ibero_u1_guion_multimedia

Fundamentos de

la IA Generativa​

Cápsula Unidad 1

Empezar

¡Recuerda que este recurso de aprendizaje es descargable!

Para ello haz clic en elsiguiente botón:

Fundamentos de la IA Generativa​

Introducción

En esta unidad se abordan los fundamentos conceptuales, matemáticos y éticos de la inteligencia artificial generativa. Estos elementos permiten comprender cómo los modelos aprenden a partir de datos y generan contenido original. El análisis de estos fundamentos constituye la base para el diseño y evaluación de soluciones generativas responsables en contextos académicos y profesionales.​

Fundamentos de la IA Generativa​

Inteligencia Artificial Generativa​

Concepto general​:

Inteligencia artificial generativa

Modelos predictivos

Aprendizaje profundo

Fundamentos de la IA Generativa​

Modelos Generativos​

Principales características​

Los modelos generativos trabajan con probabilidades y producen resultados no determinísticos.

Fundamentos de la IA Generativa​

Evolución de la IA Generativa​

De modelos clásicos a redes profundas​:

Enfoques estadísticos

Aumento de datos

Calidad y variedad

Fundamentos de la IA Generativa​

Usos de la IA Generativa​

Aplicaciones en distintos sectores​

En todos los casos, su valor radica en complementar el análisis y la creatividad humana mediante el uso de datos.​

La IA generativa se aplica en sectores como el arte, los negocios, la educación y el entretenimiento. Permite crear contenido digital, apoyar decisiones estratégicas y automatizar procesos creativos.

Fundamentos de la IA Generativa​

Fundamentos Matemáticos​

Álgebra lineal aplicada​

Álgebra lineal

Transformaciones matemáticas

Procesan la información

Fundamentos de la IA Generativa​

Redes Neuronales​

Transformaciones lineales

Las transformaciones lineales permiten que las redes neuronales conviertan los datos de entrada en representaciones más abstractas.

Fundamentos de la IA Generativa​

Enfoque Probabilístico​

Incertidumbre en la generación​

Generación de contenido

Distribuciones de probabilidad

Variados y coherentes

Fundamentos de la IA Generativa​

Estadística Aplicada​

Distribuciones y entropía

Estos conceptos ayudan a evaluar la calidad del aprendizaje y la capacidad del modelo para representar la información.​

Las distribuciones de probabilidad, como la gaussiana, describen el comportamiento de los datos aprendidos. La entropía permite medir la incertidumbre de estas distribuciones.

Fundamentos de la IA Generativa​

Entrenamiento de Modelos​

Optimización matemática​

Procesos de optimización

Algoritmos

Procesan la información

Fundamentos de la IA Generativa​

Evaluación del Desempeño​

Funciones de pérdida​

Las funciones de pérdida miden la diferencia entre los resultados generados y los datos reales.

Fundamentos de la IA Generativa​

Dimensión Ética​

Uso responsable de la IA​

Desafíos éticos

Desigualdades presentes

Principios éticos

Fundamentos de la IA Generativa​

Riesgos Éticos​

Sesgos y consecuencias​

La reflexión ética permite anticipar impactos sociales y mejorar la confiabilidad de las soluciones generativas.​

Los sesgos en los datos pueden generar resultados injustos o discriminatorios. Identificar y mitigar estos riesgos es una responsabilidad clave del diseñador del modelo.

Fundamentos de la IA Generativa​

Marco Normativo​

Regulaciones y buenas prácticas​

Uso responsable

Protección de datos

Contextos reales

Fundamentos de la IA Generativa​

Bases para el aprendizaje aplicado​ ​

Esta unidad proporcionó los fundamentos conceptuales, matemáticos y éticos de la inteligencia artificial generativa. Estos conocimientos son esenciales para comprender cómo funcionan los modelos y cómo aplicarlos responsablemente. En las siguientes unidades se avanzará hacia el diseño y evaluación de modelos generativos.

Fundamentos de la IA Generativa​

Referencias bibliográficas

Referencias bibliográficas

• Mendoza, J. G., Quispe, M. B., & Muñoz, S. P. (2022). A review on the role of artificial intelligence in the construction industry. Ingeniería y competitividad, 24(2), e30511727. ​

• Borrero‑Tigreros, D., & Bedoya‑Leiva, O. (2020). Predicción de riesgo crediticio en Colombia usando técnicas de inteligencia artificial. UIS Ingenierías, 19(4), 37–52.

• Kshetri, N. (2023). Generative artificial intelligence in marketing. IT Professional, 25(5), 71–75. ​

​

La inteligencia artificial generativa es un campo de la IA enfocado en crear nuevos contenidos a partir de datos aprendidos.

Como resultado, la calidad y variedad del contenido generado ha mejorado de manera significativa.​

Aprenden distribuciones subyacentes en los datos, lo que les permite generar nuevas instancias coherentes.

Su funcionamiento se basa en el aprendizaje profundo y en la identificación de patrones complejos dentro de grandes volúmenes de información.​

Los modelos generativos han evolucionado desde enfoques estadísticos clásicos hacia arquitecturas de redes neuronales profundas.

Esta capacidad los hace útiles para explorar escenarios, simular comportamientos y apoyar procesos creativos y analíticos en diferentes sectores.

A diferencia de modelos predictivos, estos sistemas generan textos, imágenes o simulaciones originales.

Este avance ha sido impulsado por el aumento de datos, potencia computacional y nuevos algoritmos.

El álgebra lineal es fundamental en la IA generativa, ya que los datos y parámetros se representan mediante vectores y matrices.

Comprender estas operaciones facilita interpretar cómo los modelos procesan la información.​

Estas estructuras permiten realizar transformaciones matemáticas dentro de las redes neuronales.

Cada capa del modelo aplica una transformación seguida de una función de activación.

Este proceso es clave para capturar relaciones complejas presentes en los datos.​

Gracias a esto, pueden producir resultados variados y coherentes, en lugar de respuestas únicas y determinísticas.​

La probabilidad permite modelar la incertidumbre en la generación de contenido.

Los modelos generativos aprenden distribuciones de probabilidad que describen los datos.

El gradiente descendente es uno de los algoritmos más utilizados para este fin.

Durante el entrenamiento, los modelos generativos ajustan sus parámetros mediante procesos de optimización.

Su objetivo es minimizar el error del modelo y mejorar progresivamente los resultados generados.​

Su correcta selección es clave para lograr un aprendizaje efectivo.​

Funciones como el error cuadrático medio y la entropía cruzada permiten evaluar el desempeño del modelo.

Por ello, es fundamental aplicar principios éticos que orienten su desarrollo y uso responsable.​

Los modelos pueden reproducir desigualdades presentes en los datos.

El uso de la IA generativa plantea desafíos éticos relacionados con sesgos, privacidad y transparencia.

Diversas regulaciones y buenas prácticas buscan garantizar el uso responsable de la inteligencia artificial.

Conocer estos lineamientos fortalece la aplicación ética de la IA generativa en contextos reales.​

Estas promueven la transparencia, la explicabilidad y la protección de datos.