Inteligencia Artificial Generativa FATLA 2026

    🔹 Contexto de Aplicación Esta guía tutorial está diseñada para estudiantes de programación básica a nivel universitario, utilizando la herramienta PSEint para la resolución de problemas de lógica y algoritmia. El objetivo es proporcionar un conjunto de ejercicios prácticos que refuercen los conceptos fundamentales de estructuras secuenciales y condicionales. 🔹 Motor de IA Utilizado Base Textual:  GPT-4 Refinamiento ( Fine-Tuning por prompt):   Gemini 🔹 Bitácora de Iteraciones: El Proceso de Fine-Tuning 1. Implementación Básica (La Base Genérica) Prompt Inicial: "Por favor, genera 3 problemas de programación básica para practicar en PSEint." Resultado de la IA (Iteración 1 - Salida genérica): (IA): Aquí tienes 3 ejercicios para PSEint: Suma: Solicita al usuario dos números y muestra la suma. Par o impar: Pide un número y determina si es par o impar. Promedio: Lee tres calificaciones y calcula el promedio final...

Ética de Datos y Transparencia Algorítmica: El Desafío de la Caja Negra Introducción: En las entregas anteriores del Módulo 2, analizamos cómo estructurar el Machine Learning para optimizar procesos como el triaje de correspondencia y cómo simplificar las variables mediante la reducción dimensional. Sin embargo, la ingeniería de algoritmos está incompleta si no se analiza desde una perspectiva ética. En esta tercera fase, abordamos los dos pilares que definen a la Inteligencia Artificial socialmente responsable: la equidad en la recopilación de datos y la transparencia o explicabilidad técnica. 📊 Fase 1: Recopilación y Sesgo (La Procedencia de la Información) El principio fundamental del aprendizaje automático dictamina que un algoritmo es tan bueno como los datos con los que se entrena. Cuando existe una mala selección en la muestra inicial, el sistema hereda, automatiza y amplifica la falta de equidad en sus resultados. El origen de este problema radica en la procedencia de...

Introducción: Tras comprender la presencia de la Inteligencia Artificial en nuestra cotidianidad, es imperativo profundizar en los mecanismos técnicos que permiten a las máquinas procesar información y generar conocimiento. En esta entrega, exploramos la arquitectura lógica del Machine Learning , analizando las dicotomías entre el aprendizaje supervisado y no supervisado, así como la relevancia estratégica de la optimización de datos a través de la reducción de la dimensionalidad. Como docentes e investigadores, entender estas metodologías no solo nos permite utilizar mejor las herramientas tecnológicas, sino también comprender la naturaleza del "razonamiento" algorítmico que sustenta la Sociedad de la Información actual. A continuación, presento un desglose técnico diseñado bajo una visión Mobile-First , garantizando accesibilidad y claridad desde cualquier dispositivo. Fig 1. Reducción de la Dimensionalidad: Explicación visual de cómo la IA simplifica el aprendizaj...

  Clasificación inteligente del correo institucional: una propuesta basada en NLP y Machine Learning. En entornos académicos y administrativos, la gestión del correo institucional representa un desafío cada vez más complejo. No se trata únicamente de la cantidad de mensajes recibidos, sino de la necesidad de identificar con rapidez cuáles comunicaciones requieren atención prioritaria y cuáles pueden ser filtradas sin afectar la operación. En ese contexto, esta propuesta plantea el diseño de un sistema inteligente de triaje y clasificación basado en Procesamiento de Lenguaje Natural y Machine Learning, orientado a optimizar la respuesta institucional y fortalecer la eficiencia en la gestión del correo electrónico. 📌 Fase 1: Identificación y Marco Conceptual Definición del problema: La Dirección de Concursos de la Vicerrectoría Académica enfrenta una situación operativa de alta relevancia institucional que incide de manera directa en su capacidad de respuesta. Esta realidad se...

  Rastreo de Dilemas (Investigación) Fase 1:  Caso seleccionado: El sesgo algorítmico en la contratación de personal de Amazon. Este es uno de los casos de estudio más emblemáticos y reales en el campo de la IA. Entre 2014 y 2017, Amazon desarrolló una herramienta de reclutamiento basada en aprendizaje automático para calificar currículums y agilizar la búsqueda de talento. Sin embargo, el sistema fue entrenado con datos históricos de los últimos 10 años que provenían de una industria tecnológica predominantemente masculina, lo que provocó que el algoritmo aprendiera que los candidatos hombres eran preferibles sobre las mujeres. Como consecuencia, la IA empezó a penalizar sistemáticamente currículums que incluían la palabra "mujeres" (ej. "presidenta del club de mujeres" o instituciones femeninas), reduciendo la calificación de candidatas altamente calificadas sin una razón técnica válida. Este caso ilustra cómo un modelo de IA puede heredar y amplificar prejuicios ...

  Auditoría de Campo (Investigación) Interacción con el Asistente de Google, se le hizo vervalmente una pregunta,  identificó la pregunta y la respondió correctamente. Análisis de Algoritmos de Predicción: YouTube, Netflix y Amazon En esta sección, se presentan tres evidencias del despliegue de sistemas de recomendación basados en inteligencia artificial, los cuales operan mediante el análisis masivo de datos y el reconocimiento de patrones de consumo. En la captura de YouTube , observamos el filtrado colaborativo que prioriza contenido basado en mi tiempo de permanencia y suscripciones; en Netflix , la interfaz evidencia cómo la IA agrupa metadatos para sugerir títulos bajo la lógica de "Porque viste...", estableciendo una conexión semántica entre géneros; finalmente, la captura de Amazon demuestra el uso de modelos predictivos que transforman mi historial de navegación en sugerencias comerciales personalizadas. Estas capturas validan cómo los algoritmos de aprendizaje aut...