Home » Inteligencia artificial (Page 3)
Category Archives: Inteligencia artificial
La nueva realidad de la educación ante los avances de la inteligencia artificial generativa
La nueva realidad de la educación ante los avances de la inteligencia artificial generativa
Francisco José García Peñalvo (Universidad de Salamanca), Faraón Llorens-Largo (Universidad de Alicante) y Javier Vidal (Universidad de León)
Revista Iberoamericana de Educación a Distancia (RIED)
Vol. 27 Núm. 1 (2024): Tendencias en la Educación Digital
https://revistas.uned.es/index.php/ried/issue/view/1749
https://revistas.uned.es/index.php/ried/article/view/37716
DOI: https://doi.org/10.5944/ried.27.1.37716
Palabras clave: inteligencia artificial, inteligencia artificial generativa, ChatGPT, educación
Resumen
Cada vez es más común interactuar con productos que parecen “inteligentes”, aunque quizás la etiqueta “inteligencia artificial” haya sido sustituida por otros eufemismos. Desde noviembre de 2022, con la aparición de la herramienta ChatGPT, ha habido un aumento exponencial en el uso de la inteligencia artificial en todos los ámbitos. Aunque ChatGPT es solo una de las muchas tecnologías generativas de inteligencia artificial, su impacto en los procesos de enseñanza y aprendizaje ha sido notable. Este artículo reflexiona sobre las ventajas, inconvenientes, potencialidades, límites y retos de las tecnologías generativas de inteligencia artificial en educación, con el objetivo de evitar los sesgos propios de las posiciones extremistas. Para ello, se ha llevado a cabo una revisión sistemática tanto de las herramientas como de la producción científica que ha surgido en los seis primeros meses desde la aparición de ChatGPT. La inteligencia artificial generativa es extremadamente potente y mejora a un ritmo acelerado, pero se basa en lenguajes de modelo de gran tamaño con una base probabilística, lo que significa que no tienen capacidad de razonamiento ni de comprensión y, por tanto, son susceptibles de contener fallos que necesitan ser contrastados. Por otro lado, muchos de los problemas asociados con estas tecnologías en contextos educativos ya existían antes de su aparición, pero ahora, debido a su potencia, no podemos ignorarlos solo queda asumir cuál será nuestra velocidad de respuesta para analizar e incorporar estas herramientas a nuestra práctica docente.
Usos y desusos del modelo GPT-3 entre estudiantes de grados de ingeniería
Usos y desusos del modelo GPT-3 entre estudiantes de grados de ingeniería
Daniel Amo-Filva, David Fonseca, David Vernet, Eduard De Torres, Pol Muñoz Pastor, Víctor Caballero, Eduard Fernandez, Marc Alier Forment, Francisco José García-Peñalvo, Alicia García-Holgado, Faraón Llorens-Largo, Rafael Molina-Carmona, Miguel Á. Conde, Ángel Hernández-García
XXIX Jornadas sobre Enseñanza Universitaria de la Informática (JENUI 2023)
Granada, 5, 6 y 7 de julio de 2023
Resumen
La herramienta ChatGPT, basada en el modelo GPT-3 desarrollado por OpenAI, ya se utiliza por estudiantes de grados de ingeniería como herramienta de apoyo en su proceso de aprendizaje. En este contexto, las implicaciones negativas que presenta el uso de esta herramienta son diversas: dependencia tecnológica, obstaculización del saber y conocer práctico, error en las respuestas, problemas éticos o incluso problemas legales. El uso de esta herramienta sin que los estudiantes hayan recibido formación se considera como problema a investigar. El objetivo es entender en profundidad el contexto tecnológico de la herramienta, cómo se utiliza actualmente entre los estudiantes de ingeniería de un conjunto de universidades privadas y públicas, y su impacto en la educación universitaria. Este artículo es un trabajo en desarrollo donde se presenta el contexto del estudio, la metodología de investigación y unos primeros resultados. Se conduce una encuesta cualitativa-exploratoria con una muestra de más de 360 estudiantes de grados de ingeniería matriculados en diferentes cursos. Se utiliza una estratificación aleatoria para asegurar que la muestra sea representativa de la población. Los resultados sugieren que el modelo GPT-3 puede ser utilizado como una herramienta beneficiosa para los estudiantes de grados de ingeniería.
Palabras clave
ChatGPT, GPT-3, OpenAI, TIC, universidad, ingeniería, riesgos tecnológicos, proceso de aprendizaje, ética, legalidad, encuesta cualitativa-exploratoria, estratificación aleatoria.
