Inteligencia artificial

Qué hace la máquina por dentro, con las cuentas a mano y sin una línea de código: definiciones, búsqueda, Bayes, aprendizaje, redes neuronales, modelos de lenguaje y lo que la norma ya te obliga.

Estudiar este bloque

Se entra sin cuenta y sin pagar nada. La cuenta es opcional y sirve solo para que el progreso te siga entre dispositivos.

Qué se estudia

El temario completo, unidad por unidad. Cada ejercicio trae explicación, y la explicación rehace la cuenta o el razonamiento en lugar de celebrar la respuesta.

Inteligencia artificial I · Qué es, de dónde viene y cómo razona

La definición que nadie comparte, el mapa de campos vecinos, la vieja pregunta de si una máquina piensa y la primera forma de resolver problemas sin aprender nada.

  • La palabra que nadie define igual9 ejercicios
  • El mapa: IA, aprendizaje automático y aprendizaje profundo9 ejercicios
  • ¿Puede pensar una máquina?9 ejercicios
  • Resolver por búsqueda: del laberinto al ajedrez9 ejercicios

Inteligencia artificial II · Probabilidad y aprendizaje automático

Odds, la regla de Bayes con la cuenta hecha, el clasificador ingenuo que filtra tu correo y los dos algoritmos que aprenden de ejemplos.

  • Pensar en odds sin equivocarse9 ejercicios
  • La regla de Bayes: actualizar una creencia con evidencia9 ejercicios
  • El clasificador bayesiano ingenuo, o cómo se filtra tu correo9 ejercicios
  • Aprender de ejemplos: vecino más cercano y regresión9 ejercicios

Inteligencia artificial III · Redes neuronales, modelos de lenguaje y consecuencias

Qué es una neurona artificial con la cuenta hecha, cómo aprende una red, qué hace por dentro un modelo de lenguaje y qué te obliga a vos que exista todo esto.

  • La neurona artificial y la red9 ejercicios
  • Cómo aprende una red9 ejercicios
  • Modelos de lenguaje: qué hacen de verdad9 ejercicios
  • Trascendencia: qué cambia y qué te obliga9 ejercicios

Con qué se verificó

Las 43 referencias de este bloque, a la vista. Cada afirmación del contenido se contrastó contra la fuente primaria, y cuando algo no se pudo confirmar, se sacó.

Bibliografía

  • Russell, S. y Norvig, P. (2021). Artificial Intelligence: A Modern Approach (4ª ed.). Hoboken: Pearson. Manual de referencia del campo. De acá salen el tratamiento de las definiciones en competencia, la resolución de problemas por búsqueda, la búsqueda con adversario y el factor de ramificación aproximado del ajedrez.
  • Mitchell, T. (1997). Machine Learning. Nueva York: McGraw Hill. Definición operativa de aprendizaje: un programa aprende de la experiencia si su desempeño en la tarea mejora con esa experiencia.
  • Hastie, T., Tibshirani, R. y Friedman, J. (2009). The Elements of Statistical Learning: Data Mining, Inference, and Prediction (2ª ed.). Nueva York: Springer. Compromiso entre sesgo y varianza que gobierna la elección de k en el vecino más cercano.
  • Goodfellow, I., Bengio, Y. y Courville, A. (2016). Deep Learning. Cambridge: MIT Press. Optimización, descenso de gradiente y entrenamiento de redes profundas.
  • Minsky, M. y Papert, S. (1969). Perceptrons: An Introduction to Computational Geometry. Cambridge: MIT Press. Demostración de las limitaciones del perceptrón de una capa, antecedente del primer invierno de la IA.
  • Moravec, H. (1988). Mind Children: The Future of Robot and Human Intelligence. Cambridge: Harvard University Press. Formulación de la paradoja que lleva su nombre.
  • McCorduck, P. (2004). Machines Who Think (2ª ed.). Natick: A. K. Peters. Historia del campo y discusión del efecto IA.
  • Gigerenzer, G. (2002). Calculated Risks: How to Know When Numbers Deceive You. Nueva York: Simon and Schuster. Frecuencias naturales como método para resolver problemas bayesianos sin errores.
  • Kahneman, D. (2011). Thinking, Fast and Slow. Nueva York: Farrar, Straus and Giroux. Desprecio sistemático por la tasa base.

