Modulo profesional optativo - Tema 2

¿Cuál es la materia prima principal de la Inteligencia Artificial (IA)?. Algoritmos. Hardware. Datos. Software.

¿Qué son los datos estructurados?. Datos sin un formato predefinido, como textos o imágenes. Datos organizados de manera sistemática en filas y columnas, como en hojas de cálculo. Datos que provienen únicamente de sensores. Datos que solo se utilizan para el entrenamiento de modelos.

¿Cuál es una limitación de los datos estructurados?. Son difíciles de almacenar y procesar. No capturan la complejidad de muchos fenómenos reales. Requieren técnicas avanzadas de análisis como el PLN. Representan la mayor parte de los datos en el mundo digital.

¿Qué son los datos no estructurados?. Datos organizados en tablas y bases de datos. Datos que no siguen un formato predefinido y carecen de una organización rígida. Datos que se representan mediante etiquetas estandarizadas. Datos que solo se utilizan para el análisis financiero.

¿Qué porcentaje aproximado de los datos generados diariamente en el mundo digital son no estructurados?. Menos del 20%. Alrededor del 50%. Más del 80%. Cerca del 100%.

¿Qué técnica se utiliza para que la IA aproveche datos no estructurados como textos?. Regresión lineal. Clustering. Procesamiento del Lenguaje Natural (PLN). Redes neuronales convolucionales.

¿Qué son los datos semiestructurados?. Datos que solo usan números. Datos sin ningún tipo de organización. Datos que se sitúan entre los estructurados y no estructurados, con cierta estructura pero sin formato de tabla. Datos que requieren únicamente procesamiento manual.

¿Cuál es una ventaja de los datos semiestructurados?. Son los más fáciles de procesar para cualquier sistema. Ofrecen más flexibilidad que los datos totalmente estructurados. No requieren ningún tipo de limpieza previa. Son los menos comunes en la era digital.

¿Qué aspecto ético es crucial considerar al usar datos en IA?. El coste de almacenamiento. La velocidad de procesamiento. La privacidad, el consentimiento y el uso responsable. La disponibilidad de hardware.

¿Qué es un algoritmo en el contexto de la IA?. El resultado final del entrenamiento de un modelo. Un conjunto de pasos o instrucciones que indican cómo resolver un problema o realizar una tarea. La representación matemática de lo que la IA ha aprendido. La información cruda que se proporciona a la IA.

¿Cuál es una característica de los algoritmos en IA respecto a las respuestas?. Siempre dan una respuesta única y exacta. Son deterministas en todos los casos. Pueden generar predicciones o clasificaciones con cierto grado de probabilidad. Requieren una cantidad fija de recursos.

¿Qué tipo de algoritmo se utiliza cuando el objetivo es asignar una categoría a cada dato de entrada?. Regresión. Clustering. Clasificación. Redes neuronales.

¿Cuál es el propósito de un algoritmo de clustering (agrupamiento)?. Predecir un valor numérico. Asignar una categoría a cada dato. Organizar datos en grupos según similitudes, incluso sin etiquetas previas. Generar contenido nuevo.

¿Qué son las redes neuronales?. Algoritmos inspirados en el funcionamiento del cerebro humano, capaces de detectar patrones muy complejos. Instrucciones fijas para procesar datos. Estructuras de datos organizadas en filas y columnas. Sistemas que solo trabajan con números.

¿Qué es un modelo en inteligencia artificial?. El conjunto de instrucciones que sigue la IA. La representación matemática de lo que la IA ha aprendido a partir de los datos. El proceso de recopilación de datos. La salida generada por la IA.

¿Cómo aprenden los modelos supervisados?. Descubriendo patrones en datos sin etiquetas. Mediante prueba y error con recompensas y penalizaciones. A partir de datos etiquetados (entrada-salida), comparando predicciones con respuestas esperadas. Analizando la estructura de redes sociales.

¿Qué característica principal tienen los modelos no supervisados?. Requieren una guía explícita para cada dato. Descubren patrones en datos sin etiquetar. Solo funcionan con datos numéricos. Siempre generan una única respuesta correcta.

¿En qué se basa el aprendizaje por refuerzo?. En la clasificación de datos existentes. En la predicción de valores numéricos. En ensayo y error, recibiendo recompensas o penalizaciones por acciones. En la generación de contenido nuevo.

¿Qué es la capacidad de adaptación en los modelos de IA?. La habilidad de generar datos sintéticos. La capacidad de aprender de datos estáticos sin cambios. La habilidad de evolucionar e incorporar nuevos conocimientos a medida que se exponen a más datos y al mundo real. La limitación de no poder procesar ciertos tipos de datos.

