IA

AI✦

¿Cómo se define fundamentalmente la Inteligencia Artificial según el material proporcionado?. La ciencia e ingeniería encargada de diseñar y programar máquinas para realizar tareas que requieren inteligencia. Un conjunto de algoritmos exclusivamente diseñados para la simulación de redes neuronales biológicas. El desarrollo de hardware avanzado capaz de procesar datos masivos en centros de datos estratégicos. La automatización de procesos industriales mediante el uso de robots programados con reglas fijas.

¿Por qué el 'Edge Computing' es relevante para el despliegue de IA en entornos tácticos militares?. Reduce la potencia de procesamiento necesaria para ejecutar algoritmos de Deep Learning. Permite realizar el procesamiento cerca de donde se genera el dato para mitigar problemas de latencia y bajo ancho de banda. Aumenta la seguridad al enviar todos los datos a la nube para su cifrado centralizado. Sustituye la necesidad de utilizar sensores en el campo de batalla.

¿Qué problema busca resolver la IA Explicable (XAI)?. La opacidad de los sistemas denominados 'caja negra', permitiendo entender el porqué de una decisión. La falta de potencia de cálculo en los dispositivos móviles tácticos. El crecimiento exponencial de los datos generados por el Internet de las Cosas (IoT). La imposibilidad de traducir protocolos de comunicación entre diferentes naciones OTAN.

En el contexto de la ciberseguridad para IA, ¿en qué consiste el 'envenenamiento de los datos'?. Cifrar la base de datos para que el sistema inteligente no pueda acceder a la información. Instalar virus informáticos tradicionales en el hardware donde se aloja la IA. Eliminar todos los registros de logs para que el sistema no aprenda de experiencias pasadas. Introducir datos maliciosos durante la fase de entrenamiento para corromper el comportamiento del modelo.

En la arquitectura de un sistema inteligente, ¿qué función cumple el módulo de Percepción?. Ejecuta las acciones físicas necesarias sobre el entorno operativo. Capta los datos del entorno mediante el uso de sensores físicos o lógicos. Transforma la información en conocimiento mediante reglas de razonamiento simbólico. Evalúa el impacto de una decisión tomada para ajustar el comportamiento del sistema.

¿En qué se diferencia el Aprendizaje Supervisado del Aprendizaje No Supervisado?. El supervisado solo se utiliza para tareas de visión computacional y el no supervisado para lenguaje. El no supervisado es el único que permite la creación de redes neuronales profundas. El supervisado no requiere intervención humana inicial, a diferencia del no supervisado. El supervisado utiliza datos etiquetados con respuestas correctas, mientras que el no supervisado busca estructuras en datos sin etiquetas.

¿Qué caracteriza al 'Aprendizaje por Refuerzo' en los sistemas inteligentes?. La necesidad de disponer de un catálogo de datos perfectamente etiquetados desde el inicio. El sistema toma decisiones libres que son valoradas externamente mediante una señal de recompensa. La resolución de problemas mediante reglas de lógica simbólica predefinidas. El uso exclusivo de árboles de decisión para minimizar el error matemático.

¿Cuál es la principal diferencia jerárquica entre Machine Learning (ML) y Deep Learning (DL)?. ML requiere datos masivos (Big Data) mientras que DL funciona mejor con conjuntos de datos pequeños. DL es un subconjunto de ML que utiliza redes neuronales multicapa para aprender de grandes cantidades de datos. ML se refiere a sistemas físicos (robótica) y DL a sistemas de software puros. DL es una tecnología de razonamiento simbólico que supera las limitaciones numéricas de ML.

Dentro de las disciplinas de IA, ¿cuál es el objetivo del módulo de Actuación?. Desencadenar una acción que produzca un impacto en el entorno tras una decisión. Identificar patrones ocultos en grandes volúmenes de datos no estructurados. Representar el conocimiento para optimizar la búsqueda de soluciones. Ajustar los pesos de las conexiones neuronales durante la fase de entrenamiento.

¿Cómo puede el 'Sesgo en los datos' afectar a un sistema de toma de decisiones militares?. Puede provocar que el sistema tome decisiones no confiables o injustas al haber aprendido de datos no balanceados que no representan fielmente la realidad. Garantiza que el sistema siempre favorezca a las unidades con mayor tecnología. Impide que el adversario realice ataques de 'envenenamiento de datos'. Aumenta la velocidad de respuesta del sistema al simplificar las variables de entrada.

