UF 1 Inteligencia Artificial - Temas 1 y 2

AI✦

¿Qué es la inteligencia artificial?. Un programa de edición de imágenes. Solo robots físicos. Sistemas capaces de realizar tareas asociadas a capacidades humanas. Una base de datos de clientes.

¿En qué año se sitúa el nacimiento de la IA como campo de estudio?. 1995. 2006. 1969. 1956.

¿Qué conferencia se relaciona con el origen de la IA?. Dartmouth. Kioto. Bretton Woods. Yalta.

¿Qué caracterizó a los años cincuenta y sesenta en la historia de la IA?. Reducción generalizada de la financiación. Optimismo y expectativas elevadas. Abandono del aprendizaje automático. Predominio del Big Data actual.

¿Qué significa «invierno de la IA»?. Época de máximo desarrollo comercial. Uso de IA para estudiar el clima. Pérdida de interés y financiación tras expectativas incumplidas. Nacimiento de la IA generativa.

¿En qué décadas sitúan los apuntes el invierno de la IA?. Años noventa y dos mil. Años veinte del siglo XXI. Años cincuenta y sesenta. Años setenta y ochenta.

¿Qué impulsó el resurgimiento de la IA en los años noventa y dos mil?. Mayor potencia computacional y avances algorítmicos. Desaparición de los ordenadores. Fin de las matemáticas aplicadas. Menor disponibilidad de datos.

¿Qué caracteriza a la era del Big Data y el Deep Learning?. Ausencia de entrenamiento. Grandes cantidades de datos y redes neuronales complejas. Uso exclusivo de reglas escritas a mano. Prohibición del aprendizaje automático.

¿Qué capacidad se asocia especialmente con el Machine Learning?. Evitar el uso de algoritmos. Sustituir todos los trabajos. Aprender patrones y mejorar con datos. Crear únicamente robots.

¿Cuál es una aplicación cotidiana de la IA?. Una silla sin electrónica. Una regla de plástico. Un lápiz tradicional. Recomendaciones de películas en streaming.

¿Qué caracteriza a la Narrow Al o IA débil?. Se especializa en tareas concretas. Posee necesariamente conciencia. No utiliza datos. Puede realizar cualquier tarea intelectual humana.

¿Qué es la General Al según los apuntes?. Un filtro de spam actual. Una IA general de capacidades intelectuales amplias aún teórica. Un traductor especializado. Una calculadora convencional.

¿Qué clasificación se refiere al alcance de las capacidades?. Regresión frente a clustering. Generativa frente a predictiva. Narrow Al frente a General Al. CNN frente a GAN.

¿Qué hace principalmente la IA generativa?. Medir temperaturas con un sensor. Calcular únicamente probabilidades de riesgo. Solo clasificar correos. Crear contenido nuevo a partir de patrones aprendidos.

¿Qué hace principalmente la IA predictiva?. Analizar datos históricos para estimar resultados futuros. Clasificar exclusivamente imágenes. Eliminar los datos antiguos. Crear pinturas sin datos.

¿Qué caracteriza a la IA discriminativa?. Componer música siempre. Distinguir y clasificar categorías de datos. Crear vídeos de manera obligatoria. Predecir únicamente precios.

¿Qué hace principalmente la IA analítica?. Generar solo canciones. Crear personajes ficticios. Encontrar patrones y relaciones para extraer conclusiones. Sustituir todos los sistemas de búsqueda.

¿Qué caracteriza a la IA estadística?. Ausencia de incertidumbre. Uso exclusivo de voz. Solo generación de imágenes. Uso de modelos matemáticos, probabilidades e inferencia.

¿Qué enfoque corresponde a un filtro de correo spam?. Discriminativo. General Al. Difusión. Generativo musical.

¿Qué enfoque se asocia a la predicción del tiempo?. Discriminativo exclusivamente. Predictivo. Generativo de vídeos. IA general.

