IA y APP INVENTOR

La inteligencia artificial (IA) es la ciencia y la ingeniería dedicadas al desarrollo de sistemas que ejecutan tareas que requerirían inteligencia o razonamiento si las realizara una persona. Es decir, que el término IA suele aplicarse cuando un ordenador o una máquina realiza funciones “cognitivas” que las personas asociamos con la actividad de las mentes humanas, como “percibir”, “razonar”, “aprender” y “resolver problemas”. Así, por ejemplo, cuando un ordenador juega (y normalmente gana) una partida de ajedrez contra un humano, asumimos que el ordenador debe estar ejecutando un sistema de IA.

En los últimos años la IA está teniendo un gran protagonismo en los medios de comunicación. Esto se debe, entre otros factores, a que se considera que la IA es un elemento fundamental de la Cuarta Revolución Industrial que ya estamos viviendo. Tal como la describió Klaus Schwab durante el Foro Económico Mundial de 2016, la Cuarta Revolución Industrial se apoya en avances de la Revolución Digital -caracterizada por la automatización informática y el conocimiento en internet-, pero incorpora la ubicuidad de la tecnología digital tanto en nuestra sociedad como en nuestro cuerpo, de forma que se desintegran las fronteras entre el mundo físico y biológico y el digital.

Nuria Oliver, una de las mayores expertas del mundo en IA, lo explica de forma brillante en el siguiente vídeo:

Pues sí, lo cierto es que en nuestra vida diaria ya estamos en contacto con multitud de sistemas de IA. Por ejemplo, este tipo de sistemas de IA son los encargados de los filtros de SPAM de nuestros correos electrónicos; se encargan de recomendarnos música o películas que consideran que pueden gustarnos en plataformas como Spotify, Netflix, Prime Video o HBO; realizan traducciones automáticas de textos a otros idiomas; interaccionan con nosotros en chats online de atención al cliente o en asistentes virtuales como Siri, Cortana, Alexa o Google Home; y revisan las compras realizadas con nuestras tarjetas de crédito para tratar de detectar si nos las han robado y se está cometiendo un fraude, entre otros muchos ejemplos cotidianos.

Pero además, los sistemas de IA se utilizan en múltiples campos para la toma de decisiones, lo que tiene un impacto en la vida de todas las personas. Desde la recomendación de amigos en plataformas como Facebook, a la selección de posibles parejas en aplicaciones de citas, pasando por sistemas de detección de tráfico, toma de decisiones en los mercados financieros y empresas, soluciones del ámbito médico para el diagnóstico de enfermedades, sistemas de vigilancia, así como sistemas de seguridad en fronteras y aeropuertos, por plantear tan solo algunos ejemplos.

Y, sin duda, en los próximos años veremos que cada vez se usarán estos sistemas en más y más ámbitos de nuestro día a día, por lo que necesitamos que la gente que tome las decisiones, en cualquier campo profesional, comprenda cómo puede y cómo deben utilizarse, siendo consciente así mismo de sus posibles problemas y limitaciones.

Para contestar esta pregunta vamos a tener que ponernos un pelín teóricos. Pero no nos asustemos porque los conceptos son muy sencillos, de verdad.

Desde que nació el estudio de la IA ha habido dos enfoques enfrentados. Por un lado, hay una escuela de pensamiento que defiende que para que una máquina pueda razonar, las personas que la programan tienen que definir un conjunto de reglas (algoritmos) y principios de lógica que la máquina pueda seguir. A esta escuela se la llama top-down (de arriba a abajo). 

Este enfoque es totalmente equivalente a la forma tradicional en que programamos nuestros proyectos Scratch o App Inventor, por ejemplo. La persona que programa elabora un algoritmo que soluciona un determinado problema e implementa un programa o conjunto de programas para que el ordenador pueda automatizar la tarea.

¿Te das cuenta de lo buena noticia que es esto? ¡Ya dominas una mitad de los enfoques para trabajar la IA!

Sin embargo, otra escuela de pensamiento defiende que, inspirándonos en la biología, las máquinas deberían aprender a partir de la observación y la experiencia, es decir, a partir de datos. A este enfoque se le llama bottom-up (de abajo a arriba).