¿Cuál es uno de los mayores retos en la creación de equipos 'Hombre-Máquina' (Human Machine Teaming)?. Asegurar que las máquinas no requieran ningún tipo de mantenimiento físico en el campo. Lograr que los humanos y las máquinas dispongan de buenos 'modelos mentales' de las conductas del otro. Lograr que las máquinas tengan emociones humanas para empatizar con el personal operativo. Sustituir completamente el control humano por autonomía total en sistemas críticos.

¿Cuál NO es una ventaja que nos pueda aportar el uso de la IA?. Aumento de la velocidad: Aceleración en el análisis y la acción táctica. Mejora de la calidad: Mejora exponencial en la toma de decisiones. Mejora de la eficiencia: Automatización y optimización de procesos repetitivos. Descargo de responsabilidad: Al delegar totalmente la toma de decisiones sobre la IA, se consigue eliminar la posibilidad de responsabilidades penales ante una decisión fallida.

Dentro del marco del ‘Machine Learning', ¿qué es el Aprendizaje Supervisado?. Es un tipo de entrenamiento en el que la máquina aprende a partir de un conjunto de datos etiquetados (ejemplos ya resueltos). Es un tipo de entrenamiento en el que la máquina recibe datos brutos sin etiquetas previas y busca patrones por sí sola. Es un tipo de entrenamiento en el cuál la máquina toma decisiones libremente en un entorno y recibe “recompensas” o “penalizaciones”. Es un tipo de entrenamiento donde la máquina busca las respuestas en una base de datos ya predefinida e inmutable.

Dentro del marco del 'Machine Learning', ¿qué es el Aprendizaje NO Supervisado?. Es un tipo de entrenamiento en el que la máquina aprende a partir de un conjunto de datos etiquetados (ejemplos ya resueltos). Es un tipo de entrenamiento en el que la máquina recibe datos brutos sin etiquetas previas y busca patrones por sí sola. Es un tipo de entrenamiento en el cuál la máquina toma decisiones libremente en un entorno y recibe “recompensas” o “penalizaciones”. Es un tipo de entrenamiento donde la máquina busca las respuestas en una base de datos ya predefinida e inmutable.

Dentro del marco del 'Machine Learning', ¿qué es el Aprendizaje Por Refuerzo?. Es un tipo de entrenamiento en el que la máquina aprende a partir de un conjunto de datos etiquetados (ejemplos ya resueltos). Es un tipo de entrenamiento en el que la máquina recibe datos brutos sin etiquetas previas y busca patrones por sí sola. Es un tipo de entrenamiento en el cuál la máquina toma decisiones libremente en un entorno y recibe “recompensas” o “penalizaciones". Es un tipo de entrenamiento donde la máquina busca las respuestas en una base de datos ya predefinida e inmutable.

¿Cómo definiría el concepto de Inteligencia Artificial?. Es un programa que puede percibir, razonar, actuar y adaptarse. Son algoritmos cuyo rendimiento mejora a medida que son expuestos a más datos a lo largo del tiempo. Es un subconjunto del Machine Learning en el cual redes neuronales multicapa aprenden de enormes cantidades de datos. Es cualquier elemento que no esté presente en la naturaleza por sí solo y que haya sido desarrollado por la inteligencia humana.

¿Cómo definiría el concepto de Machine Learning?. Es un programa que puede percibir, razonar, actuar y adaptarse. Son algoritmos cuyo rendimiento mejora a medida que son expuestos a más datos a lo largo del tiempo. Es un subconjunto del Machine Learning en el cual redes neuronales multicapa aprenden de enormes cantidades de datos. Es cualquier elemento que no esté presente en la naturaleza por sí solo y que haya sido desarrollado por la inteligencia humana.

¿Cómo definiría el concepto de Deep Learning?. Es un programa que puede percibir, razonar, actuar y adaptarse. Son algoritmos cuyo rendimiento mejora a medida que son expuestos a más datos a lo largo del tiempo. Es un subconjunto del Machine Learning en el cual redes neuronales multicapa aprenden de enormes cantidades de datos. Es cualquier elemento que no esté presente en la naturaleza por sí solo y que haya sido desarrollado por la inteligencia humana.