Artículo completo (pdf)
Vol 8 (2023) – Actas de las XXIX Jornadas sobre Enseñanza Universitaria de la Informática (Granada, 5, 6 y 7 de julio de 2023) (pdf)
Few-Shot Learning for Prediction of Electricity Consumption Patterns
Few-Shot Learning for Prediction of Electricity Consumption Patterns
Javier García-Sigüenza, José F. Vicent, Faraón Llorens-Largo y José-Vicente Berná-Martínez
IbPRIA 2023: 11th Iberian Conference on Pattern Recognition and Image Analysis
Alicante, Spain. June 27-30, 2023
www.ibpria.org/2023
Publicación:
Pertusa, A., Gallego, A.J., Sánchez, J.A., Domingues, I. (eds) Pattern Recognition and Image Analysis. IbPRIA 2023. Lecture Notes in Computer Science, vol 14062. Springer, Cham.
https://doi.org/10.1007/978-3-031-36616-1_56
Abstract
Deep learning models have achieved extensive popularity due to their capability for providing an end-to-end solution. But, these models require training a massive amount of data, which is a challenging issue and not always enough data is available. In order to get around this problem, a few shot learning methods emerged with the aim to achieve a level of prediction based only on a small number of data. This paper proposes a few-shot learning approach that can successfully learn and predict the electricity consumption combining both the use of temporal and spatial data. Furthermore, to use all the available information, both spatial and temporal, models that combine the use of Recurrent Neural Networks and Graph Neural Networks have been used. Finally, with the objective of validate the approach, some experiments using electricity data of consumption of thirty-six buildings of the University of Alicante have been conducted.
Keywords
Few-shot learning, Graph neural networks, Electricity consumption, Pattern recognition
Póster
Explainability techniques applied to road traffic forecasting using Graph Neural Network models
Explainability techniques applied to road traffic forecasting using Graph Neural Network models
Javier García-Sigüenza, Faraón Llorens-Largo, Leandro Tortosa and José F. Vicent
Information Sciences
Volume 645, October 2023, 119320
doi: doi.org/10.1016/j.ins.2023.119320
Available online 16 June 2023
(INS 119320)
https://www.sciencedirect.com/science/article/pii/S0020025523009052
Abstract
In recent years, several new Artificial Intelligence methods have been developed to make models more explainable and interpretable. The techniques essentially deal with the implementation of transparency and traceability of black box machine learning methods. Black box refers to the inability to explain why the model turns the input into the output, which may be problematic in some fields. To overcome this problem, our approach provides a comprehensive combination of predictive and explainability techniques. Firstly, we compared statistical regression, classic machine learning and deep learning models, reaching the conclusion that models based on deep learning exhibit greater accuracy. Of the great variety of deep learning models, the best predictive model in spatio-temporal traffic datasets was found to be the Adaptive Graph Convolutional Recurrent Network. Regarding the explainability technique, GraphMask shows a notably higher fidelity metric than other methods. The integration of both techniques was tested by means of experimental results, concluding that our approach improves deep learning model accuracy, making such models more transparent and interpretable. It allows us to discard up to 95% of the nodes used, facilitating an analysis of its behavior and thus improving the understanding of the model.
Keywords: Graph neural networks, deep learning, data analysis, explainability, traffic flow
Proyecto centauro
Proyecto centauro.
La nueva frontera educativa.
Un modelo para los próximos treinta años.
José Antonio Marina
Ediciones Khaf
www.edicioneskhaf.es
Colección Expresiones
Frases entresacadas e ideas interesantes que puedo utilizar:
(Página 9)
“Hemos entrado en una sociedad del aprendizaje, regida por una ley implacable.”Toda persona, toda organización y toda sociedad, para sobrevivir, tiene que aprender al menos a la misma velocidad con la que cambia el entorno. Y si quiere progresar, tendrá que hacerlo a más velocidad”.”
(Página 14)
“”Para qué lo voy a aprender, si lo puedo buscar”. Eso supone anularse. Si el conocimiento está en la red, si la inteligencia está en la red, se han vuelto todos superfluos e intercambiables.”
(Página 65)
“lo único que podemos hacer para facilitar el futuro de nuestros hijos y alumnos es ayudarles a que aprendan a decidir bien y a realizar lo decidido”
(Página 93)
“Cuando adquiero un hábito, estoy ampliando mi inteligencia generadora.”