Si bien durante las primeras décadas del desarrollo de la IA el enfoque top-down tuvo más éxito, el enfoque bottom-up se ha beneficiado recientemente de manera extraordinaria por las grandes cantidades de datos que investigadores y empresas tienen a su disposición. A estas cantidades ingentes de datos se le llama Big Data, como decíamos en una pregunta anterior. 

En consecuencia, los mayores éxitos de la IA y los logros más llamativos de los últimos años se han producido siguiendo este enfoque, en el que los ordenadores “aprenden automáticamente” a partir de datos. Por ello también se conoce a este enfoque como “Aprendizaje automático” o “Machine learning” en inglés. Y dentro de las técnicas que se utilizan en este enfoque, han destacado las que se basan en redes neuronales que tienen muchas capas y, por tanto, son profundas. A estas técnicas se les llama “Deep learning” o “Aprendizaje profundo”.

Para ver en acción cómo funcionan este tipo de sistemas os proponemos que juguéis unas partidas con Quick Draw (Corre, dibuja), que es un juego construido usando aprendizaje automático. En cada partida se pide que dibujes algunos objetos, y el sistema, implementado con una red neuronal, intenta adivinar lo que estás dibujando. El sistema ha sido entrenado con dibujos de diferentes objetos, de forma que cuando tú dibujas algo, el sistema trata de encontrar ejemplos similares para intentar deducir de qué se trata. Por supuesto, no siempre funciona, pero cuanto más juegues con él, más aprenderá. Y lo bueno es que cuando terminas la partida, puedes ver una explicación del razonamiento que ha seguido. Ah, y cuando juegues, no olvides encender bien los altavoces para ir escuchando cada uno de los intentos que realiza.

Aunque todo lo explicado en esta pregunta es un poco teórico y tampoco es fundamental para nuestro curso, creemos que puede ser interesante comprender a qué se refieren estos términos que leerás a menudo en artículos sobre IA. Y de hecho, ahora que sabes qué significan, es probable que leas artículos de prensa o veas reportajes de televisión en los que te dés cuenta que usan incorrectamente estas palabrejas .

En realidad, la mayoría de los conceptos fundamentales de la IA ya los hemos mencionado en esta introducción, y son totalmente accesibles para cualquier estudiante de cualquier nivel educativo. Y en los últimos años, además, se han creado multitud de recursos diseñados específicamente para que los docentes puedan usarlos en sus aulas para explicar diferentes conceptos relacionados con la IA.

No obstante, en relación a la implementación de sistemas que incorporen IA, lo cierto es que esto era algo reservado para estudiantes de últimos cursos de ingeniería informática o de telecomunicaciones. Pero con las nuevas herramientas gráficas que tenemos a nuestra disposición esto ya no es así.

En concreto, los próximos módulos del curso se van a centrar en cómo usar Machine Learning for Kids, una plataforma que utiliza las APIs de IBM Watson Developer Cloud, pero que permite integrar estas funcionalidades en proyectos Scratch o App Inventor usando bloques, lo que ofrece unas posibilidades tremendas para el trabajo en el aula.

Nuestro objetivo es que cualquier docente, desde los últimos cursos de primaria hasta el bachillerato o la FP, pueda crear proyectos con su alumnado en los que integrar sistemas de aprendizaje automático para clasificar texto, números o imágenes.

¡Ya veréis qué fácil y qué divertido!

Como es evidente, la idea de acercar la enseñanza de la IA a la educación no universitaria es algo muy novedoso. En consecuencia, hace unos meses se puso en marcha un grupo de trabajo en el que colaboran investigadores del mundo de la IA y docentes de distintos niveles educativos para definir qué debería saber el alumnado sobre IA al terminar cada etapa escolar. Esta iniciativa, que se ha llamado “Artificial Intelligence for K-12” (IA para la educación infantil, primaria y secundaria, AI4K12), está financiada conjuntamente por la Association for the Advancement of Artificial Intelligence (asociación para el avance de la IA, AAAI) y la Computer Science Teacher Association (asociación de docentes de informática, CSTA), y cuenta también con la participación de representantes de la industria, administraciones educativas y entidades sin ánimo de lucro.

