Módulo IA Tema 2 (en construcción)

¿Qué analogía utiliza el texto para describir la relación entre los datos y la inteligencia artificial?. Los datos son el combustible que alimenta el motor de la IA. La IA es un estudiante y los datos son los libros de texto que estudia. Los datos son la materia prima y la IA es una fábrica que los procesa. La IA es un cerebro y los datos son los recuerdos que almacena.

¿Qué tipo de datos se organizan sistemáticamente en filas y columnas?. Datos no estructurados. Datos de metadatos. Datos semiestructurados. Datos estructurados.

¿Cuál de las siguientes es una limitación de los datos estructurados?. Requieren mucho procesamiento previo para ser interpretados. Introducen sesgos si los conjuntos de entrenamiento no son representativos. Su volumen y diversidad necesitan grandes capacidades de almacenamiento. No capturan la complejidad de fenómenos como las emociones en un texto.

¿Qué porcentaje de los datos generados diariamente se estima que son no estructurados?. Alrededor del 50%. Exactamente el 75%. Menos del 20%. Más del 80%.

Un archivo JSON que organiza la información de un producto con etiquetas como "nombre", "precio" y "descripción" es un ejemplo de: Datos de regresión. Datos no estructurados. Datos estructurados. Datos semiestructurados.

En el contexto de la IA, ¿qué es un algoritmo?. Un conjunto de datos etiquetados que se utilizan para el entrenamiento. El resultado final del aprendizaje de una IA, listo para hacer predicciones. La representación matemática de los patrones encontrados en los datos. Un conjunto de pasos o instrucciones diseñado para aprender a partir de datos.

Una característica distintiva de los algoritmos de IA, en comparación con los algoritmos clásicos, es su capacidad para manejar la: Eficiencia. Precisión. Escalabilidad. Incertidumbre.

Si una IA necesita predecir el valor numérico del precio de una vivienda basándose en su tamaño y ubicación, ¿qué tipo de algoritmo sería más adecuado?. Redes generativas antagónicas (GAN). Clustering. Clasificación. Regresión.

¿Qué es un 'modelo' en inteligencia artificial?. El conjunto inicial de datos brutos antes de ser procesados. Las instrucciones paso a paso que sigue la IA para aprender. La representación de lo que la IA ha aprendido tras ser entrenada con datos. Un tipo de hardware específico para ejecutar tareas de IA.

Un modelo que aprende a identificar correos como 'spam' o 'no spam' a partir de miles de ejemplos previamente etiquetados es un ejemplo de: Modelo no supervisado. Modelo generativo. Modelo de refuerzo. Modelo supervisado.

¿Qué tipo de modelo de IA aprende mediante un sistema de prueba y error, recibiendo recompensas o penalizaciones?. Modelo supervisado. Modelo de refuerzo. Modelo no supervisado. Modelo de clasificación.

Las Redes Generativas Antagónicas (GAN) funcionan mediante un duelo entre dos redes. ¿Cuáles son sus roles?. Una red 'supervisora' que proporciona etiquetas y una red 'estudiante' que aprende de ellas. Una red 'codificadora' que comprime datos y una red 'decodificadora' que los reconstruye. Una red 'analizadora' que extrae características y una red 'sintetizadora' que las combina. Una red 'generadora' que crea datos y una red 'discriminadora' que intenta detectar si son falsos.

Modelos como DALL·E o Stable Diffusion, que crean imágenes detalladas a partir de texto, utilizan principalmente el proceso de: Difusión (diffusion). Autoencoders variacionales (VAE). Redes neuronales convolucionales (CNN). Transformador (transformer).

El sistema de reconocimiento facial que desbloquea un teléfono móvil es un ejemplo de aplicación de: Redes neuronales convolucionales (CNN). Modelos de regresión. Modelos de difusión. Redes generativas antagónicas (GAN).

Modelos como GPT, que son excelentes para traducir o resumir textos, se basan en la arquitectura de: Redes generativas antagónicas (GAN). Clustering. Transformador (transformer). Autoencoders variacionales (VAE).

¿Cuál es la primera fase en el proceso de entrenamiento de un modelo de IA?. Ajuste de parámetros. Entrenamiento del modelo. Evaluación y refinamiento. Recopilación de datos.

En la fase de 'Preparación de datos', ¿qué tipo de acciones se llevan a cabo?. Se eliminan fotos borrosas, se recortan y se etiquetan correctamente. Se mide el porcentaje de aciertos y errores del modelo. Se utilizan procesadores potentes como GPUs para acelerar el cálculo. El modelo comienza a identificar patrones y ajustar sus cálculos.