Módulo Optativo - Inteligencia Artificial RA2

¿Por qué es importante la calidad de los datos en la IA?. Lleva a resultados más precisos y útiles. Mejora la velocidad de procesamiento. Reduce el coste de los sistemas de IA. Hace que la IA sea más fácil de programar.

¿Qué característica principal define a los datos semiestructurados en comparación con otros tipos de datos?. Están completamente organizados en tablas de filas y columnas como bases de datos relacionales. Carecen totalmente de organización y requieren técnicas avanzadas de procesamiento. Solo pueden ser procesados por sistemas de inteligencia artificial especializados. Poseen cierta estructura mediante etiquetas o formatos estandarizados, aunque no siguen un esquema rígido.

¿Cuál es el principal desafío que presentan los datos no estructurados para los sistemas de inteligencia artificial?. Ocupan menos espacio de almacenamiento que los datos estructurados. Requieren un procesamiento previo más complejo para ser interpretados por máquinas. Son demasiado escasos para entrenar modelos de IA efectivos. Solo pueden ser analizados por humanos, nunca por sistemas automatizados.

Un sistema de IA recibe miles de fotos de frutas donde cada imagen está ya etiquetada como manzana, plátano o pera. Tras entrenarse, el sistema puede clasificar nuevas fotos en esas categorías. ¿Qué tipo de modelo es?. Supervisado. No supervisado. Refuerzo. Clustering.

Un robot en un almacén aprende a mover cajas de un sitio a otro. Al principio comete muchos errores, pero va mejorando porque recibe recompensas cuando logra entregar la caja en el lugar correcto y penalizaciones cuando se equivoca. ¿Qué tipo de modelo es?. Supervisado. No supervisado. Refuerzo. Regresión.

Un algoritmo analiza las canciones que escuchan los usuarios en una plataforma de música. Sin etiquetas previas, agrupa a los oyentes en “tribus musicales” según sus gustos, detectando patrones ocultos. ¿Qué tipo de modelo es?. Supervisado. No supervisado. Refuerzo. Clasificación.

El modelo de predicción sobre si una planta necesita agua no se está comportando como debería: Cuando lo pruebas con las mismas plantas del entrenamiento, acierta casi siempre. Pero cuando lo aplicas a plantas nuevas, falla con frecuencia. ¿Qué problema está ocurriendo?. Subajuste (underfitting): el modelo no ha aprendido lo suficiente de los datos que ha obtenido. No hay problema, es normal que falle siempre con datos nuevos. Sobreajuste (overfitting): el modelo memorizó demasiado los datos de entrenamiento y no generaliza. Sesgo de selección: los datos no representan a toda la población.

El modelo de predicción sobre si una planta necesita agua no se está comportando como debería: Cuando lo pruebas con las mismas plantas del entrenamiento, acierta casi siempre. Pero cuando lo aplicas a plantas nuevas, falla con frecuencia. ¿Qué situación indicaría que el modelo sufre de subajuste (underfitting)?. El modelo acierta casi siempre con las plantas del entrenamiento, pero falla con plantas nuevas. El modelo falla tanto con las plantas del entrenamiento como con plantas nuevas. El modelo responde de forma distinta cada vez, incluso con la misma entrada. El modelo mejora continuamente su precisión al recibir nuevos datos.

¿Qué factor determina principalmente la calidad del output generado por un sistema de IA?. El número de parámetros del modelo. La calidad y especificidad del input proporcionado. La cantidad de datos utilizados en el entrenamiento. La velocidad de conexión a internet del usuario.

Un traductor automático convierte el texto “llover a cántaros” en “raining jugs”. ¿Qué demuestra este ejemplo?. Que la IA siempre traduce literalmente y nunca aprende. Que la IA necesita más memoria para traducir bien cualquier cosa complicada. Que el PNL puede cometer errores al no captar expresiones idiomáticas. Que la IA funciona correctamente siempre que el texto sea corto.

En el contexto de la conversational AI, ¿qué papel juega el prompt en el proceso de interacción?. Es la entrada o mensaje del usuario que guía la respuesta de la IA, siendo su claridad fundamental para obtener resultados precisos. Es el hardware especializado donde se ejecutan los modelos de conversational AI. Es el algoritmo interno que determina la velocidad de respuesta del sistema. Es la base de datos donde se almacenan todas las conversaciones previas.

¿Cuál de los siguientes escenarios representa mejor un impacto negativo de la IA en la interacción humana?. Un equipo médico utiliza IA para analizar imágenes radiológicas y mejorar la precisión diagnóstica. Un traductor profesional emplea IA como asistente para verificar la precisión de sus traducciones. Una empresa reemplaza su servicio de atención al cliente humano por chatbots automatizados. Un profesor utiliza herramientas de IA para personalizar materiales educativos para estudiantes con diferentes estilos de aprendizaje.