Como primer paso para este trabajo, se ha definido un marco para la enseñanza de la IA que se estructura en cinco líneas temáticas. Estas líneas temáticas se corresponden, a su vez, con las cinco ideas principales que todo el mundo debería conocer acerca de la IA, tal como puede verse en la siguiente figura:

1. Percepción Los ordenadores perciben el mundo utilizando sensores 2. Representación y razonamiento Los agentes mantienen modelos o representaciones del mundo y las usan para razonar. 3. Aprendizaje Los ordenadores pueden aprender a partir de datos. 4. Interacción natural Hacer que los agentes interactúen con los humanos de manera fluida es un desafío enorme para los desarrolladores de IA. 5. Impacto social La IA puede tener un impacto tanto positivo como negativo sobre la sociedad.

Fuente, AI4K12:  https://github.com/touretzkyds/ai4k12/raw/master/documents/AI4K12_Five_Big_Ideas_Poster.pdf

En este curso vamos a seguir este marco para organizar las diferentes actividades que nos ayudarán a comprender en profundidad cada una de estas cinco grandes ideas. Las actividades están diseñadas con la intención de que el alumnado comprenda cómo funcionan los sistemas de IA con los que ya convivimos, a que piense de manera crítica sobre el mundo que le rodea, y a que cuestione el modo en que la tecnología puede influir nuestras vidas. El objetivo final es evitar que tengamos una generación que, sin ser consciente, esté siendo convencida, manipulada y dirigida por sistemas de IA (lo que, hasta cierto punto, está sucediendo actualmente en diferentes ámbitos).

1ª idea fundamental: Los ordenadores perciben el mundo utilizando sensores

La percepción es el proceso de extraer información a partir de señales sensoriales. La capacidad que tienen los ordenadores para "ver" y "escuchar" lo suficientemente bien como para resultar de utilidad a las personas es uno de los logros más importantes de la IA. Para ello, los ordenadores hacen uso de diferentes tipos de sensores, como micrófonos, cámaras, medidores de distancia, de luminosidad o temperatura, entre otros muchos.

Sin embargo, es importante comprender que, por ejemplo, la percepción de un ordenador del lenguaje hablado o de la imagen visual, requiere contar con un amplio conocimiento del dominio. Así, para entender una frase hablada no solo se deben conocer los sonidos del idioma sino también su vocabulario, gramática y patrones de uso. Y, mientras el ordenador no disponga de tal conocimiento, el reconocimiento de voz realizado por una máquina no puede acercarse a la precisión del nivel humano. Sin embargo, ya se han alcanzado niveles altos de precisión en otros dominios, y todo parece indicar que los sistemas van a mejorar mucho en los próximos años.

Para ilustrar el modo en que las máquinas “ven”, se puede visualizar este vídeo de un coche autónomo, en el que es posible observar en detalle las imágenes captadas por las cámaras del coche en cada momento, y cómo el sistema de IA de reconocimiento de imágenes va detectando e identificando las diferentes señales, coches, peatones, etc. con las que se cruza.

Propuesta: actividad desenchufada

¿Cómo conduce un coche autónomo?  Con esta actividad se pretende ilustrar cómo los sistemas de IA hacen uso de sensores para captar señales del mundo y tomar decisiones en consecuencia. Para ello, un grupo de tres estudiantes van a simular ser un coche autónomo: uno de ellos será el sistema central de IA que recibe las señales de los sensores y toma decisiones, los otros dos serán sensores, uno la cámara izquierda y otro la cámara derecha. Para comenzar se tapan los ojos y si es posible, los oídos, del “conductor”, que solamente podrá tomar decisiones en función de las señales que le lleguen de sus dos “sensores”. A continuación se dibuja una carretera en el suelo con tiza, que comenzará con una recta y tendrá luego curvas a derecha o a izquierda intercaladas con otras rectas. Tras colocar al “conductor” en la recta inicial, éste comienza a andar. Los dos “sensores” tienen que tratar de guiarlo por el camino, tocando al “conductor” en el hombro de su lado para avisarle de que, si sigue recto, se va a salir de la carretera por el lado correspondiente. De esta manera el “conductor” puede girar para el lado contrario.  ¿Llegarán sanos y salvos a su destino?

2ª idea fundamental: Los agentes mantienen modelos o representaciones del mundo y las usan para razonar.

Los sistemas de IA pueden definirse como agentes inteligentes que perciben y representan el mundo, deliberan sobre lo percibido y producen salidas que afectan al mundo. En consecuencia, la representación es uno de los problemas fundamentales de la inteligencia, tanto natural como artificial. Para comprender el concepto de representación, por ejemplo, podemos pensar en el modo en que un mapa representa un territorio, o un diagrama representa el estado de una partida de un juego de mesa.

