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:

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.

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 .

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!

¡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