TEMA 2

AI✦

¿Cuál es la materia prima de la IA, comparándola con una fábrica?. Los algoritmos. Los datos. Los modelos.

¿Qué define la IA según el texto?. Un sistema informático que procesa datos. Un conjunto de algoritmos que interpretan datos. Cualquier información que puede ser recopilada, almacenada y procesada por un sistema informático.

¿Qué característica principal tienen los datos estructurados?. Son información dispersa sin formato definido. Están organizados en filas y columnas. Requieren técnicas avanzadas de procesamiento.

¿Cuál es una ventaja de los datos estructurados?. Capturan la complejidad de fenómenos reales. Son flexibles y se adaptan fácilmente. Permiten procesar grandes volúmenes de forma rápida y precisa.

¿Qué limitación presentan los datos estructurados respecto a la realidad?. Requieren mucho procesamiento previo. No capturan la complejidad de muchos fenómenos reales. Son difíciles de almacenar y analizar.

¿Cuál es un ejemplo de datos estructurados mencionado en el texto?. Texto libre de correos electrónicos. Imágenes de redes sociales. Una hoja de cálculo de estudiantes.

¿Qué porcentaje aproximado de los datos generados cada día son no estructurados?. Menos del 20%. Aproximadamente el 50%. Más del 80%.

¿Qué técnicas avanzadas se necesitan para aprovechar los datos no estructurados?. SQL y Excel. Procesamiento del Lenguaje Natural (PLN) y reconocimiento de imágenes/voz. Bases de datos tradicionales.

¿Cuál es una ventaja de los datos no estructurados?. Son fáciles de almacenar y analizar. Requieren poca limpieza. Tienen una gran riqueza informativa.

¿Qué tipo de IA se basa en datos no estructurados para su entrenamiento?. IA enfocada en bases de datos. IA generativa y de reconocimiento. IA de análisis de datos numéricos.

¿Qué limitación se menciona sobre el procesamiento de datos no estructurados?. Necesitan mucho almacenamiento. Pueden introducir sesgos si no son representativos. Requieren gran almacenamiento y cómputo, y pueden introducir sesgos.

¿Cuál es un ejemplo de datos no estructurados?. Una tabla de transacciones bancarias. Un archivo XML de catálogo de productos. Artículos, tweets y correos en texto libre.

¿Qué son los datos semiestructurados?. Datos sin ninguna organización. Datos que combinan flexibilidad y organización con etiquetas estandarizadas. Datos puramente numéricos.

¿Cuál es una ventaja de los datos semiestructurados?. Son más fáciles de procesar que los no estructurados gracias a etiquetas. No requieren limpieza. Favorecen la interoperabilidad de formatos no estandarizados.

¿Qué ejemplo se da de datos semiestructurados?. Una base de datos relacional. Archivos XML o JSON de catálogos de productos. Registros médicos normalizados.

¿Qué ocurre si los datos semiestructurados están mal etiquetados?. Pierden utilidad. Se vuelven datos estructurados. Requieren menos procesamiento.

¿Cómo aprende la IA según el texto?. Siguiendo instrucciones fijas. Reconociendo patrones en los datos. Memorizando información sin procesarla.

¿Qué característica de los algoritmos de IA implica que los resultados pueden variar ante la misma entrada?. Precisión. Eficiencia. Naturaleza probabilística.

¿Qué significa la 'incertidumbre' en los resultados de la IA?. Los resultados son siempre exactos. Los resultados se basan en probabilidades, no en una única respuesta exacta. La IA no puede predecir resultados.

¿Qué tipo de algoritmo se utiliza para predecir un valor numérico?. Clasificación. Regresión. Clustering.

¿Para qué se utiliza el algoritmo de Clasificación?. Agrupar datos similares. Asignar una categoría a un dato. Predecir valores numéricos.

¿Qué hace el algoritmo de Clustering (agrupamiento)?. Predecir el precio de un producto. Asignar etiquetas a los datos. Agrupar datos por similitudes, sin etiquetas previas.

¿En qué se inspiran las Redes Neuronales?. En la lógica computacional. En el cerebro humano. En los sistemas de bases de datos.

¿Qué es un 'modelo' en el contexto de la IA?. El algoritmo que procesa los datos. El conjunto de datos de entrenamiento. El resultado de entrenar un algoritmo con datos, representando lo aprendido.

¿Cómo aprenden los modelos 'Supervisados'?. Por prueba y error. Descubriendo patrones en datos sin etiquetar. Aprendiendo de datos etiquetados (entrada-salida) y corrigiendo predicciones.

¿Qué tipo de aprendizaje utilizan los modelos 'No supervisados'?. Aprendizaje con recompensas. Descubrir patrones en datos sin etiquetar. Aprendizaje a partir de ejemplos guía.

¿Cómo aprenden los modelos 'De refuerzo'?. Mediante la comparación con datos etiquetados. Agrupando datos similares. Por prueba y error, con recompensas y penalizaciones.

¿Qué le ocurre a un modelo si 'sobreajusta' (overfitting)?. No aprende lo suficiente. Memoriza demasiado los datos de entrenamiento y falla con casos nuevos. No puede procesar datos nuevos.

¿Qué es el 'subajuste' (underfitting) de un modelo?. El modelo se adapta demasiado a los datos. El modelo no aprende lo suficiente de los datos de entrenamiento. El modelo requiere demasiados recursos.

¿Cuál es la función principal de los datos de entrenamiento?. Ser la materia prima para que el algoritmo aprenda. Almacenar los resultados finales del modelo. Proporcionar las instrucciones exactas al modelo.

¿Qué significa 'generalización' en la evaluación de un modelo de IA?. La capacidad de predecir con alta precisión. La capacidad de aplicarse a casos nuevos no vistos. La eficiencia en el uso de recursos.

¿Qué proceso utiliza la IA para crear imágenes a partir de ruido aleatorio?. Transformador (transformer). Redes Neuronales Convolucionales (CNN). Difusión (diffusion).

¿Qué tipo de modelo se destaca por su arquitectura para secuencias y el uso del mecanismo de atención?. Autoencoders Variacionales (VAE). Transformador (transformer). Redes Generativas Antagónicas (GAN).

¿Cuál es el propósito de las Redes Generativas Antagónicas (GAN)?. Comprimir y reconstruir datos. Detectar patrones en imágenes. Duelo entre un generador y un discriminador para crear datos sintéticos realistas.