(Página 99)
“Una parte importante de la educación tienen que ocuparse de educar el inconsciente, para que produzca buenas ocurrencias, buenos sentimientos, buenas ideas. Esto puede sonar extraño, pero como veremos, lo hemos estado practicando durante siglos sin saberlo. Los hábitos son la herramienta de que disponemos para educar nuestra inteligencia generadora, es decir, nuestro inconsciente.”
(Página 105)
“La teoría de la inteligencia dual /…/ Su idea central es que nuestra inteligencia trabaja a dos niveles. Uno, de cuyas operaciones no somos conscientes, lo compartimos con los animales. Capta información, la reconoce, elabora, guarda y responde. Así, dirige la acción /…/ Llamamos inteligencia generadora al nivel inferior, de donde proceden nuestras ideas, sentimientos, deseos, proyectos. Y llamamos inteligencia ejecutiva al nivel que se encarga de recibir la información, evaluarla y tomar decisiones. Aquel es inconsciente, este consciente. La inteligencia ejecutiva nos permite orientar toda la colosal maquinaria de la inteligencia generadora hacia metas elegidas por el sujeto.”
(Página 219)
“Dado que el cerebro humano es un cognitive miser*, un ahorrador de esfuerzos, es difícil no rendirse ante la facilidad eficiente. Betty Sparrow estudió lo que llamó “efecto Google”, que puede resumirse como “para qué lo voy a aprender si lo puedo encontrar”.”
*rácano cognitivo
(Página 251)
“La propuesta del Proyecto Centauro es que los sistemas de inteligencia artificial deben formar parte de la inteligencia generadora de las personas, y que el modelo dual de la inteligencia nos permite diseñar bien este ensamblaje.
/…/
No es la inteligencia artificial la que va a decidir lo que hacen los humanos, sino los humanos los que deben tomar decisiones con la ayuda de la inteligencia artificial.”
El Rey va desnudo. Replanteando los trabajos académicos en la universidad
El Rey va desnudo. Replanteando los trabajos académicos en la universidad
Faraón Llorens Largo
Jornada
Inteligencia artificial generativa y docencia. ¿Qué vas a hacer?
Universidad de Málaga
2 de junio de 2023
Grabación en directo (2:55:57):
Presentación:
Nota de prensa Universidad de Málaga:
https://www.uma.es/sala-de-prensa/noticias/el-uso-responsable-de-la-inteligencia-artificial-generativa-un-reto-para-el-sistema-educativo/
Resumen de la jornada generado con IA disponible en:
https://www.summarize.tech/www.youtube.com/watch?v=s640wpVk9w8
bailando con la IA en una baldosa
Bailando con la IA en una baldosa
Faraón Llorens
Jornadas sobre Inteligencia Artificial, ética y responsabilidad
22 y 23 de mayo de 2023
Facultad de Derecho
Universidad de Alicante
Aprendizaje inteligente, más que ChatGPT
Aprendizaje inteligente, más que ChatGPT
Extra Educación Comunidad Valenciana
El País
Kristin Suleng
29 abr 2023
La Inteligencia Artificial evidencia las debilidades sin resolver del sistema educativo, si bien cada vez más centros la incorporan como tecnología para aprender y como objeto de estudio.
El valor de la pregunta
ChatGPT evidencia las debilidades de la educación actual, diseñada para un mundo con escasez de información cuando rige la sobreinformación, y también que la adecuación de las respuestas viene marcada por la interacción. “Esto nos debería dar una pista como profesores: empecemos a tener en cuenta las preguntas, no solo las respuestas”, observa Faraón Llorens, catedrático de Escuela Universitaria de Ciencia de la Computación e Inteligencia Artificial de la Universidad de Alicante. Propone tres vías para una “docencia a prueba de IA”: 1) que no salga a cuenta utilizarla para realizar la tarea; 2) que aunque se utilice, el estudiante aprenda; 3) pedirle al estudiante que la utilice para obtener mejores trabajos y enseñarle a hacer un buen uso.
Nada nuevo bajo el sol, pero la educación no lo había solucionado hasta ahora, reconoce este especialista. “No podemos estancarnos en el debate de si ahora pediremos los trabajos escritos a mano o si prohibiremos el uso de ChatGPT. El problema son las tareas que les pedimos a los jóvenes en las aulas y el sistema de evaluación que se utiliza. La competición no irá de humanos contra la inteligencia artificial (IA), sino que se dará entre humanos-con-IA y humanos-sin-IA. Debemos educar a centauros digitales, teniendo en cuenta que la tecnología no es un medio para alcanzar un fin, sino que también moldea ese fin”, analiza Llorens.