Artículos y papers

  • Turing, A. M. (1950). «Computing Machinery and Intelligence». Mind, 59(236), 433-460. Oxford University Press. Propuesta del juego de imitación.
  • Searle, J. R. (1980). «Minds, Brains, and Programs». Behavioral and Brain Sciences, 3(3), 417-457. Cambridge University Press. Argumento de la habitación china.
  • Weizenbaum, J. (1966). «ELIZA. A Computer Program for the Study of Natural Language Communication between Man and Machine». Communications of the ACM, 9(1), 36-45. Origen documentado del efecto ELIZA.
  • Rosenblatt, F. (1958). «The perceptron: a probabilistic model for information storage and organization in the brain». Psychological Review, 65(6), 386-408.
  • Rumelhart, D. E., Hinton, G. E. y Williams, R. J. (1986). «Learning representations by back-propagating errors». Nature, 323, 533-536.
  • Krizhevsky, A., Sutskever, I. y Hinton, G. E. (2012). «ImageNet Classification with Deep Convolutional Neural Networks». Advances in Neural Information Processing Systems, 25.
  • Bahdanau, D., Cho, K. y Bengio, Y. (2015). «Neural Machine Translation by Jointly Learning to Align and Translate». 3rd International Conference on Learning Representations (ICLR). Origen del mecanismo de atención, publicado como preprint en 2014 y anterior a la arquitectura transformer.
  • Vaswani, A., Shazeer, N., Parmar, N., Uszkoreit, J., Jones, L., Gomez, A. N., Kaiser, L. y Polosukhin, I. (2017). «Attention Is All You Need». Advances in Neural Information Processing Systems, 30. Introducción de la arquitectura transformer.
  • Cover, T. y Hart, P. (1967). «Nearest neighbor pattern classification». IEEE Transactions on Information Theory, 13(1), 21-27.
  • Domingos, P. y Pazzani, M. (1997). «On the Optimality of the Simple Bayesian Classifier under Zero-One Loss». Machine Learning, 29, 103-130. Explica por qué el clasificador ingenuo funciona pese a su supuesto falso.
  • Sahami, M., Dumais, S., Heckerman, D. y Horvitz, E. (1998). «A Bayesian Approach to Filtering Junk E-Mail». AAAI Workshop on Learning for Text Categorization.
  • Buolamwini, J. y Gebru, T. (2018). «Gender Shades: Intersectional Accuracy Disparities in Commercial Gender Classification». Proceedings of Machine Learning Research, 81, 77-91. Hasta 34,7% de error en mujeres de piel oscura contra un máximo de 0,8% en hombres de piel clara.
  • Bender, E. M., Gebru, T., McMillan-Major, A. y Shmitchell, S. (2021). «On the Dangers of Stochastic Parrots: Can Language Models Be Too Big?». Proceedings of the 2021 ACM Conference on Fairness, Accountability, and Transparency, 610-623.
  • Ji, Z., Lee, N., Frieske, R., Yu, T., Su, D., Xu, Y., Ishii, E., Bang, Y., Madotto, A. y Fung, P. (2023). «Survey of Hallucination in Natural Language Generation». ACM Computing Surveys, 55(12), 1-38.
  • Kahneman, D. y Tversky, A. (1973). «On the psychology of prediction». Psychological Review, 80(4), 237-251.
  • Campbell, M., Hoane, A. J. y Hsu, F. (2002). «Deep Blue». Artificial Intelligence, 134(1-2), 57-83. Relato técnico del sistema que venció a Kaspárov en 1997.
  • Silver, D. y otros (2016). «Mastering the game of Go with deep neural networks and tree search». Nature, 529, 484-489. AlphaGo.

Normativa y estándares

  • Reglamento (UE) 2024/1689 del Parlamento Europeo y del Consejo, de 13 de junio de 2024, por el que se establecen normas armonizadas en materia de inteligencia artificial. Artículo 3 (definición de sistema de IA), artículo 4 (alfabetización en materia de IA, aplicable desde el 2 de febrero de 2025, en la redacción dada por el ómnibus digital: medidas de apoyo al desarrollo de la alfabetización, sin obligación de garantizar un nivel determinado) y artículo 5 (prácticas prohibidas). El calendario escalonado completo se trata en el bloque de Ética y compliance.
  • Ómnibus digital sobre inteligencia artificial, modificativo del Reglamento (UE) 2024/1689, en vigor desde el 27 de julio de 2026. Nueva redacción del artículo 4 y corrimiento del calendario de los sistemas de alto riesgo.
  • ISO/IEC 22989:2022. Information technology. Artificial intelligence. Artificial intelligence concepts and terminology. Definición normalizada de sistema de IA y vocabulario del campo.
  • ISO/IEC 42001:2023. Information technology. Artificial intelligence. Management system. Sistema de gestión de IA, de adopción voluntaria.
  • NIST (2023). Artificial Intelligence Risk Management Framework (AI RMF 1.0). Gaithersburg: National Institute of Standards and Technology. Marco voluntario de gestión de riesgos.