¿Qué enfoque crea una ilustración nueva?. General Al. Discriminativo. Generativo. Estadístico exclusivamente.

¿Qué enfoque analiza tendencias pasadas para extraer conclusiones?. General Al. Reconocimiento de voz exclusivamente. Generativo. Analítico.

¿Qué técnica corresponde a la IA estadística?. Pruebas de hipótesis. Reconocimiento facial obligatorio. Edición de vídeo. Generador y discriminador.

¿Cómo se relacionan las clasificaciones de IA?. Son mutuamente excluyentes en todos los casos. Son complementarias y pueden combinarse. Solo existe la clasificación por capacidad. Toda IA generativa es IA general.

¿Cuál de estas aplicaciones es un ejemplo de Narrow AI?. Un sistema con conciencia humana verificada. Una IA con todas las capacidades humanas. Un asistente virtual actual. Una inteligencia general demostrada.

¿Qué IA se centra en «mirar hacia adelante» según tus apuntes?. Discriminativa. Generativa exclusivamente. Analítica. Predictiva.

¿Qué IA se asocia con «mirar hacia atrás» en los apuntes?. Analítica. Generativa exclusivamente. Robótica física. General.

¿Cuál es un ejemplo de IA discriminativa?. Composición musical generativa. Reconocimiento facial. Redacción de un cuento. Creación de una ilustración.

¿Cuál es una aplicación de IA estadística?. Diseñar una ilustración artística. Crear un videoclip desde una frase. Evaluar la eficacia de un fármaco con pruebas estadísticas. Inventar un personaje literario.

¿Qué tipo de IA produce recomendaciones basadas en hábitos?. Generativa exclusivamente. No supervisada necesariamente. General necesariamente. Predictiva.

¿Es cierto que la IA es infalible y siempre objetiva?. No; puede equivocarse y reproducir sesgos. Sí; si se utiliza en empresas. Solo si genera imágenes. Sí; nunca produce errores.

¿Es la IA débil equivalente a la inteligencia humana general?. Sí; posee comprensión general. No; está especializada en tareas limitadas. Sí; puede realizar todas las tareas humanas. No; porque no utiliza algoritmos.

¿Qué describe mejor la relación entre IA y trabajo según los apuntes?. Solo afectará al ocio. Sustituirá inevitablemente todas las profesiones. Puede complementar tareas y crear nuevos roles. No tendrá ninguna repercusión.

¿Necesita la IA supervisión humana?. Solo si utiliza tablas. Nunca en tareas importantes. No; siempre es completamente autónoma. Sí; especialmente para validar resultados.

¿Qué es una alucinación de IA?. Información inventada presentada como respuesta. Una búsqueda verificada. Una mejora automática del hardware. Un modelo con conciencia.

¿Es la IA idéntica a un buscador web?. Sí; ambos funcionan exactamente igual. No; la IA puede generar respuestas, mientras el buscador recupera enlaces. Sí; la IA siempre cita todas sus fuentes. No; porque los buscadores no utilizan datos.

¿Qué puede causar resultados injustos en una IA?. La longitud del cable de red. El uso de una pantalla. Sesgos presentes en los datos de entrenamiento. El color del ordenador.

¿Cuál de estos enunciados es un mito?. La IA puede ser útil para traducir. La IA requiere supervisión. La IA necesita datos. La IA nunca comete errores.

¿Qué diferencia a la IA generativa de un buscador convencional?. Puede elaborar una respuesta nueva a partir de patrones. Nunca produce errores. No procesa lenguaje. Siempre devuelve documentos originales intactos.

¿Qué limitación técnica aparece en los mitos del tema?. Ausencia total de consumo energético. Necesidad de recursos computacionales importantes. Estándares idénticos en todos los sistemas. Resultados siempre consistentes.

¿Qué debe hacerse con un resultado de IA en un contexto importante?. Eliminar toda intervención humana. Aceptarlo sin revisión. Verificarlo y supervisarlo. Publicarlo siempre.