¡Tempus fugit! Y en tecnología, más
¡Tempus fugit! Y en tecnología, más
EspacioS de Educación Superior (www.espaciosdeeducacionsuperior.es)
Faraón Llorens
25 de abril de 2023
A mis estudiantes les hablo de la ley de rendimientos acelerados de Kurzweil (7) que dice que cuando algo lo convertimos en información, se acelera y crece exponencialmente. Una tecnología representa un avance con un crecimiento en forma de curva S. Pero cada nueva tecnología se sube sobre los hombros de las anteriores, conformando una superposición de curvas tecnológicas, consiguiendo así una penetración más acelerada que la anterior. ¡Un respiro, por favor! Pidamos tiempo muerto.
/…/
¡Paren las máquinas! Está es la orden que podríamos dar ahora. Pero en relación con la tecnología, la tendríamos siempre en la boca, ya que como he reflejado en lo ocurrido estos doce últimos meses, cuando aún estamos analizando las implicaciones de una, aparece otra nueva y con más fuerza, y al estilo del periodismo impreso, a mitad proceso, tienes que parar las máquinas para cambiar los titulares, las planchas y comenzar una nueva tirada.
Leer la entrada completa:
www.espaciosdeeducacionsuperior.es/25/04/2023/tempus-fugit-y-en-tecnologia-mas
Mil cerebros
Mil cerebros.
Una nueva teoría de la inteligencia
Jeff Hawkins
Tusquets Editores
www.tusquetseditores.com
Metatemas 154
https://www.planetadelibros.com/libro-mil-cerebros/371327
Enlaces de interés:
Numenta (www.numenta.com)
Charla TED: How brain science will change computing (https://www.ted.com/talks/jeff_hawkins_how_brain_science_will_change_computing)
Frases entresacadas e ideas interesantes que puedo utilizar:
(Página 124)
“En el cerebro, el conocimiento está repartido. Nada de lo que sabemos se almacena en un único lugar, como una neurona o una columna. Tampoco se almacena todo en todas partes, como en un holograma. El conocimiento de algo se distribuye entre miles de columnas, pero estas constituyen un pequeño subconjunto de todas las columnas corticales.”
(Página 142)
“La teoría de los mil cerebros sugiere que el futuro de la inteligencia artificial va a ser sustancialmente diferente de lo que piensa hoy la mayoría de los profesionales del campo. Creo que la IA está preparada para una revolución científica, y los principios de la inteligencia que he descrito en la primera parte [del libro] serán la base de esa revolución.”
(Página 145)
“El campo de la IA está dominado por las redes neuronales que vemos en los cerebros. Voy a argumentar que el futuro de la IA se basará en principios diferentes de los que se aplican en la actualidad, principios que se asemejarán más al cerebro.”
(Página 149)
“No sé cuánto tiempo más seguirá creciendo la actual ola de entusiasmo en el campo de la inteligencia artificial. Pero sí sé que el aprendizaje profundo no nos sitúa en el camino de la creación de máquinas auténticamente inteligentes. No podemos llegar a la inteligencia artificial general haciendo más de lo mismo que estamos haciendo ahora. Tenemos que adoptar un enfoque diferente.”
(Página 151)
“Esta dificultad se conoce como el problema de la representación del conocimiento. Algunos expertos concluyeron que la representación del conocimiento no solo era un gran problema para la IA, sino que era el problema. Afirmaron que no podríamos construir máquinas verdaderamente inteligentes hasta que resolviéramos el problema de la representación del conocimiento cotidiano en una computadora”
(Página 160)
“Cada uno de los cuatro atributos de la siguiente lista es algo que sabemos que hace el cerebro, y que creo que una máquina inteligente también debería hacer.”
1. Aprendizaje continuo
2. Aprendizaje mediante movimiento
3. Modelos múltiples
4. Marcos de referencia para almacenar conocimiento
(explicados en las páginas 160-162)
(Página 165)
“Somos inteligentes no porque podamos hacer una cosa particularmente bien, sino porque podemos aprender a hacer prácticamente cualquier cosa.”
(Página 202)
“Este es el mundo en el que vivimos hoy. Nadie lo sabe todo. No porque nadie sea lo bastante inteligente, sino porque nadie puede estar en todas partes y hacerlo todo. Lo mismo vale para las máquinas inteligentes.
Nótese que la mayoría de los éxitos de la inteligencia artificial actual tienen que ver con problemas que son estáticos y no cambian con el tiempo, por lo que no requieren un aprendizaje continuo.”