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

¿Qué ocurre durante la fase de preparación de datos en el entrenamiento de un modelo?. Se recopilan datos de diversas fuentes. Se limpian y preparan los datos para que el algoritmo los entienda. El modelo identifica patrones en los datos. Se evalúa la precisión del modelo.

¿Qué fenómeno ocurre cuando un modelo memoriza demasiado los datos de entrenamiento y falla con casos nuevos?. Subajuste (underfitting). Sobreactuación. Sobreactuación (overfitting). Generalización imperfecta.

¿Qué indica la métrica de 'Generalización' en la evaluación de un modelo?. El porcentaje de aciertos del modelo. La diferencia entre la predicción y el resultado real. La capacidad del modelo de aplicarse a casos nuevos que no vio durante el entrenamiento. El tiempo que tarda el modelo en dar una respuesta.

¿Qué es el 'prompt' en el contexto de la interacción con una IA?. La respuesta generada por la IA. El conjunto de algoritmos utilizados por la IA. La instrucción o pregunta que el usuario da al sistema de IA. El proceso de comparación de datos.

¿Qué son los 'inputs' en el contexto de la IA?. Los resultados que genera la IA. La representación matemática de la información. Los datos o información que el usuario proporciona al modelo para que los procese. Los patrones aprendidos por el modelo.

¿Qué son los 'outputs' en el contexto de la IA?. La información que el usuario proporciona al modelo. Los patrones que la IA ha aprendido. Los resultados que genera la IA después de procesar las entradas. El algoritmo de aprendizaje.

¿Por qué es importante reformular el prompt o aportar más contexto al interactuar con una IA?. Para hacer la interacción más larga. Para obtener un output más adecuado, ya que la IA trabaja con probabilidades y puede cometer errores. Para aumentar el consumo de energía. Para que la IA aprenda menos.

¿Qué es el Procesamiento del Lenguaje Natural (PLN)?. Una técnica para procesar imágenes. Una disciplina de la IA centrada en enseñar a las máquinas a comprender, interpretar y generar lenguaje humano. Un tipo de algoritmo de clasificación. El proceso de ajuste de parámetros de un modelo.

¿Cuál es un ejemplo de 'output generativo' de una IA?. Clasificar una imagen como 'perro' o 'gato'. Predecir el precio de una vivienda. Generar un texto, como un artículo o un poema. Agrupar clientes por hábitos de compra.

¿Qué técnica utiliza DALL-E o Stable Diffusion para generar imágenes?. Regresión lineal. Aprendizaje por refuerzo. Técnica de difusión (diffusion). Clustering.

¿Qué permite el mecanismo de atención en la arquitectura Transformer?. Procesar datos numéricos de forma eficiente. Identificar qué partes de una frase son más relevantes para comprender el contexto. Organizar datos en grupos similares. Predecir valores numéricos.

¿Cómo funcionan las Redes Generativas Antagónicas (GAN)?. Un solo generador crea datos sintéticos. Un generador crea datos y un discriminador intenta detectar si son reales o inventados, en un 'duelo' constante. Se basan únicamente en datos estructurados. Requieren un único ciclo de entrenamiento.

¿Para qué están especialmente diseñadas las Redes Neuronales Convolucionales (CNN)?. Procesar texto y lenguaje natural. Trabajar con imágenes y vídeo. Realizar predicciones numéricas complejas. Organizar grandes bases de datos relacionales.

¿Qué desafío importante enfrenta el entrenamiento de modelos de IA?. La falta de hardware potente. La necesidad de actualizar los modelos para reflejar los cambios en la realidad. La simplicidad de los algoritmos. La escasez de datos estructurados.

¿Qué problema puede surgir si los datos de entrenamiento son incompletos o poco representativos?. El modelo se volverá más rápido. El modelo aprenderá de forma sesgada y dará resultados poco fiables. El modelo requerirá menos recursos computacionales. El modelo generalizará perfectamente.

¿Por qué es importante encontrar un equilibrio entre sobreajuste y subajuste en el entrenamiento de modelos?. Porque ambos fenómenos mejoran el rendimiento del modelo. Porque el sobreajuste hace que el modelo sea más flexible y el subajuste más preciso. Porque si el modelo memoriza demasiado (sobreajuste) o no aprende lo suficiente (subajuste), su rendimiento real se ve afectado negativamente. Porque solo uno de ellos afecta al rendimiento real.

¿Qué recursos son necesarios para el entrenamiento de modelos de IA avanzados como los LLM?. Solo datos de alta calidad. Recursos computacionales intensivos, gran cantidad de energía y tiempo considerable. Solo software especializado. Hardware de bajo rendimiento.