Es importante comprender que los ordenadores construyen representaciones utilizando datos, y estas representaciones pueden manipularse aplicando algoritmos de razonamiento que generan nueva información. No obstante, aunque los agentes de IA pueden razonar sobre problemas muy complejos, la realidad es que no piensan igual que las personas. Y, de hecho, muchos tipos de razonamiento que son totalmente asequibles para los humanos, están todavía lejos del alcance de los sistemas IA actuales.

Para entender qué hablamos cuando nos referimos a la representación y el razonamiento, os proponemos que juguéis unas partidas con Akinator. Se trata de un sistema experto que te pide que pienses en algún persona (real o ficticio); y luego te va haciendo preguntas para intentar adivinarlo. NOTA: en la portada del sitio web Akinator podéis activar el modo infantil.

¿Qué? ¿Ha acertado Akinator los personajes que estabais pensando? ¿Cómo es posible? ¿Cómo funciona este sistema?

En realidad el funcionamiento de este tipo de sistemas expertos es bastante sencillo, ya que se implementan utilizando lo que se conoce como “árboles de decisión”. Para comprender cómo funcionan vamos a trabajar con el siguiente ejemplo: queremos construir un sistema similar a Akinator que sea capaz de adivinar, haciendo preguntas, en cuál de los siguientes personajes estoy pensando: Bugs Bunny, el pato Lucas o el Correcaminos.

Si elegimos las preguntas con cuidado, tratando de que las respuestas nos indiquen inequívocamente a los personajes, tenemos el trabajo prácticamente hecho. Así, por ejemplo, si el sistema pregunta “¿el personaje tiene plumas?”, si la respuesta es negativa entonces solamente puedo estar pensando en Bugs Bunny, puesto que tanto el Pato Lucas como el Correcaminos tienen plumas. Un posible árbol de decisión para este juego sería el siguiente (aunque existen otras muchas opciones posibles para construirlo):

Sencillo, ¿verdad? Pues así es como funciona exactamente Akinator, aunque claro, este maneja un árbol muchísimo mayor tras las millones de partidas jugadas, puesto que, además, Akinator se ha diseñado de forma que aprende con cada nuevo personaje que un jugador escoge.

Además de con papel y lápiz, esta actividad puede ser más atractiva si se usan otros materiales como pajitas, vasos, cartulinas o plastilina, tal como puedes ver en las siguientes imágenes tomadas de un curso para docentes realizado en el verano de 2019 por el propio INTEF:

Y, por cierto, practicando con la creación de este tipo de árboles de decisión para clasificar personajes, objetos o animales, por ejemplo, te volverás un verdadero experto al que no habrá quien gane al famoso juego "¿Quién es quién?" 

Pero, ¿cómo funciona realmente el aprendizaje automático? ¿A qué nos referimos con que el ordenador aprende a partir de datos?

Imaginemos que queremos entrenar a un sistema de IA para que clasifique imágenes y nos diga si son fotos de gatos o se trata de otro tipo de fotos. Lo que tendríamos que hacer como primer paso sería preparar un conjunto de entrenamiento de imágenes con dos grupos: fotos con gatos, por un lado, y otro tipo de fotos por otro. El sistema visualizará ambos conjuntos, identificará patrones de cada uno de los grupos, y generará un modelo que se puede utilizar para tratar de clasificar nuevas fotos que no se encontraran en el conjunto de entrenamiento, indicando si cada nueva imagen corresponde a una foto de un gato o no.

Para entenderlo completamente vamos a utilizar la web “Teachable machine”, que permite que generemos nuestros propios modelos aprendiendo con fotos tomadas de nuestra webcam sin tener que programar ni nada. ¡Verás qué interesante y divertido!

https://teachablemachine.withgoogle.com/v1/

5ª idea fundamental: La IA puede tener un impacto tanto positivo como negativo sobre la sociedad.

La IA tiene un gran potencial para hacer cosas muy buenas para las personas. De hecho, ya existen iniciativas, como las lideradas por Naciones Unidas, en las que a través del análisis de datos agregados y anonimizados de la red de telefonía móvil se resuelven problemas en las áreas de la salud pública, sostenibilidad del planeta y asistencia en desastres naturales. 

