Examen Tipo Test - Laboratorio de IA Deusto

¿Qué se entiende por "IA débil" (Narrow AI)?. Inteligencia con habilidades superiores a las humanas. Inteligencia artificial diseñada para tareas específicas. Una forma de IA completamente autónoma. IA que utiliza redes neuronales profundas.

¿Qué es la "IA general"?. IA diseñada para resolver problemas concretos. IA con capacidades similares a las humanas. IA que mejora sus algoritmos de forma autónoma. IA basada en razonamiento lógico difuso.

¿Cuál es un ejemplo histórico de IA que venció a un humano en un juego?. Watson en "Jeopardy!". AlphaGo en "Go". Deep Blue en ajedrez. Pluribus en póker.

¿Qué característica define a la "IA explicable" (XAI)?. Maximización de la precisión del modelo. Minimización de los datos de entrada. Capacidad de justificar sus decisiones. Entrenamiento en tiempo real.

¿Qué concepto subyace en los principios éticos de la UE para la IA?. Rentabilidad económica. Sustitución de procesos humanos. Maximización de la eficiencia computacional. Supervisión humana y transparencia.

¿Qué representa el modelo de optimización "Swarm Intelligence"?. Aprendizaje supervisado. Comportamiento emergente en sistemas colectivos. Redes neuronales profundas. Algoritmos genéticos clásicos.

¿Cuál es el principal desafío ético en el uso de IA en salud?. Garantizar la privacidad de los datos. Reducir los costos de implementación. Implementar redes neuronales convolucionales. Optimizar el hardware para cálculos.

¿Qué modelo se utiliza comúnmente en sistemas de detección de anomalías?. Redes neuronales recurrentes. Autoencoders. Redes convolucionales. Modelos de regresión logística.

¿Qué tipo de tareas se atribuyen a la "IA estrecha"?. Tareas de razonamiento lógico complejo. Tareas específicas como clasificación de imágenes. Tareas generalizadas como pensamiento creativo. Resolución de problemas abstractos.

¿Qué área de investigación busca optimizar procesos con algoritmos bioinspirados?. Optimización. Redes neuronales convolucionales. Procesamiento del lenguaje natural. Sistemas de recomendación.

¿Qué caracteriza a un conjunto difuso frente a uno clásico?. No tiene elementos definidos. Los elementos pueden pertenecer con grados intermedios entre 0 y 1. Solo puede aplicarse en problemas matemáticos. No se puede representar gráficamente.

¿Qué propiedad describe el "núcleo" de un conjunto difuso?. Los elementos con pertenencia máxima de 0. Los elementos con grado de pertenencia máximo de 1. El rango de elementos con pertenencia mayor que 0. La diferencia entre pertenencia máxima y mínima.

¿Qué es una variable lingüística en lógica difusa?. Un conjunto definido por números reales. Una palabra que se asocia con valores binarios. Una variable cuyos valores son palabras o términos lingüísticos. Una variable que mide grados de pertenencia en [0,1].

¿Qué significa "altura" en un conjunto difuso?. El grado de pertenencia promedio. El valor máximo de pertenencia en el conjunto. La diferencia entre los valores más alto y más bajo. La cantidad de elementos en el conjunto.

¿Qué operador en lógica difusa se usa para representar la "unión"?. T-norma. T-conorma. Complemento. Conjunto núcleo.

¿Qué tipo de función de pertenencia es la "trapezoidal"?. Solo permite grados binarios. Solo se aplica a universos discretos. Requiere cuatro parámetros para su definición. No es útil en problemas de optimización.

¿Qué propiedad fundamental debe cumplir una regla difusa?. Tener un antecedente y un consecuente. Utilizar solo conjuntos clásicos. Depender únicamente de funciones trapezoidales. Operar únicamente con variables discretas.

¿Cómo se define un conjunto difuso normal?. Cuando todos sus elementos tienen pertenencia 0. Cuando tiene al menos un elemento con pertenencia 1. Cuando todos sus elementos tienen pertenencia mayor a 0.5. Cuando su núcleo es mayor al soporte.

¿Qué diferencia un conjunto difuso triangular de uno trapezoidal?. El primero no requiere parámetros. El primero es una función derivable. El primero alcanza pertenencia máxima en un solo punto. El primero no es aplicable a universos discretos.

