STEM Coding Ultimate Add On: Vision AI

Descubrir la tecnología del futuro

La inteligencia artificial es una de las innovaciones clave del mañana. Este kit de construcción despierta desde una edad temprana el interés por la IA y ayuda a los alumnos a prepararse para las perspectivas profesionales del futuro. De forma lúdica, aprenden los conceptos básicos de la inteligencia artificial y adquieren una primera comprensión de sus principios de funcionamiento.

El kit incluye tres modelos diferentes con un nivel de dificultad creciente, que ilustran de forma clara la amplia gama de aplicaciones modernas de la IA y ofrecen una introducción ideal a este campo orientado al futuro. La oferta se complementa con materiales didácticos especialmente diseñados para su uso en el ámbito escolar, que profundizan de forma duradera la comprensión de la inteligencia artificial.

Información sobre el producto

Material didáctico complementario

Interfaz de entrenador

Para descargar

Tiempo requerido

Se necesitan aproximadamente 10-15 minutos para construir los modelos teachable machine y barrera inteligente. Se deben planificar 90 minutos para la línea de clasificación.

Teachable Machine

La programación en las tareas puede tomar entre 15 y 45 minutos, dependiendo de los conocimientos previos.

Si el entorno de trabajo de Python ya está configurado en el PC, la sesión de aprendizaje en la tarea siguiente no debería tomar más de 15-20 minutos. Sin embargo, dado que la integración del TXT 4.0 en el programa de aprendizaje depende de que la conexión esté correctamente configurada y que las tareas anteriores se hayan realizado correctamente, aquí pueden surgir fácilmente una serie de dificultades, como problemas de conexión, archivos faltantes, etc. Por eso, esta parte debe prepararse cuidadosamente y planificarse con un poco más de tiempo.

La creación del segundo programa tomará nuevamente entre 10 y 30 minutos, según los conocimientos. Los experimentos siguientes pueden variar en duración a voluntad y requieren al menos 10 minutos.
Barrera inteligente

La programación en la tarea 1 y la tarea 3 puede tomar entre 15 y 45 minutos, dependiendo de los conocimientos previos. También puede ser útil utilizar los programas prefabricados y centrarse en las posibilidades y limitaciones de la IA, por ejemplo, realizando varios ciclos de aprendizaje o experimentos más extensos con la matriz de verdad. La duración de la tarea 2 y la tarea 4 puede variar libremente.
Sistema de clasificación

El sistema de clasificación, un modelo de entrenamiento completamente diseñado con referencia al entorno real para la aplicación de IA en la fabricación industrial, sirve para la representación realista de procesos y puede utilizarse para seguir investigando y desarrollando procesos de IA.

Introducción al tema

La inteligencia artificial ya ha llegado a muchos ámbitos y desempeña un papel importante en la vida de todos nosotros. Comprender y conocer el aprendizaje automático y los algoritmos capacita a los estudiantes para desarrollar un uso responsable y una postura propia sobre el tema.

Con el TXT 4.0, los estudiantes pueden dar sus primeros pasos con la inteligencia artificial (IA) de manera muy sencilla. Descubren qué hay detrás de la IA y cómo pueden utilizarla para sus propios modelos.

Una IA se entiende, dicho de forma sencilla, como un programa que se comporta de manera inteligente en algún aspecto. Dependiendo de la tarea, puede tratarse, por ejemplo, de reconocer imágenes, traducir textos o quizás generar música.

Existen muchos tipos diferentes de IA. Sin embargo, hoy en día, cuando hablamos de IA, generalmente nos referimos a las llamadas redes neuronales artificiales. Estas son, dicho de forma sencilla, reproducciones de estructuras similares a las que tenemos en nuestro cerebro. Las neuronas son células que están conectadas con otras neuronas y, en conjunto con ellas, estas redes pueden aprender.

Para las diferentes tareas que una IA debe realizar, existen distintos tipos de estas redes: nuestro centro del lenguaje funciona de manera algo diferente a nuestra memoria visual. Con las IA ocurre lo mismo. También hay diferentes tipos de redes y, según la tarea, deben utilizarse las redes adecuadas.

¿Cómo funciona una red neuronal?

La siguiente imagen describe la estructura básica de una red.

En el lado izquierdo (capa de entrada) llegan las señales, lo que es comparable a nuestras células sensoriales. Las células sensoriales están conectadas con neuronas y la fuerza de la conexión indica qué tan fuerte reacciona una neurona a los estímulos provenientes de la izquierda.

En el lado derecho (capa de salida) vemos las neuronas de salida, que simplemente representan ciertos conceptos que fueron percibidos con los sentidos en el lado izquierdo. Por ejemplo, si “vemos” una imagen a la izquierda, a la derecha podría asociarse el término “gato”.