¿Qué componente de hardware se menciona por su utilidad en IA?. Teclado mecánico exclusivamente. Impresora térmica. Disquete. GPU.

¿Qué desafío ambiental se relaciona con la IA?. Consumo energético de los sistemas. Producción obligatoria de papel. Reducción a cero del consumo. Ausencia de electricidad.

¿Qué práctica protege mejor la privacidad al usar IA?. Compartir siempre datos confidenciales. Evitar compartir información sensible innecesariamente. Ignorar permisos. Publicar contraseñas en los prompts.

¿Qué implica la falta de estándares universales?. Que todos los modelos usan los mismos datos. Que todas las IA operan igual. Diferencias entre sistemas en criterios y transparencia. Que no existen riesgos de privacidad.

¿Qué significa consistencia en las respuestas?. Número de usuarios registrados. Tamaño de las imágenes. Cantidad de memoria RAM. Grado de estabilidad de resultados ante entradas similares.

¿Qué significa obsolescencia de un modelo de IA?. Puede quedar superado por versiones más avanzadas. Que deja de consumir energía. Que nunca necesita actualizarse. Que aprende automáticamente todas las tareas.

¿Qué actitud recomiendan los apuntes ante la IA?. Confianza ciega. Pensamiento crítico, verificación y responsabilidad. Compartir todos los datos personales. Evitar cualquier supervisión.

¿Por qué una misma pregunta puede recibir respuestas distintas?. Porque la IA no procesa información. Porque toda respuesta es verdadera. Por la naturaleza probabilística de los modelos. Porque nunca se usa entrenamiento.

¿Qué información conviene no introducir sin necesidad en una IA?. Una definición pública. Un ejemplo ficticio. Una pregunta genérica sobre matemáticas. Documentos confidenciales y datos personales.

¿Qué son los datos para una IA?. La materia prima de su aprendizaje. Únicamente imágenes. Un tipo de algoritmo. Solo los resultados finales.

¿Qué son datos estructurados?. Archivos sin organización. Información organizada en campos, filas y columnas. Solo grabaciones. Exclusivamente vídeos.

¿Cuál es un ejemplo de dato no estructurado?. Una hoja de cálculo. Una tabla de ventas. Una grabación de voz. Un listado de edades por columnas.

¿Qué formato se considera semiestructurado?. JPEG. WAV. MP3. JSON.

¿Qué otro formato es semiestructurado?. XML. MP4. GIF. PNG.

¿Por qué importa la calidad de los datos?. Porque evita cualquier necesidad de algoritmos. Porque influye en la fiabilidad del modelo. Porque hace innecesario entrenar. Porque convierte toda IA en general.

¿Qué significa etiquetar datos?. Crear imágenes sin entrada. Borrar todo el conjunto. Asociar ejemplos con categorías o respuestas conocidas. Transformar siempre texto en voz.

¿Cuál es un ejemplo de datos estructurados?. Vídeo sin metadatos. Grabación musical. Fotografía aislada. Tabla de clientes con edad y compras.

¿Qué puede ocurrir con datos sesgados?. Resultados sesgados o injustos. Aprendizaje perfecto. Eliminación de la necesidad de validación. Desaparición de todos los errores.

¿Qué relación tienen los datos y el entrenamiento?. Los datos solo se usan después del output. El modelo aprende patrones a partir de los datos. El entrenamiento no utiliza datos. Los datos sustituyen por completo al algoritmo.

¿Qué es un algoritmo en IA?. Un conjunto de etiquetas exclusivamente. El resultado final de una predicción. Un procedimiento para procesar o aprender de datos. Una imagen de entrenamiento.

¿Qué es un modelo entrenado?. El ordenador físico. Un archivo de audio obligatorio. Una lista de preguntas sin respuesta. La representación que recoge los patrones aprendidos.

¿Qué técnica predice un precio numérico?. Regresión. Clustering. GAN. Clasificación.

¿Qué técnica decide si un correo es spam?. Regresión. Clasificación. Difusión. VAE.

