Módulo optativo GAT: Inteligencia artificial

¿En qué evento histórico se acuñó el término 'inteligencia artificial'?. La Feria Mundial de Nueva York de 1964. El Simposio de Turing de 1950. El Congreso Internacional de Cibernética en 1958. La Conferencia de Dartmouth en 1956.

¿Cuál de los siguientes no es un desafío técnico de la IA?. La incapacidad de la IA para aprender de nuevos datos. Falta de estándares universales. Costos elevados y consumo de energía. Altos requisitos de recursos computacionales.

En un asistente virtual como Alexa o Siri, ¿cuál no es un componente de su funcionamiento?. Predictive AI. Analytical AI. Generative AI. Discriminative AI.

¿Qué tipo de funciones tradicionalmente dependen de capacidades humanas que la IA puede ejecutar?. Elaboración de obras de arte. Funciones físicas. Procesamiento de imágenes, entendimiento del habla y razonamiento lógico. Funciones sociales.

Ejemplo de 'naturaleza complementaria' de la IA en el trabajo: La invención de nuevas profesiones como 'diseñadores de prompts'. Fábrica completamente automatizada. IA que toma todas las decisiones. Caja de autopago que elimina cajeros.

Diferencia principal entre IA débil e inteligencia humana: IA débil es igual a la humana. Inteligencia humana es menos versátil. IA débil puede realizar cualquier tarea. IA débil está diseñada para tareas específicas.

Diferencia entre Narrow AI y General AI: Narrow AI predicción, General AI creación. Narrow AI modelos matemáticos, General AI generativos. Narrow AI teórico, General AI real. Narrow AI se especializa en una tarea, General AI puede realizar múltiples.

¿Por qué la IA no es completamente infalible?. Porque genera sesgos y desinformación. Procesa pocos datos. Diseñada por humanos que cometen errores. Es demasiado lenta.

Problema de la obsolescencia rápida de la IA: Modelos pierden relevancia ante nuevas versiones. IA difícil de usar. IA se vuelve lenta. IA deja de funcionar.

¿Cuál no fue nombre de las 'máquinas pensantes' en los años 50-60?. Teoría del caos. Teoría de los autómatas. Procesamiento complejo de la información. Cibernética.

Consecuencia del 'Invierno de la IA': Término dejó de usarse. Nueva era de optimismo. Reducción de financiación e interés. Migración de investigadores.

Problema conocido como 'alucinaciones' en IA generativa: Solo funciona cuando el usuario 'alucina'. Copia contenido incorrecto. Se vuelve loco. Produce resultados fabricados sin base en la realidad.

Papel de la IA en el futuro del trabajo: Eliminará todos los trabajos. Solo trabajos manuales. Complemento, creando nuevas oportunidades. Reemplazará completamente a humanos.

Desafío de la IA ilustrado por necesidad de GPU y grandes datos: Requisitos técnicos. Falta de estándares. Obsolescencia. Consistencia.

Desafío de IA relacionado con la privacidad: Falta de consistencia. Alto costo. Recopilación automática de datos que podrían comprometer confidencialidad. Obsolescencia.

Concepto clave para 'aprender, adaptarse y mejorar': Deep learning. Robótica. Computación cognitiva. Machine learning.

Materia prima fundamental de la IA: Algoritmos. Datos. Modelos. Procesadores.

Técnica para analizar texto no estructurado: SQL. Redes convolucionales. Procesamiento de lenguaje natural (PLN). Clustering.

Los datos semiestructurados se representan habitualmente en: SQL. JSON. CSV. PDF.

Un algoritmo en IA se define como: Base de datos. Conjunto de instrucciones para procesar datos. Sistema de almacenamiento. Modelo de red neuronal.

Algoritmo para predecir precio de vivienda: Clasificación. Clustering. Regresión. Redes neuronales convolucionales.

El modelo en IA es: Conjunto de datos. Representación matemática de lo aprendido. Base de datos. Hardware de la IA.

Un modelo supervisado aprende a partir de: Prueba y error. Datos sin etiquetar. Datos etiquetados. Premios y castigos.

Arquitectura que usa atención para procesar lenguaje: CNN. Transformer. GAN. Regresión.

Propósito de un autoencoder variacional (VAE): Clasificar datos. Comprimir y reconstruir información. Predecir precios. Detectar bordes.

En GAN, la red que crea datos sintéticos: Discriminador. Generador. Transformer. Red neuronal.

Subajuste significa que: Modelo se adapta demasiado. Modelo no aprende suficiente. Modelo predice con precisión. Usa redes neuronales.

Métrica que mide porcentaje de aciertos: Error. Precisión. Generalización. Fine-tuning.

Elemento clave de input en IA conversacional: Prompt. Output. Dataset. GPU.

Técnica de prompting que da ejemplos previos: Zero-shot. Few-shot. Chain-of-thought. Instrucción inversa.

Riesgo de equidad social en IA: Traducción automática imprecisa. Brecha socioeconómica, acceso desigual. Clustering. PLN.

El rápido avance de la IA genera obsolescencia, obligando a actualización constante. Verdadero. Falso.

Relaciona proceso/modelo avanzado con descripción: Modelo de difusión → Genera imágenes a partir de ruido. Transformer → Usa atención para procesar texto. GAN → Generador vs. discriminador para imágenes. VAE → Comprime y reconstruye información. CNN → Identifica bordes, texturas. PLN → Comprender y producir lenguaje. IA conversacional → Mantiene diálogos.

El sobreajuste ocurre cuando el modelo memoriza demasiado. Falso. Verdadero.

La IA genera siempre la misma salida para un mismo prompt. Verdadero. Falso.

La IA es infalible y no comete errores. Verdadero. Falso.

Algoritmo de regresión para clasificar correos spam: Falso. Verdadero.

IA discriminativa genera contenido nuevo: Verdadero. Falso.

Redes neuronales convolucionales (CNN) especializadas en imágenes y vídeo. Verdadero. Falso.

La IA como disciplina científica nació en la antigüedad. Verdadero. Falso.

La narrow AI actual tiene la misma comprensión del mundo que la humana. Verdadero. Falso.

Los datos semiestructurados nunca incluyen etiquetas. Verdadero. Falso.

La IA crea respuestas nuevas analizando grandes datos, a diferencia de un motor de búsqueda. Verdadero. Falso.

La precisión mide la proporción de aciertos de un modelo. Falso. Verdadero.

El "Invierno de la IA" fue un período de aumento de financiación. Verdadero. Falso.

Los sistemas de IA son completamente autónomos. Verdadero. Falso.

Era actual de la IA (desde 2000) se define por grandes datos y aprendizaje profundo. Verdadero. Falso.

El papel de la IA en el trabajo es más de sustitución que complemento. Verdadero. Falso.

La General AI es el tipo más común en la actualidad. Verdadero. Falso.

Tipo de IA usado en cada caso: Narrow AI → Alexa reproduce música; Generative AI → Bard escribe poema; Predictive AI → Amazon sugiere productos; Discriminative AI → Desbloquea teléfono; Analytical AI → Banco detecta fraude; Statistical AI → Fábrica predice fallo.