Entre las células sensoriales a la izquierda y las neuronas de salida a la derecha hay estructuras formadas por muchas neuronas. Estas generalmente se organizan en “capas” individuales y cada capa tiene una tarea o función específica.

La división de los nodos de una Red Neuronal Artificial en capas sirve para mayor claridad. Se habla de Input Layer, Hidden Layer y Output Layer.

La capa de entrada (Input Layer) recibe los datos del entorno.
La capa de salida (Output Layer) emite los datos hacia el exterior.
Las capas ocultas (Hidden Layer) suelen conectar la capa de entrada con la capa de salida. Puede haber tantas de estas capas como se desee o ninguna.

Para diferentes tareas existen distintos tipos de conexiones. Ciertas conexiones son buenas para reconocer partes de imágenes y otras son buenas para reconocer secuencias temporales como las palabras en oraciones.

Términos como Deep Learning, Deep Mind o el programa DeepL, que traduce texto a otro idioma, se refieren a la estructura de la Red Neuronal, a una llamada red “profunda”. El Deep. Profunda no significa más que que hay muchas capas una tras otra, donde cada capa reacciona a las salidas de la anterior.

El aprendizaje en una red neuronal funciona, simplificando, de la siguiente manera: en el lado izquierdo se colocan estímulos, por ejemplo, imágenes, y luego se observa si en el lado derecho aparece el término correcto. Si no es así, se ajusta la intensidad de las conexiones de derecha a izquierda y se vuelve a intentar, hasta que la red reaccione correctamente.

El cálculo constante de una red grande es muy laborioso. Por eso, las tareas de IA se entrenan en el PC y no en el TXT 4.0.

Se ha trabajado en inteligencia artificial durante muchas décadas. Sin embargo, durante mucho tiempo, los ordenadores y las redes no fueron lo suficientemente potentes para entrenar redes neuronales más grandes. Para entrenar una red desde cero para que pueda reconocer objetos, se necesitan millones de imágenes, para las cuales la red debe calcular constantemente de izquierda a derecha y luego corregirse de derecha a izquierda.

Para que una IA pueda hacer algo, primero debe aprender y luego aplicar lo aprendido. El principio básico siempre sigue los siguientes tres pasos:

Recopilación de datos de entrenamiento – Se recopilan ejemplos de los que la IA podrá aprender más adelante. Por ejemplo, pueden ser imágenes de diferentes animales u objetos. Estas imágenes deben ser etiquetadas para que la IA sepa qué debe aprender.
Entrenamiento de la IA – En este paso mostramos a la IA nuestros ejemplos y lo que queremos decir con ellos. Luego, la IA se ajusta para encontrar el término correspondiente a una imagen dada de la mejor manera posible.
Uso de la IA – Cuando el entrenamiento ha terminado, podemos usar la red e intentar reconocer imágenes nuevas o diferentes.

Pronto nos daremos cuenta de que entrenar no es tan sencillo. Se necesitan las imágenes correctas, una cantidad suficiente de ellas y también que las condiciones de iluminación sean adecuadas. Pero esto debe descubrirse al investigar y experimentar con los propios modelos.

Para que el entrenamiento de la IA no sea demasiado difícil, utilizamos en nuestros ejemplos una IA preentrenada como base. Esta es capaz de reconocer objetos y solo necesita que se le enseñen los „nombres“ de las cosas que debe reconocer. Este tipo de aprendizaje se denomina aprendizaje por transferencia.

En nuestros experimentos con el TXT procedemos siempre de la siguiente manera: utilizamos el modelo para recopilar imágenes para el aprendizaje. Para ello, debemos escribir un programa que capture imágenes y las clasifique en grupos

por ejemplo, en una barrera, en grupos de imágenes que regulen el cierre y la apertura de la barrera. El programa recopila entonces todas las imágenes en el TXT y las nombra adecuadamente.

Aunque el TXT 4.0 es un controlador muy potente, el entrenamiento de una IA requiere un poco más de potencia de cálculo. Por eso transferimos los datos al PC o portátil y realizamos el entrenamiento allí. Tras unos minutos, el modelo de IA entrenado puede ser transferido al TXT.

Ahora podemos utilizar la IA con otro programa en el TXT.

Para evaluar qué tan bien una IA reconoce objetos, se utiliza típicamente una llamada matriz de verdad. Para ello, a la IA solo se le muestran objetos de un tipo y se cuenta cuántos de ellos fueron reconocidos correctamente. Estos son los llamados "verdaderos positivos" (true positives). Los objetos que fueron incorrectamente no reconocidos se denominan "falsos negativos" (false negatives).

Ambos números se dividen por la cantidad de objetos mostrados y se obtiene como resultado un valor relativo.

Cuanto más cerca de 1 estén los primeros dos valores y cuanto más cerca de 0 estén los segundos dos valores, más confiable es el reconocimiento correcto de los objetos por parte de tu IA.