¿Qué es el 'fine-tuning' en el contexto de los modelos de IA?. El proceso inicial de recopilación de datos. Un proceso posterior al entrenamiento inicial para optimizar el modelo en aplicaciones específicas y mejorar su precisión. La fase de evaluación del modelo. El ajuste de parámetros aleatorios.

¿Qué se entiende por 'intercambio de información' en la interacción con IA?. Solo la recepción de datos. Solo el envío de instrucciones. Un proceso basado en el concepto de input (entrada) y output (salida). Un proceso unidireccional de la IA hacia el usuario.

¿Qué ocurre durante la fase de 'Interpretación' en el proceso intermedio de la IA?. La IA traduce la entrada a una representación matemática que pueda manejar. La IA compara la entrada con los patrones aprendidos. La IA genera una respuesta probable. La IA recibe instrucciones del usuario.

¿Qué sucede en la fase de 'Comparación' del proceso intermedio de la IA?. La IA traduce la entrada a formato matemático. La IA genera la salida final. El modelo contrasta la representación de la entrada con los patrones que aprendió durante su entrenamiento. El usuario evalúa la respuesta de la IA.

¿Cuál es uno de los posibles efectos adversos de la IA en la 'interacción humana y su motivación'?. Aumento de las conexiones humanas. Mayor dependencia de la IA para tareas básicas, reduciendo la autonomía y capacidad crítica. Mejora de la empatía en las interacciones. Simplificación de tareas complejas.

¿Qué temor existe respecto a la IA en el 'empleo'?. Que la IA cree más empleos de los que elimine. La automatización de tareas que podría llevar a la pérdida de empleos, especialmente en trabajos manuales. Que la IA solo afecte a trabajos de baja cualificación. Que la IA requiera más intervención humana.

¿Qué riesgo representa la IA en la 'equidad social'?. La reducción de las brechas socioeconómicas. La manipulación de la opinión pública mediante noticias falsas o algoritmos sesgados. El acceso equitativo a todas las tecnologías de IA. La democratización total de la información.

¿Qué preocupación surge en relación a la 'privacidad y protección de datos' con el uso de IA?. Que los datos se utilicen solo para mejorar el servicio del usuario. Que la información compartida pueda ser almacenada, utilizada para entrenar modelos o compartida con terceros sin el conocimiento del usuario. Que los datos sean encriptados de forma automática. Que la IA no pueda acceder a datos sensibles.

¿Por qué las salidas de un sistema de IA no son respuestas exactas ni definitivas?. Porque los algoritmos son imperfectos. Porque la IA genera la respuesta más probable según lo aprendido, lo que puede variar o contener errores. Porque los datos de entrenamiento son siempre insuficientes. Porque la IA no tiene capacidad de aprendizaje.

¿Por qué la 'retroalimentación humana' es clave en la interacción con la IA?. Para que la IA aprenda menos. Para guiar, corregir y supervisar a la IA, obteniendo mejores resultados. Para aumentar la complejidad de las tareas. Para que la IA solo ofrezca respuestas definitivas.

¿Qué hay que recordar sobre los 'aspectos emocionales de la interacción' con IA conversacional?. Que la IA realmente siente empatía y comprensión. Que las respuestas que parecen mostrar empatía son resultado de patrones aprendidos, no de emociones reales. Que la IA entiende las emociones humanas de la misma forma que una persona. Que la IA puede tener conversaciones sin usar patrones aprendidos.

¿Cuál es la responsabilidad fundamental de usuarios y desarrolladores de IA?. Utilizar la IA solo para fines de entretenimiento. Asegurarse de que la IA solo aprenda de datos estructurados. Utilizar estas tecnologías de manera que beneficien a la sociedad, siendo conscientes de sus capacidades y limitaciones. Evitar cualquier tipo de interacción humana con la IA.

¿Qué técnica de prompting implica solicitar a la IA que muestre su razonamiento paso a paso?. Zero-shot prompting. Few-shot prompting. Chain-of-thought prompting. Instrucción inversa.

¿Qué se busca al proporcionar contexto adicional en las solicitudes a la IA?. Confundir a la IA. Enriquecer las solicitudes para mejorar la calidad de los inputs y, por tanto, de los outputs. Ralentizar el proceso de respuesta. Limitar las capacidades de la IA.

¿Qué es la 'división (diffusion)' en el contexto de modelos generativos de IA?. Un modelo que solo genera texto. Un modelo que degrada una imagen a ruido y luego la regenera paso a paso para crear nuevas imágenes. Un algoritmo de clasificación de imágenes. Un método para organizar datos estructurados.

¿Qué implica 'Zero-shot prompting'?. Proporcionar varios ejemplos a la IA. Solicitar a la IA que realice una tarea sin haberle dado ejemplos previos. Mostrar a la IA el resultado deseado y pedirle la entrada. Pedir a la IA que muestre su razonamiento.