¿Qué es un operador de implicación en lógica difusa?. Une dos conjuntos mediante T-conorma. Relaciona antecedente y consecuente con grados de verdad. Es equivalente al operador "OR". Solo es aplicable en conjuntos nítidos.

¿Qué operador genético permite explorar nuevas combinaciones?. Selección. Cruce. Mutación. Reemplazo.

¿Qué ventaja tiene un algoritmo genético generacional sobre uno estacionario?. Requiere menos iteraciones para converger. Reemplaza completamente la población en cada iteración. Aplica mutaciones en cada individuo. Mejora la diversidad inicial automáticamente.

¿Qué representa el "fitness" en algoritmos genéticos?. La cantidad de mutaciones necesarias. La calidad de una solución en relación al problema. El tiempo necesario para alcanzar la solución óptima. La cantidad de iteraciones realizadas.

¿Cuál es una limitación de los algoritmos genéticos?. Pueden ser lentos en encontrar soluciones en grandes espacios de búsqueda. No manejan soluciones numéricas. Requieren datos completamente etiquetados. Solo funcionan con datos binarios.

¿Qué sucede si no se aplica mutación en un algoritmo genético?. El algoritmo converge más rápido. Las soluciones iniciales mejoran automáticamente. La diversidad en la población puede reducirse significativamente. Se produce un error en cada iteración.

En el problema del viajante, ¿cuál es el mayor desafío?. Identificar todas las rutas posibles. Definir el fitness de las soluciones. El crecimiento exponencial del espacio de búsqueda. Generar suficientes nodos en el grafo.

¿Qué tipo de representación es más adecuada para problemas de secuenciación como el TSP?. Codificación binaria. Codificación real. Codificación por permutación. Codificación entera.

¿Qué técnica de selección elige individuos proporcionalmente a su fitness?. Ruleta. Torneo. Emparejamiento inverso. Reemplazo.

¿Qué diferencia tiene el cruce uniforme respecto al cruce en un punto?. Hereda características de ambos padres en posiciones aleatorias. Produce solo un descendiente por iteración. Asegura una mejor solución en cada generación. Se aplica solo a codificaciones binarias.

¿Qué parámetro define la probabilidad de aplicar mutación?. Fitness. Tasa de mutación. Tamaño de la población. Número de generaciones.

¿Qué diferencia principal tienen las CNN frente a las redes densas?. Son menos precisas. Usan convoluciones para identificar patrones locales. No pueden manejar datos secuenciales. Solo se aplican a imágenes.

¿Qué ventaja ofrece una red neuronal convolucional (CNN)?. Computación más lenta pero más precisa. Mejor rendimiento en tareas no estructuradas. Identificación eficiente de patrones locales en datos. Reducción automática de dimensionalidad.

¿Qué caracteriza a los embeddings de palabras?. Representan cada palabra como una cadena única de bits. Ignoran el contexto en el que aparecen las palabras. Representan relaciones semánticas entre palabras. Son específicos para un único corpus.

¿Qué modelo se utiliza comúnmente para generar embeddings?. Word2Vec. LDA. TF-IDF. Naive Bayes.

¿Cuál es un uso típico de los word embeddings?. Clasificación de documentos por su longitud. Segmentación de imágenes. Capturar similitudes semánticas entre palabras. Generación de etiquetas únicas para palabras.

¿Qué problema aborda el modelo CBOW en Word2Vec?. Reducir la dimensionalidad de un corpus. Identificar dependencias a largo plazo en texto. Predecir una palabra objetivo a partir de su contexto. Procesar datos no estructurados.

¿Qué limita el rendimiento de las redes neuronales recurrentes (RNN)?. Su incapacidad para procesar datos no estructurados. Pérdida de información en secuencias largas. Falta de capacidad para realizar clasificaciones. Dependencia de datos etiquetados.

¿Cómo mejora una LSTM frente a una RNN básica?. Añade celdas de memoria para manejar secuencias largas. Elimina la necesidad de datos de entrenamiento. Aumenta la precisión en datos no etiquetados. Reduce la complejidad del entrenamiento.

¿Qué técnica usan las CNN para reducir dimensiones?. Embeddings. Pooling. Normalización. Atención.

¿Qué tipo de datos manejan las CNN con mayor eficacia?. Datos secuenciales. Datos estructurados como imágenes. Textos sin estructurar. Series temporales.