Material de cátedra y cursos abiertos

  • Universidad de Helsinki y MinnaLearn (2018). Elements of AI. Curso gratuito en línea, disponible en castellano en course.elementsofai.com/es. Sus 6 capítulos y 18 secciones son la estructura temática que ordena este bloque. Es gratuito, entrega un certificado propio y otorga 2 créditos ECTS a través de la Universidad Abierta de Helsinki; ninguna de esas dos cosas la ofrece ni la intermedia Kaizen Academy.
  • Agencia Internacional de Energía (2025). Energy and AI. París: IEA. Consumo eléctrico asociado al entrenamiento y a la inferencia, tratado en detalle en el bloque de Data centers.

Elaboración propia de Kaizen International

  • Las dos preguntas para ubicar cualquier sistema en el mapa de IA, aprendizaje automático y aprendizaje profundo (si su comportamiento salió de reglas o de datos, y si usa una red profunda o un modelo simple), con la advertencia sobre pedir aprendizaje profundo para problemas de planilla. Sustenta: la unidad del mapa de campos conectados.
  • Las tres preguntas de gestión que reemplazan a la pregunta filosófica de si la máquina entiende: si la salida es confiable medida contra casos conocidos, si es auditable y quién responde. Sustenta: la unidad sobre Turing y Searle.
  • Tabla de traducción rápida entre odds y porcentajes, y lectura del factor de Bayes como brecha entre tasa de detección y tasa de falsa alarma, con el ejemplo del detector de 99% y 50% cuyo factor es 1,98. Sustenta: las unidades de odds y de la regla de Bayes.
  • Verificación manual de toda la aritmética del bloque: el 35 elevado a la cuarta y a la octava del ajedrez, el 10 factorial del ruteo, la resolución con frecuencias naturales del test raro sobre 100.000 personas y su equivalente en odds, la multiplicación de factores del clasificador ingenuo, la cuenta de la neurona con sus dos escenarios y la razón de 25 entre errores al cuadrado de 60 y 300. Sustenta: la exactitud de todos los resultados numéricos usados en enunciados, opciones y explicaciones.
  • Uso del clasificador bayesiano ingenuo como línea de base medible antes de contratar un modelo caro, con el ejemplo de las tres colas de correo. Sustenta: la unidad del clasificador ingenuo.
  • Distinción de costos entre entrenar un modelo (carísimo y por única vez) y usarlo o inferencia (una fracción por consulta y pagada cada vez, dominante a escala), y lectura de la función de pérdida como decisión de negocio disfrazada de decisión técnica. Sustenta: la unidad sobre cómo aprende una red.
  • Deducción de las conductas observables de un modelo de lenguaje a partir del hecho de que solo predice la ficha siguiente: por qué inventa con seguridad, por qué varía entre respuestas, por qué mejora al pegarle el documento y por qué es flojo contando caracteres. Sustenta: la unidad de modelos de lenguaje.
  • Lectura del artículo 4 del Reglamento europeo aplicada a una empresa uruguaya exportadora de servicios: la obligación de alfabetización recae sobre el personal propio y no se terceriza eligiendo un buen proveedor. Sustenta: la unidad de trascendencia.
  • Decisión declarada de no citar proyecciones sobre cantidad de empleos destruidos o creados por la IA, por la dispersión de las estimaciones disponibles y la imposibilidad de respaldar alguna contra fuente sólida. Sustenta: el tratamiento del efecto sobre el trabajo y su ejercicio asociado.
  • Delimitación de alcance frente al bloque Datos y Analytics: allí se trata la compra de proyectos de IA, la matriz de confusión, el sobreajuste y la gobernanza del uso de modelos de lenguaje en la consultora; acá se trata el mecanismo subyacente. Sustenta: la ausencia de solapamiento entre ambos bloques.

Cuándo se revisó

El contenido se audita todas las semanas y cada corrección de fondo se publica con la versión vieja textual, sin suavizar. Estas fechas salen del historial de cambios, así que no pueden afirmar algo que no pasó.

Última revisión
16 de setiembre de 2026Auditoria del bloque de IA: el articulo 4 europeo cambio de redaccion, y dos atribuciones con el año cambiado
En la Academy desde
8 de setiembre de 2026

Cómo se hizo y qué controles pasa Los errores que encontramos y corregimos

Los otros bloques

Lo que esto no es Kaizen Academy no es una institución educativa registrada, no otorga títulos, certificados ni constancias, y no da créditos de educación formal ni continua. El contenido es material de estudio de carácter general y no constituye asesoramiento profesional. Lo que ofrecemos es contenido curado y verificado, gratis, con las fuentes a la vista.

Un producto de Kaizen International · Kaizen Academy
Página generada desde el contenido publicado. Última actualización: 2026-09-21.