadas. Los ejes (conexiones)
tienen un peso, que se ajusta con el aprendizaje.
https://www.allerin.com/blog/3-types-of-neural-networks-that-ai-uses

45. Redes neuronales profundas
https://www.edureka.co/blog/what-is-deep-learning

46. Entrenamiento. Patrones oscuros (Dark Patterns)
https://www.google.com/recaptcha/about/
‘Qué son los dark patterns’
https://www.torresburriel.com/weblog/2021/03/30/
que-son-los-dark-patterns/

47. ¿Entrenamiento?
Redes Generativas Antagónicas – Generative Adversarial Network
(GAN)
2014
https://es.wikipedia.org/wiki/Red_generativa_antag%C3%B3nica
https://www.spindox.it/en/blog/generative-adversarial-neural-networks/

48. No todo está perdido: entrenar a las IA
‘How to Beat Social Media Algorithms (and Why You Should Try)‘
https://lifehacker.com/how-to-beat-social-media-algorithms-and-why-you-should-1848355505

49. Reiniciar
“ TikTok Will Now Enable You to Start Over in the App by
Refreshing Your Algorithmic Recommendations”
https://www.socialmediatoday.com/news/
TikTok-Will-Enable-You-to-Refresh-Your-Algorithmic-Recommendations/645260/

50. Ejemplos. ChatGPT
https://chat.openai.com/chat

51. Ejemplos. ChatGPT

52. Ejemplos. ChatGPT

53. LLM. Large Language Models
Redes neuronales profundas (‘deep neural networks’) con miles de
millones de parámetros entrenables (‘billions’) entrenadas con
conjuntos masivos de textos sin etiquetar con el objetivo de
procesar, comprender y generar lenguaje natural.
Un modelo de lenguaje es una distribución de probabilidad sobre
secuencias de palabras. Dada una secuencia de cierta longitud un
modelo de lenguaje le asigna una probabilidad.
Se entrena con un grupo de textos y deben resolver el problema de
asignar probabilidades positivas a secuencias válidas que no están
en los textos de entrenamiento.
Palabras clave: inteligencias artificiales generativas, calculadora de
palabras1
1
Think of language models like ChatGPT as a “calculator for words”
https://simonwillison.net/2023/Apr/2/calculator-for-words/

54. Usos
▶ Resúmenes.
▶ Responder a preguntas.
▶ Extracción de hechos.
▶ Reescritura (agresivo, profesional, atrevido, irónico, ...)
▶ Sugerencia de tı́tulos
▶ Tesauro
▶ Diversión, creatividad... (¿cómo dirı́a esto un pirata del siglo
XVII? Escrı́belo en verso, ilústralo con una anécdota que
incluya ...)

55. ¿Afectará a mi futuro laboral?
https://www.theverge.com/2023/4/27/23700629/dropbox-laying-off-500-people-pivoting-ai

56. ¿Afectará a mi futuro laboral?

57. ¿Afectará a mi futuro laboral?
“In the foreseeable future,
we predict that today’s ge-
neration of radiologists will
be replaced not by ML algo-
rithms, but by a new breed
of data science-savvy radio-
logists who have embraced
and harnessed the incredible
potential that machine lear-
ning has to advance our abi-
lity to care for our patients.
In this way, radiology will re-
main a viable medical spe-
cialty for years to come.”
https://pubmed.ncbi.nlm.nih.gov/30325645/

58. Ejemplos. Dall-e
Inteligencias artificiales generativas.
https://labs.openai.com/

59. Ejemplos. Dall-e
https://labs.openai.com/

60. Ejemplos. Dall-e. Variaciones
https://labs.openai.com/

61. Palabra clave: prompt engineer
Pablo Picasso “Los ordenadores son inútiles. Sólo pueden
darnos respuestas·”
https://es.wikipedia.org/wiki/Pablo_Picasso

62. Ejemplos. Midjourney
https://twitter.com/nickfloats/status/1636116959267004416
https://www.midjourney.com/

63. Ejemplos. Midjourney
https://twitter.com/SmokeAwayyy/status/1636170472181334017
Una revista mensual: https://mag.midjourney.com/

64. Sesgos
https://www.techtarget.com/searchhrsoftware/news/252462002/

65. Motivos (explicabilidad)
https://research.aimultiple.com/ai-bias/

66. Conclusiones
▶ La Inteligencia Artificial ha evolucionado gracias al enfoque a
datos.
▶ Si queremos buenas recomendaciones, necesitan buenos datos.
▶ Conocer y comprender para sacar partido.
▶ ¿Estamos dispuestos a que una máquina tome decisiones que
nos afectan?
▶ ¿Nos podemos permitir quedarnos fuera por miedo?

67. ftricas@unizar.es
@fernand0
https://webdiis.unizar.es/~ftricas/
https://elmundoesimperfecto.com/
¡Gracias!