¿Qué técnica agrupa clientes por similitudes sin etiquetas previas?. GAN. Regresión. Clustering. Clasificación supervisada.

¿Qué aprendizaje usa datos etiquetados?. Por refuerzo exclusivamente. Difusión. No supervisado. Supervisado.

¿Qué aprendizaje identifica patrones sin etiquetas?. No supervisado. Por refuerzo. Regresión necesariamente. Supervisado.

¿Qué aprendizaje se basa en recompensas y penalizaciones?. Supervisado. Por refuerzo. Clustering. Difusión.

¿Qué arquitectura utiliza filtros visuales?. Transformer. GAN. CNN. VAE.

¿Qué arquitectura utiliza generador y discriminador?. VAE. Difusión. CNN. GAN.

¿Qué arquitectura usa atención?. Transformer. CNN. VAE. GAN.

¿Qué arquitectura se asocia con compresión y reconstrucción?. CNN. VAE. GAN. Regresión.

¿Qué técnica genera imágenes mediante refinamiento del ruido?. Clasificación. CNN. Difusión. Clustering.

¿Qué significa CNN?. Codificador numérico avanzado. Modelo de atención textual. Red neuronal competitiva. Red neuronal convolucional.

¿Qué distingue una GAN de un VAE?. GAN: redes enfrentadas; VAE: representación comprimida. GAN: regresión; VAE: clustering. No existe diferencia. GAN: atención; VAE: filtros.

¿Qué distingue difusión de GAN?. Difusión: atención; GAN: regresión. Difusión: ruido; GAN: generador y discriminador. Difusión: filtros; GAN: clustering. Son exactamente iguales.

¿Qué distingue CNN de Transformer en los ejemplos estudiados?. Ambos se definen por recompensas. CNN: ruido; Transformer: compresión. CNN: filtros; Transformer: atención. CNN: discriminador; Transformer: regresión.

Si una IA crea una imagen, ¿podemos concluir que es una GAN?. Sí, si la imagen es realista. Sí, si la imagen tiene color. Sí, toda imagen se genera con GAN. No; existen varias arquitecturas generativas.

¿Qué técnica se asocia con la expresión «espacio latente»?. VAE. Regresión. Aprendizaje por refuerzo. Clustering.

¿Qué técnica se reconoce por «capas convolucionales»?. GAN. CNN. Transformer. Difusión.

¿Qué técnica se reconoce por «discriminador»?. Regresión. VAE. GAN. Transformer.

¿Qué técnica se reconoce por «mecanismo de atención»?. GAN. Difusión. CNN. Transformer.

¿Qué caracteriza a un algoritmo escalable?. Puede manejar un volumen creciente de datos o carga. No necesita hardware. Solo sirve para textos. Siempre devuelve la misma imagen.

¿Qué es entrenar un modelo?. Crear un teclado nuevo. Ajustar parámetros para aprender patrones a partir de datos. Copiar respuestas sin procesar. Cambiar únicamente el nombre del archivo.

¿Qué fase incluye limpiar y preparar ejemplos?. Desplazamiento laboral. Generación de output. Preparación de datos. Publicación de resultados.

¿Qué es sobreajuste?. No utilizar datos. Usar únicamente audio. Aprender demasiado poco. Memorizar demasiado los ejemplos y generalizar mal.

¿Qué es subajuste?. Aprender insuficientemente los patrones. Tener precisión perfecta. Entrenar siempre con recompensas. Memorizar demasiado.

¿Qué significa generalización?. Repetir literalmente los ejemplos. Aplicar lo aprendido a datos nuevos. Reducir el número de usuarios. Generar siempre vídeos.

¿Qué es fine-tuning?. Sustitución de todos los datos por ruido. Eliminación de todas las capas. Ajuste adicional de un modelo ya entrenado. Clasificación sin etiquetas.

¿Qué mide la precisión según estos apuntes?. Longitud de los prompts. Cantidad de imágenes. Consumo eléctrico. Porcentaje de aciertos.