El desarrollo de la IA en los últimos años es fascinante y sin precedentes. Desde coches autónomos, reconocimiento de voz, sugerencias de películas en plataformas de streaming de vídeo hasta anuncios personalizados, la IA ha encontrado aplicación en casi todos los ámbitos de nuestra vida.

Ya en 1726, Jonathan Swift describió en su novela "Los viajes de Gulliver" una máquina similar a un ordenador llamada "Engine", que se utilizaba para ampliar el conocimiento y mejorar los procesos mecánicos.

Sin embargo, se considera que la década de 1950 fue la época en la que se lograron los primeros avances significativos en la creación de máquinas inteligentes.

El desarrollo de los primeros programas de ordenador para jugar al ajedrez (1950 Claude Shannon, 1952 Arthur Samuel).
Alan Turing publicó en 1950 su tratado sobre „Computing Machinery and Intelligence“ (Máquinas de cálculo e inteligencia), en el que propuso el „Test de Turing“ para evaluar la capacidad de una máquina para pensar como un ser humano.
El desarrollo del primer programa de IA The Logic Theorist (1955 - Allen Newell, Herbert Simon, Cliff Shaw).
John McCarthy, un informático estadounidense, y su equipo propusieron en 1955 un taller sobre „inteligencia artificial“ que en 1956, en una conferencia en el Dartmouth College, dio lugar al nacimiento del término „inteligencia artificial“.

A finales de los años 60 se desarrolló el programa „ELIZA“ (Joseph Weizenbaum), una especie de chatbot que fue probado por primera vez en una simulación de conversación médico-paciente. Más tarde, los conocimientos obtenidos de ELIZA se incorporaron a los llamados „sistemas expertos“. Edward H. Shortliffe desarrolló MYCIN, un sistema experto diseñado para apoyar las decisiones diagnósticas de los médicos.

También en los años 80 hubo desarrollos que contribuyeron a moldear el futuro de la IA. En 1984 se alcanzó un hito con el desarrollo del robot RB5X. Su software de autoaprendizaje permite predecir eventos futuros basándose en datos históricos. NETtalk 1986 (Terrence Joseph Sejnowski, Charles Rosenberg) fue uno de los primeros programas en utilizar redes neuronales artificiales. NETtalk puede leer palabras y pronunciarlas correctamente, así como aplicar lo aprendido a palabras desconocidas para él.

En los años 90 se desarrollaron los primeros algoritmos que permitían a los sistemas tomar decisiones automáticamente y resolver problemas mediante el acceso a datos e información almacenada. En 1997, en un torneo, la máquina de ajedrez con IA "Deep Blue" de la empresa IBM derrotó al campeón mundial de ajedrez reinante Garry Kasparov. Esto se considera un éxito histórico de las máquinas en un ámbito que hasta entonces había sido dominado por los humanos. Sin embargo, los críticos argumentan que "Deep Blue" no ganó por inteligencia cognitiva, sino solo por calcular todos los movimientos posibles.

En 2016, el sistema "AlphaGo" derrotó al surcoreano Lee Sedol, uno de los mejores jugadores de Go del mundo. Los avances tecnológicos en hardware y software allanan el camino para que la inteligencia artificial entre en nuestra vida cotidiana. En particular, los asistentes de voz gozan de gran popularidad: Apple lanzó "Siri" en 2011, Microsoft presentó el software "Cortana" en 2014 y Amazon presentó en 2015 Amazon Echo con el servicio de voz "Alexa". En el entorno empresarial, el desarrollo de la IA se manifiesta en forma de automatización, aprendizaje profundo e Internet de las cosas. Además de los robots industriales, se desarrollan cada vez más robots de servicio.

En 2020 comenzó una nueva década para la IA. OpenAI ha desarrollado en los últimos años una serie de modelos de IA revolucionarios, entre ellos GPT-3, GPT-4, DALL-E y GLIDE. Estos modelos demuestran que la IA es capaz de resolver tareas complejas como la generación de texto, la programación de software y el procesamiento de imágenes.

A pesar de décadas de investigación, el desarrollo de la inteligencia artificial aún está relativamente en sus inicios. Además, las posibles medidas para regular la IA se están convirtiendo cada vez más en un tema relevante. Para poder utilizarla en áreas sensibles como la conducción automatizada o la medicina, debe volverse más confiable y segura frente a manipulaciones.

La ley de IA de la Unión Europea exige en muchos ámbitos transparencia para los sistemas de IA, de modo que las personas puedan comprender la forma de pensar de la IA.

STEM Coding Ultimate Add On: Vision AI

Descubrir la tecnología del futuro

Información sobre el producto

Material didáctico complementario

Interfaz de entrenador

Teachable Machine

Barrera inteligente

Sistema de clasificación