Entender la IA antes de construir con ella

🎯 Objetivos de la semana

Al terminar esta semana deberías poder:

• Explicar qué significa Inteligencia Artificial.
• Distinguir IA, Machine Learning y Deep Learning.
• Explicar qué es IA generativa.
• Explicar qué es un modelo de IA.
• Explicar qué es un LLM.
• Entender de forma conceptual cómo funciona un LLM.
• Entender entrenamiento e inferencia.
• Entender tokens y contexto.
• Explicar qué es una alucinación.
• Identificar las principales limitaciones de la IA.
• Entender la multimodalidad.
• Distinguir modelo, aplicación y herramienta.
• Entender qué significa utilizar IA como desarrollador.
• Identificar cuándo confiar y cuándo verificar una respuesta.
• Reconocer problemas de privacidad y seguridad.
• Empezar a utilizar la IA como compañero de desarrollo.

🗺️ El mapa mental de la IA

Antes de entrar en detalles, debes entender esta jerarquía:

INTELIGENCIA ARTIFICIAL
│
├── Machine Learning
│   │
│   ├── Aprendizaje supervisado
│   ├── Aprendizaje no supervisado
│   └── Aprendizaje por refuerzo
│
└── Deep Learning
    │
    ├── Visión
    ├── Audio
    ├── Lenguaje
    │   │
    │   └── LLM
    │
    └── Modelos multimodales
            │
            └── IA Generativa

1. ¿Qué es la Inteligencia Artificial?

La Inteligencia Artificial es un campo amplio de la informática que busca construir sistemas capaces de realizar tareas que normalmente asociamos con capacidades humanas.

Por ejemplo:

• Reconocer patrones.
• Clasificar información.
• Predecir resultados.
• Interpretar lenguaje.
• Reconocer imágenes.
• Generar contenido.
• Tomar decisiones bajo determinadas condiciones.

OpenAI Academy utiliza precisamente esta idea: IA es una categoría amplia de software capaz de reconocer patrones, aprender de datos y producir resultados útiles.

2. Machine Learning

Machine Learning, o aprendizaje automático, es una rama de la IA en la que los sistemas aprenden patrones a partir de datos.

Programación tradicional

REGLAS + DATOS
      ↓
   PROGRAMA
      ↓
   RESULTADO

Machine Learning

DATOS + RESULTADOS ESPERADOS
            ↓
         ALGORITMO
            ↓
          MODELO
            ↓
     NUEVOS RESULTADOS

La diferencia conceptual es fundamental.

3. Deep Learning

Deep Learning es una familia de técnicas de Machine Learning basadas principalmente en redes neuronales profundas.

Gracias al Deep Learning se han producido grandes avances en:

Los grandes modelos actuales de lenguaje pertenecen a este ecosistema.

4. ¿Qué es la IA generativa?

La IA generativa es aquella capaz de generar nuevos contenidos.

5. ¿Qué es un LLM?

LLM significa Large Language Model.

Es un modelo entrenado para trabajar con lenguaje a gran escala.

Puede realizar tareas como:

• Responder preguntas.
• Resumir información.
• Traducir.
• Clasificar texto.
• Extraer información.
• Generar documentación.
• Analizar requisitos.
• Generar y explicar código.

Hugging Face explica LLM como una categoría de modelos dentro del procesamiento del lenguaje natural, caracterizados por su gran escala de entrenamiento y su capacidad para realizar múltiples tareas lingüísticas.

6. ¿Cómo funciona un LLM?

No vamos a estudiar matemáticas ni redes neuronales en profundidad. Eso llegará si resulta necesario.

Por ahora necesitas comprender el flujo conceptual.

Texto del usuario
       ↓
   TOKENIZACIÓN
       ↓
Representación interna
       ↓
   PROCESAMIENTO
       ↓
Predicción de siguiente token
       ↓
     SALIDA
       ↓
Texto generado

Una forma simplificada de visualizarlo es:

Esto explica una característica fundamental: el modelo no "busca una respuesta verdadera" de la misma forma que lo haría una base de datos.

7. Entrenamiento vs. inferencia

8. Tokens

Los modelos de lenguaje no reciben necesariamente el texto como una secuencia de palabras completas.

El texto se transforma en unidades llamadas tokens.

Dependiendo del idioma y del texto, un token puede representar una palabra completa, parte de una palabra, signos o combinaciones.

¿Por qué debe importarte?

• Los modelos tienen límites de contexto.
• El uso de tokens puede influir en el coste de una API.
• Grandes cantidades de documentación pueden requerir estrategias de contexto.
• Más adelante utilizaremos tokens al diseñar aplicaciones.

9. Contexto

El contexto es la información que el modelo tiene disponible para producir una respuesta.

Puede incluir:

• La pregunta actual.
• Conversaciones anteriores.
• Documentación.
• Instrucciones.
• Ejemplos.
• Resultados de herramientas.
• Información recuperada de una base de datos.

Más adelante esto será fundamental para arquitecturas RAG, agentes y aplicaciones empresariales.

10. Alucinaciones

Una alucinación ocurre cuando un sistema generativo produce información incorrecta o inventada presentándola de una manera que puede parecer convincente.

Ejemplo

¿Qué debe hacer un desarrollador?

• Verificar información crítica.
• Utilizar fuentes fiables.
• Diseñar mecanismos de validación.
• Reducir el contexto ambiguo.
• Utilizar recuperación de información cuando corresponda.
• No presentar automáticamente una respuesta generada como verdad.

11. ¿La IA "piensa"?