¿Cuál es la materia prima fundamental de la inteligencia artificial?. Algoritmos. Datos. Modelos. Procesadores.

¿Qué técnica se utiliza 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: Una base de datos organizada. Un conjunto de instrucciones para procesar datos. Un sistema de almacenamiento. Un modelo de red neuronal.

¿Qué tipo de algoritmo se usa para predecir un precio de vivienda?. Clasificación. Clustering. Regresión. Redes neuronales convolucionales.

El modelo en IA es: El conjunto de datos de entrenamiento. La representación matemática de lo aprendido. Una base de datos. El hardware de la IA.

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

¿Qué arquitectura utiliza un mecanismo de atención para procesar lenguaje e identificar qué partes de una frase son más relevantes?. CNN (Convolutional neural networks / Redes neuronales convolucionales). Transformer (transformador). GAN (Generative adversarial networks / Redes generativas antagónicas). Regresión.

¿Cuál es el propósito de un autoencoder variacional (VAE, variational autoencoder)?. Clasificar datos. Comprimir y reconstruir información con variaciones controladas. Predecir precios, elaborar resúmenes. Detectar bordes en imágenes.

En las GAN (Generative adversarial networks / Redes generativas antagónicas), ¿qué red crea datos sintéticos?. Discriminador. Generador. Transformer. Red neuronal.

El subajuste significa que: El modelo se adapta demasiado. El modelo no aprende lo suficiente. El modelo predice con gran precisión. El modelo usa redes neuronales.

¿Qué métrica mide el porcentaje de aciertos de un modelo?. Error. Precisión. Generalización. Fine-tuning.

¿Qué elemento es clave en la entrada (input) a un modelo de IA conversacional, es decir, las instrucciones que le damos al sistema?. Prompt. Output. Dataset. GPU.

¿Cuál es un ejemplo de dato no estructurado?. Una transacción bancaria con campos como fecha, importe y número de cuenta. Un correo electrónico en texto libre. Un registro médico normalizado (ID del paciente, diagnóstico, tratamiento…). Una hoja de cálculo con el listado de estudiantes: nombre, edad, calificación final.

El fine-tuning sirve para: Adaptar un modelo a tareas o aplicaciones específicas. Generar imágenes. Reiniciar un modelo para que se generalice. Ajustar automáticamente un modelo de IA sin intervención humana.

Los datos estructurados se caracterizan por: Carecer de organización. Estar en formatos de imagen y vídeo. No poder procesarse en bases de datos. Organizarse en filas y columnas.

Identificar si un correo es spam o no, corresponde a un algoritmo de: Clasificación. Clustering. Regresión. Generación.

Los modelos de refuerzo aprenden mediante: Filas y columnas. JSON y XML. Ejemplos etiquetados. Prueba / error y recompensas.

¿Qué tipo de modelo permite generar imágenes desde texto?. Regresión. Clasificación. Supervisado. Generativo.

Para obtener un mejor resultado de una IA, ¿qué característica debe tener un prompt?. Ser específico, claro y contextualizado. Estar escrito en un lenguaje técnico. Evitar dar detalles y contexto. Ser lo más corto y genérico posible.

¿Qué elemento falta en el siguiente prompt para hacerlo más efectivo?: "Escribe un texto sobre los beneficios de la meditación para personas con ansiedad". Especificidad: no indica qué tipo de beneficios (físicos, psicológicos, sociales) deben abordarse. Claridad: contiene términos ambiguos como "meditación" que podrían referirse a distintas prácticas. Contexto: no explica la finalidad del texto (informar, persuadir, instruir). Estilo y tono: no especifica el registro lingüístico ni el formato del contenido.

¿Qué elemento mejoraría más este prompt para generar una receta en un asistente de cocina?: "Escribe un artículo sobre salud.". Número de palabras. Público objetivo del artículo. Fuente de investigación. Título del artículo.

¿Qué elemento es más necesario añadir para mejorar este prompt?: "Genera una imagen para una portada de libro.". Género literario. Tamaño de impresión de la portada. Nombre del autor o de la autora. Editorial que lo publica.

Dentro del funcionamiento interno de la IA, ¿qué elemento se considera la "materia prima" esencial?. Los algoritmos. Los procesos de entrada y salida. Los modelos. Los datos.

¿Qué se logra mediante el fine-tuning (ajuste fino) de un modelo de IA?. Optimizar el modelo para aplicaciones específicas, mejorando su precisión y relevancia. Entrenar un modelo desde cero sin utilizar un modelo previo. Evitar que el modelo cometa errores en todos los posibles escenarios sin necesidad de datos adicionales. Que el modelo genere resultados aleatorios sin necesidad de datos de entrenamiento.