¿Qué mide el error de un modelo?. Diferencia entre predicción y realidad. Tamaño de la pantalla. Número de personas usuarias. Número de archivos.

¿Qué recursos pueden ser importantes para entrenar IA?. Solo papel. GPU, tiempo y energía. Únicamente una impresora. Ningún recurso físico.

¿Cuál es el orden general de entrenamiento?. Clustering, impresión y envío. Output, publicación y eliminación de datos. Datos, predicción, cálculo de error y ajuste. Generación, copia y cierre.

¿Qué es el input?. Un tipo de modelo. Una métrica de evaluación. El resultado final. La información de entrada.

¿Qué es el output?. El resultado producido por la IA. Un archivo de entrenamiento. La memoria RAM. La instrucción original.

¿Qué es un prompt?. El modelo entrenado. La instrucción que se proporciona a la IA. La respuesta final. El error de predicción.

¿Qué significa multimodal?. Utilizar un único formato. Trabajar exclusivamente con texto. Combinar texto, imagen, audio u otras modalidades. Predecir solo números.

¿Qué significa PLN o PNL?. Programa Lineal Neuronal. Protocolo Local de Navegación. Predicción Logística Numérica. Procesamiento del Lenguaje Natural.

¿Cuál es el orden del procesamiento intermedio?. Interpretar, comparar patrones y generar respuesta. Responder, recopilar y apagar. Evaluar empleo y privacidad. Generar, eliminar e imprimir.

¿Qué es retroalimentación en una conversación con IA?. Reentrenar siempre desde cero. Reformular o mejorar el prompt según la respuesta. Cambiar el procesador. Eliminar el modelo.

¿Qué output genera una pista musical creada por IA?. Regresión. Imagen generativa. Audio generativo. Clasificación.

¿Qué caracteriza a un buen prompt?. Ausencia de instrucciones. Uso obligatorio de jerga. Ambigüedad deliberada. Claridad, especificidad y contexto.

¿Puede variar el output con el mismo input?. Sí, por la naturaleza probabilística. Solo si se usa Excel. Nunca con texto. No, siempre es idéntico.

¿Qué es la dependencia excesiva de IA?. Usar IA una vez. Delegar demasiado y perder autonomía. Aprender a programar. Revisar los resultados.

¿Qué es desplazamiento laboral?. Generación de imágenes. Cambio de ubicación de servidores. Posible sustitución de tareas o puestos por automatización. Traducción automática.

¿Qué es una brecha socioeconómica en IA?. Tipo de red neuronal. Mecanismo de atención. Error de regresión. Acceso desigual a la tecnología.

¿Qué significa manipulación de opinión pública con IA?. Influir mediante desinformación, sesgos o publicidad dirigida. Comprobar datos. Proteger información personal. Revisar fuentes de información.

¿Qué riesgo implica dar acceso a cámara y micrófono?. Sobreajuste necesariamente. Privacidad y recopilación de información sensible. Clasificación supervisada. Clustering.

¿Qué es una alucinación?. Una mejora de hardware. Un resumen diferente pero correcto. Una respuesta inventada o errónea. Un modelo general.

¿Variabilidad y alucinación son lo mismo?. Sí, solo en audio. No, porque la IA nunca varía. Sí, toda variación es falsa. No; una respuesta distinta puede seguir siendo correcta.

¿Qué papel debe tener el usuario?. Guiar, corregir y supervisar. Eliminar cualquier revisión. Delegar decisiones sin pensar. Aceptar siempre todo.

¿Cómo describen los apuntes la empatía aparente de la IA?. Emociones humanas demostradas. Lenguaje que parece empático basado en patrones aprendidos. Ausencia de procesamiento. Un tipo de regresión.

¿Qué riesgo existe al sustituir todas las interacciones por chatbots?. Eliminación de sesgos. Generalización perfecta. Reducción del contacto humano. Aumento inevitable de privacidad.