En este misma línea, con un proyecto liderado desde España, trabaja la iniciativa LUCA de Telefónica llamada “big data al servicio de la sociedad”. Ya han implementado con éxito proyectos con los que ayudar en la respuesta ante desastres naturales, como la inundación de Mocoa (abril 2017); mejorar la educación digital en países en desarrollo en América Latina, África Subsahariana y Asia; predecir emisiones NO2 en el aire en ciudades como Madrid o Sao Paulo; o predecir la difusión de enfermedades como Dengue y Zika en Colombia y Brasil.

Además, los sistemas de IA van a sustituir a los humanos en la realización de trabajos peligrosos y nocivos para la salud, como la recolección de minerales en minas. Pero, claro, esta implantación de los sistemas de IA en el ámbito laboral también tiene sus riesgos. Así lo ilustran de manera muy visual y pedagógica los siguientes vídeos de la Fundación COTEC titulados “Mi empleo, mi futuro”, en los que se discute que la automatización de muchos trabajos puede conducir a un desempleo masivo o a un cambio importante en los puestos de trabajos, lo que tiene un impacto muy profundo para la sociedad:

¡Por fin llegó el momento de empezar a practicar!

En este apartado aprenderemos cómo crear un proyecto de App Inventor que haga uso de la Inteligencia Artificial. En concreto se mostrará como crear una app que será capaz de detectar si una frase provoca sentimientos positivos, o si por el contrario produce sentimientos negativos.

Para ello haremos uso de un recurso llamado Machine Learning for Kids, una estupenda herramienta que nos permite desarrollar un modelo de Inteligencia Artificial e integrarlo en cualquier proyector de App Inventor.

Para poder realizar este ejemplo vas a necesitar descargarte estos recursos.

Con la ayuda de los siguientes vídeos podrás ir avanzando paso a paso hasta conseguir crear tu primer proyecto App Inventor con IA:

1. Diseñamos la interfaz de usuario

2. Programamos la primera versión de la app

3. Probamos la primera versión de la app y vemos sus limitaciones

4. Programamos una segunda versión de la app usando listas

5. Probamos la segunda versión de la app y vemos sus limitaciones

6. Hacemos uso de la herramienta Machine Learning for Kids

7. Generamos el modelo de aprendizaje automático

8. Probamos el modelo de aprendizaje automático

9. Vemos ejemplos de datos sesgados para aprender a evitar introducirlos

10. Integramos el modelo de aprendizaje automático en nuestro proyecto App Inventor

11. Programamos una versión de la app que haga uso del modelo de aprendizaje automático

12. Probamos la versión final de nuestra app

En este proyecto vamos a crear una app haciendo uso de Machine Learning for Kids (ML4K) y App Inventor que sea capaz de recomendar un destino de vacaciones en función de las actividades que el usuario quiera llevar a cabo y que expresará mediante un texto.

¡Vamos allá!

1. Creamos la interfaz de usuario

2. Creamos el modelo de aprendizaje automático

3. Integramos el modelo de aprendizaje automático en nuestro proyecto App Inventor

4. Programamos la primera versión de nuestra aplicación

5. Probamos nuestra aplicación

6. Añadimos imagen y mapa del destino recomendado

7. Probamos la versión final

Aquí se muestra un ejemplo de proyecto consistente en una aplicación móvil, que con ayuda de ML4K, y a partir de los datos de un libro que introduzca el usuario, como son el número total de páginas, el número de páginas con alguna ilustración y el número de líneas por página, es capaz de determinar para niños de qué edades es recomendado dicho libro.

¡Vamos a verlo!

1. Creamos el modelo de aprendizaje automático

2. Integramos el modelo de aprendizaje automático en un proyecto de App Inventor

3. Creamos la interfaz gráfica de la aplicación

4. Programamos la aplicación

5. Probamos la aplicación

6. Añadimos la posibilidad de suministrar datos de ejemplo y re-entrenar el modelo desde la aplicación

Para ello usaremos los siguientes bloques:

Los posibles valores de statusCode y message son los siguientes:

• statusCode: 2 - message: "Ready": Significa que el modelo ha acabado de ser entrenado y puede usarse
• statusCode: 1 - message: "Training in progress": El entrenamiento no ha acabado y el modelo no puede usarse
  
• statusCode: 0 : Algo ha ido mal, en "message" se aporta más información sobre el problema

7. Probamos la versión final de la aplicación