¿Por qué los modelos de texto de inteligencia artificial son capaces de generar texto coherente y realizar tareas lingüísticas complejas?. Porque analizan únicamente imágenes y vídeos sin necesidad de datos textuales. Porque funcionan únicamente con bases de datos estructuradas de números y fechas. Porque se entrenan con enormes cantidades de datos textuales, lo que les permite comprender contextos y patrones del lenguaje. Porque se basan en reglas predefinidas y no requieren entrenamiento con datos.

¿Qué caracteriza principalmente a los datos no estructurados?. Siguen un formato fijo de filas y columnas que facilita su almacenamiento en bases de datos tradicionales. Son siempre numéricos y fáciles de analizar con herramientas simples. Solo se encuentran en bases de datos empresariales. Carecen de un formato predefinido y se presentan en formas variadas como textos, imágenes, audio o vídeo.

¿Cuál de los siguientes ejemplos representa el uso de una red neuronal convolucional (CNN)?. Un modelo que analiza correos electrónicos para clasificarlos como spam o no spam. Un modelo que aprende a jugar a un videojuego mediante prueba y error. Un sistema de reconocimiento facial que desbloquea un móvil utilizando análisis de imágenes. Un sistema que predice el precio de una vivienda según su tamaño y ubicación.

¿Cuál de los siguientes es un ejemplo de datos estructurados?. Grabaciones de voz de conversaciones de clientes sin transcripción. Una colección de correos electrónicos con texto libre y archivos adjuntos. Fotografías y vídeos de un evento sin etiquetas ni categorías. Una hoja de cálculo con el listado de estudiantes: nombre, edad y calificación final.

¿Cuál de las siguientes es una limitación de los datos estructurados?. Permiten procesar grandes volúmenes de información de forma rápida y precisa. Son fáciles de almacenar y consultar en bases de datos o hojas de cálculo. No capturan fenómenos complejos y requieren que la información esté bien definida, lo que limita su flexibilidad. Su formato homogéneo reduce la probabilidad de errores durante el análisis.

¿Cuál de las siguientes prácticas es fundamental para diseñar prompts efectivos y aprovechar al máximo la IA?. Escribir instrucciones vagas y ambiguas para que la IA decida el contenido por sí misma. Evitar dar contexto o público objetivo; la IA siempre interpreta correctamente. Incluir especificidad, claridad, contexto y definir estilo y tono en las instrucciones. No indicar estilo ni tono, ya que la IA genera automáticamente el más adecuado.

¿Cuál de las siguientes es una ventaja de los datos no estructurados para la inteligencia artificial?. Contienen gran riqueza informativa y permiten entrenar modelos que reconocen patrones complejos. Pueden introducir sesgos si los conjuntos de entrenamiento no son representativos. Su volumen y diversidad necesitan grandes capacidades de almacenamiento y cómputo. Requieren mucho procesamiento previo para ser interpretados por la máquina.

¿Por qué es necesario usar técnicas avanzadas como el procesamiento del lenguaje natural o el reconocimiento de imágenes para trabajar con datos no estructurados?. Porque los datos no estructurados son siempre textos cortos y simples. Porque los datos no estructurados son fáciles de analizar sin herramientas especiales. Porque los datos no estructurados no tienen un formato uniforme y requieren métodos complejos para extraer información útil. Porque los datos no estructurados se almacenan automáticamente en bases de datos tradicionales.

¿Cómo se denomina el proceso en el que un modelo de IA aprende y ajusta sus parámetros a partir de un conjunto de datos?. Implementación. Codificación. Entrenamiento. Optimización.

¿Qué ocurre cuando un modelo de IA sufre sobreajuste (overfitting)?. El modelo memoriza demasiado los datos de entrenamiento y falla al enfrentarse a casos nuevos. El modelo genera datos completamente inventados sin relación con la realidad. El modelo clasifica correctamente todos los datos nuevos sin necesidad de ajustes. El modelo no aprende lo suficiente y comete muchos errores incluso con los datos de entrenamiento.

¿A qué nos referimos cuando hablamos de herramientas de inteligencia artificial?. A aplicaciones o plataformas de software que utilizan IA para realizar tareas específicas en ámbitos como la creación de contenido, el análisis de datos o la productividad. A sistemas que funcionan sin necesidad de datos ni entrenamiento previo. A dispositivos físicos que sustituyen completamente el trabajo humano. A programas que solo sirven para el entretenimiento y no tienen usos profesionales.

Si un algoritmo de IA agrupa clientes o imágenes en categorías según similitudes sin usar etiquetas previas, ¿qué técnica está utilizando?. Redes neuronales. Clasificación. Regresión. Clustering.

¿Cuál de los siguientes ejemplos describe mejor un modelo de refuerzo?. Un modelo que predice el precio de una vivienda según su tamaño y ubicación. Un modelo que aprende a jugar a un videojuego mejorando con cada partida gracias a recompensas y penalizaciones. Un modelo que clasifica correos electrónicos como spam o no spam usando datos etiquetados. Un modelo que analiza hábitos de compra de clientes y los agrupa en perfiles similares sin etiquetas.