¿Qué es una red neuronal?. Es una red informática que se utiliza para conectar equipos remotos y que tiene forma física de neurona. Es un conjunto de servidores que se conectan entre ellos usando fibras basadas en tejidos de neuronas sintetizadas a partir de ADN humano. Es una malla física formada por hilos del grosor de una neurona, que se utiliza para proteger centros de datos y que impide el acceso de personas no autorizadas. Es un tipo de arquitectura informática que intenta imitar de forma simple al cerebro humano conectando capas de "neuronas" artificiales.

¿Cómo se entrena una red neuronal?. Se ajustan los “pesos” de sus conexiones basándose en los datos de entrenamiento y se verifica su comportamiento con ejemplos nuevos para asegurar su precisión. Se le dan solamente datos de ejemplo que ratifiquen nuestras conclusiones previas. No hace falta entrenar una red neuronal. Este tipo de arquitectura permite su funcionamiento sin la necesidad de entrenamiento previo. El entrenamiento de una red neuronal solamente puede hacerse mediante otra red neuronal previa.

¿Por qué cuando hablamos de IA en un entorno que utiliza comunicaciones tácticas es preferible el uso de 'Edge Computing' frente al 'Cloud Computing'?. Porque el ‘Edge Computing' es más barato que el 'Cloud Computing' y si se pierde un dispositivo no genera tantas pérdidas económicas. Porque el 'Edge Computing' tiene mayor capacidad de proceso que el 'Cloud Computing' y da mejores resultados. Porque en entornos remotos o militares con mala conexión (latencia alta, poco ancho de banda, etc...) no se pueden enviar datos a la nube (Cloud Computing) con la suficiente velocidad, confiabilidad ni inmediatez. Es por ello que la IA debe procesar analíticas en tiempo real cerca del dispositivo o incluso en el mismo dispositivo (Edge/Fog Computing). Porque es mucho más fácil de gestionar el acceso de los usuarios al Edge Computing, ya que al ser elementos descentralizados permiten hacer grupos locales más pequeños.

En el ámbito de la IA, ¿en qué consiste el problema del 'sesgo'?. El problema del sesgo no afecta a los sistemas basados en IA, ya que el sesgo solamente afecta a las decisiones que toman las personas. En que, si una IA aprende con datos incompletos, desequilibrados o malos, tomará decisiones no confiables o favorecerá injustamente a ciertos grupos. La IA es inmune al concepto de sesgo, ya que su carácter matemático y predecible asegura siempre un 100% de objetividad en sus decisiones. En que el gran volumen de datos utilizado para entrenar las IAs hace que aumente el sesgo. La solución es disminuir el número de datos que se utilizan para entrenar las IAs.

En el ámbito de la IA, ¿en qué consiste el problema de la 'caja negra'?. En que, si utilizamos carcasas de color negro en los servidores que alojan las IAs, el calor que desprenden al funcionar no es capaz de disiparse y provoca que se estropeen con facilidad. En que, si hay alguna incidencia en la sala que aloja los servidores de IA, todos los datos quedan registrados en una caja negra al igual que ocurre en aviación y podemos reconstruir lo que ha sucedido. En que, aunque la IA suele acertar con un alto índice de precisión, el operador no sabe cómo ha llegado a esa conclusión. Una vez entrenada la IA, su funcionamiento es muy opaco. No se trata de ningún problema sino de una ventaja, ya que el funcionamiento opaco de la IA aumenta las garantías de imparcialidad en su toma de decisiones.

¿Qué es la IA explicable (XAI)?. En un tipo de IA que explica cualquier temario. Sustituye al personal docente y mejora el aprendizaje de los alumnos. La IA explicable es un problema que aparece cuando la IA da demasiada información. Es un tipo de tecnología que aún está en desarrollo y que permitirá que los usuarios le expliquen cualquier problema personal y se sientan escuchados. Es la solución al problema de la 'caja negra'. Consiste en diseñar sistemas transparentes que provean al usuario del porqué de una determinada decisión técnica, creando así confianza operativa.