Es mejor evitar una respuesta demasiado simplista.

Los modelos actuales pueden realizar tareas que parecen razonamiento: planificación, análisis, resolución de problemas, programación, etc.

Pero como desarrollador no debes asumir que una respuesta correcta implica que el modelo tenga una comprensión humana del problema.

OpenAI Academy diferencia actualmente entre modelos optimizados para respuestas rápidas y modelos orientados a tareas que requieren un razonamiento más deliberado, como planificación, análisis complejo o debugging.

12. Multimodalidad

La IA moderna no se limita al texto.

Una aplicación moderna puede combinar varias modalidades.

13. Modelo, producto y herramienta

14. ¿Qué hace un AI Developer?

Tu objetivo en estas 24 semanas es convertirte en alguien capaz de utilizar IA para construir aplicaciones.

Eso implica mucho más que escribir prompts.

15. La IA como compañero de desarrollo

Durante esta formación no vas a intentar recordar cómo construir cada componente desde cero.

La IA será utilizada como multiplicador de productividad.

Ejemplo de flujo

REQUISITO
   ↓
IA ayuda a analizarlo
   ↓
ARQUITECTURA
   ↓
IA propone alternativas
   ↓
IMPLEMENTACIÓN
   ↓
IA ayuda a generar componentes
   ↓
TEST
   ↓
IA ayuda a generar casos
   ↓
CODE REVIEW
   ↓
HUMANO VERIFICA
   ↓
PRODUCCIÓN

16. ¿Qué no debemos delegar ciegamente a la IA?

17. Uso responsable

La IA puede acelerar el desarrollo, pero también puede acelerar errores.

Riesgos básicos

• Información incorrecta.
• Información desactualizada.
• Fugas de información.
• Código vulnerable.
• Sesgos.
• Dependencia excesiva del proveedor.
• Problemas de propiedad intelectual.
• Automatización de decisiones que deberían tener supervisión.

18. Privacidad y datos

Antes de copiar información en una herramienta de IA, pregúntate:

• ¿Contiene datos personales?
• ¿Contiene información confidencial?
• ¿Contiene secretos comerciales?
• ¿Contiene credenciales?
• ¿Contiene código propietario?
• ¿Tengo permiso para enviarla?

🌐 Referencias y recursos externos

Estos recursos forman parte de la formación. No son enlaces decorativos: el alumno debe utilizarlos para ampliar conceptos.

🧪 Ejercicios prácticos

"Créame una aplicación para gestionar proyectos."

Quiero una aplicación para una consultora tecnológica
con 300 empleados.

Necesitamos gestionar clientes, proyectos,
consultores, horas imputadas y rentabilidad.

Existen tres roles:
- Administrador
- Manager
- Consultor

El sistema debe funcionar en navegador y móvil.

🏢 Caso práctico empresarial

Una consultora quiere construir un asistente para empleados

La empresa dispone de:

• Políticas internas.
• Procedimientos.
• Documentación de proyectos.
• Información de RRHH.
• Manuales técnicos.

Quiere que un empleado pueda preguntar:

Preguntas

1. ¿Dónde podría ayudar la IA?
2. ¿Puede responder siempre correctamente?
3. ¿Qué información necesita?
4. ¿Qué problemas de seguridad aparecen?
5. ¿Deberíamos permitir que responda utilizando cualquier documento?
6. ¿Qué pasaría si un empleado pregunta por información de otro empleado?

🏆 Reto de la semana

Imagina que mañana tienes que empezar a desarrollar una aplicación empresarial utilizando IA. Escribe una página respondiendo:

1. ¿Qué partes del desarrollo delegarías a la IA?
2. ¿Qué partes supervisarías personalmente?
3. ¿Qué información nunca proporcionarías a un modelo?
4. ¿Cómo verificarías el código generado?
5. ¿Cómo verificarías una respuesta factual?
6. ¿Qué ocurriría si el modelo deja de estar disponible?
7. ¿Cómo evitarías depender completamente de un único proveedor?

🧠 Test de evaluación

25 preguntas · puntuación mínima recomendada: 80%.

🏅 Evaluación de la semana

La semana se considera superada cuando se cumplen todos estos puntos:

✅ Checklist

• ☐ Entiendo qué es IA.
• ☐ Entiendo Machine Learning.
• ☐ Entiendo Deep Learning.
• ☐ Entiendo IA generativa.
• ☐ Entiendo qué es un LLM.
• ☐ Entiendo entrenamiento e inferencia.
• ☐ Entiendo tokens.
• ☐ Entiendo contexto.
• ☐ Entiendo qué es una alucinación.
• ☐ Entiendo multimodalidad.
• ☐ Sé diferenciar modelo y aplicación.
• ☐ Sé cuándo verificar una respuesta.
• ☐ Entiendo los riesgos básicos.
• ☐ Sé qué información no debo proporcionar a una IA.
• ☐ He probado al menos dos herramientas de IA.
• ☐ He definido mi mini-proyecto.
• ☐ He realizado el test.

📈 Seguimiento

Progreso de la formación:

Semana 1 de 24 · 4,17%

➡️ Próxima semana

Semana 02 — Modelos, herramientas y arquitectura de IA

En la Semana 02 comenzarás a analizar el ecosistema real de modelos y herramientas.

• LLM.
• VLM.
• Embeddings.
• Modelos de imagen.
• Modelos de audio.
• APIs.
• Cloud vs. local.
• Context window.
• Coste.
• Latencia.
• Selección de modelos.
• Model routing.
• AI Stack.