¿Cuál es el objetivo principal del procesamiento del lenguaje natural (NLP)?. Crear imágenes a partir de texto. Procesar lenguajes artificiales como código. Permitir que las máquinas comprendan y procesen el lenguaje humano. Reducir la dimensionalidad de datos numéricos.

¿Qué modelo marcó un avance significativo en la traducción automática en 2017?. RNN con celdas LSTM. Transformer. Redes convolucionales profundas. Algoritmos bayesianos.

¿Qué problema fundamental resuelve el mecanismo de atención en los transformers?. Captura relaciones a largo alcance entre palabras en una secuencia. Reduce la dimensionalidad de las palabras en textos largos. Elimina la necesidad de entrenamiento supervisado. Simplifica el preprocesamiento del texto.

¿Qué caracteriza a los embeddings de palabras generados por transformers?. Son independientes del contexto. Capturan relaciones semánticas específicas del contexto. Dependen únicamente de la frecuencia de las palabras. Requieren datos manualmente etiquetados.

¿Qué innovador modelo NLP combina preentrenamiento y fine-tuning?. BERT. Word2Vec. LSTM. VADER.

¿Qué técnica mejora la eficiencia de los transformers frente a las RNN?. Uso de datos etiquetados. Procesamiento paralelo de secuencias completas. Entrenamiento basado en celdas de memoria. Análisis de coocurrencias.

¿Qué tarea realiza la tokenización en NLP?. Traduce el texto a otro idioma. Divide el texto en unidades más pequeñas como palabras o subpalabras. Convierte texto en imágenes. Genera reglas de gramática.

¿Cuál es la limitación principal de los word embeddings estáticos?. Necesitan grandes cantidades de datos etiquetados. Ignoran la semántica de las palabras. No adaptan la representación de las palabras según el contexto. Generan vectores demasiado dispersos.

¿Qué modelo se basa en el "causal modeling objective" para predecir palabras?. GPT. BERT. LSTM. mBERT.

¿Cómo aborda un modelo basado en transformers el problema de los homógrafos (palabras con significados múltiples)?. Utiliza embeddings estáticos con significados predefinidos. Ignora el contexto y utiliza la representación media. Adapta la representación en función del contexto específico. Requiere datos adicionales etiquetados manualmente.

¿Qué mide la sensibilidad en un modelo?. La cantidad de predicciones negativas correctas. La proporción de verdaderos positivos detectados. El porcentaje de falsos positivos. La cantidad total de predicciones correctas.

¿Qué mide la especificidad en un modelo?. La cantidad de predicciones positivas correctas. La proporción de falsos positivos detectados. La proporción de verdaderos negativos detectados. El porcentaje total de aciertos.

Si un modelo tiene alta sensibilidad pero baja especificidad, ¿qué tipo de errores son más comunes?. Falsos positivos. Falsos negativos. Verdaderos positivos. Verdaderos negativos.

¿Qué ventaja tiene el macro-averaging en problemas multiclase?. Prioriza las clases dominantes. Da igual peso a cada clase, independientemente de su frecuencia. Calcula métricas específicas por cada clase. Agrega los errores totales para un promedio global.

¿Qué significa un modelo con alta precisión?. Tiene más falsos negativos que falsos positivos. Tiene una alta proporción de verdaderos positivos entre los positivos predichos. Predice correctamente todas las clases. Tiene una baja tasa de falsos positivos.

¿Qué ventaja tiene el micro-averaging sobre el macro-averaging en problemas multiclase?. Prioriza las clases menos frecuentes. Proporciona mayor peso a las clases dominantes. Agrega los errores de todas las clases para calcular una métrica global. Ignora los totales de las clases y promedia las métricas individuales.

¿Qué métrica es más útil para problemas con datos desbalanceados?. Precisión. F1-score. Sensibilidad. Especificidad.

¿Qué representa la curva ROC?. La relación entre precisión y especificidad. La tasa de error en función de los positivos predichos. La relación entre sensibilidad y especificidad. El porcentaje total de aciertos del modelo.

¿Qué significa que un modelo tiene un AUC cercano a 1?. Tiene baja sensibilidad y especificidad. Es excelente en separar clases positivas y negativas. Es equilibrado entre falsos positivos y negativos. Tiene un sesgo hacia las clases minoritarias.

¿Qué problema se resuelve con cross-validation?. Evitar sobreajuste entrenando y validando en diferentes particiones del dataset. Mejorar la especificidad del modelo. Garantizar alta sensibilidad. Reducir el tiempo de entrenamiento.