Tenemos un método (08-01) y hemos aprendido de los proyectos de otros (08-02). Falta la pregunta que Diego hace en cada reunión de presupuesto: "¿Y esto en qué va a cambiar dentro de dos años?". Esta lección responde con prudencia. La IA cambia deprisa y cualquier lección que dé fechas y cifras caduca antes de publicarse, así que aquí no las daremos: clasificaremos cada tendencia como consolidada (ya está en producción y no va a desaparecer), emergente (funciona en muchos sitios pero su forma final está por decidir) o especulativa (hay debate serio sobre si ocurrirá y cuándo), y para cada una diremos qué implica en la práctica. Recorreremos los modelos fundacionales y multimodales; los agentes que usan herramientas y planifican, con los que el agente de 02-01 vuelve al centro; la IA generativa en la empresa y sus riesgos; la IA explicable, con un ejemplo ejecutable sobre el predictor de devoluciones; la regulación y la gobernanza; la IA en el borde y los modelos pequeños, con una cuantización hecha a mano; el neurosimbólico y el razonamiento; la IA en la ciencia; el debate sobre la AGI y la seguridad; y el impacto en el empleo y en las competencias de un perfil junior. Y lo aterrizaremos en una hoja de ruta a uno-tres años para NovaMarket. Es importante porque el profesional que sale de este curso va a trabajar con la IA de dentro de tres años, no con la de hoy: necesita criterio para separar lo que debe aprender ya de lo que basta con seguir de lejos.
Contenido
- Cómo leer una tendencia: consolidado, emergente, especulativo
- Modelos fundacionales y multimodales
- Agentes de IA que usan herramientas y planifican
- IA generativa en la empresa: copilotos, automatización, código y riesgos
- IA explicable (XAI): SHAP y LIME a nivel de idea, y un ejemplo ejecutable
- Regulación y gobernanza: AI Act, auditorías, model cards, marcas de agua
- IA en el borde y modelos pequeños y eficientes
- Neurosimbólico y razonamiento
- IA y ciencia
- El debate sobre la AGI y la seguridad de la IA
- Impacto en el empleo y competencias del profesional junior
- Hoja de ruta de NovaMarket a uno-tres años
- Tabla resumen: tendencia → estado → implicación práctica
- Errores Comunes y Consejos
- Ejercicios
- Conclusión
- Cómo leer una tendencia: consolidado, emergente, especulativo
En 01-01 vimos que los inviernos de la IA llegan tras periodos de sobreexpectativa. La mejor vacuna es distinguir grados de certeza. Usaremos tres etiquetas:
| Etiqueta | Significado | Qué hacer con ella |
|---|---|---|
| Consolidado | Está en producción en muchas organizaciones, hay herramientas maduras y no depende de un avance pendiente | Aprenderlo y usarlo ya |
| Emergente | Funciona y se extiende, pero la forma final (herramientas, estándares, buenas prácticas, coste) todavía cambia | Probarlo en pilotos acotados; no construir el negocio encima sin plan B |
| Especulativo | Hay debate serio entre expertos sobre si ocurrirá, cómo y cuándo | Seguirlo con criterio; no tomar decisiones irreversibles basadas en ello |
Una misma tendencia puede tener partes en distintas etiquetas: los grandes modelos de lenguaje son consolidados como herramienta de texto y emergentes como agentes autónomos.
- Modelos fundacionales y multimodales
Un modelo fundacional es un modelo grande, preentrenado con datos masivos y de propósito general (05-05), que después se adapta a tareas concretas con instrucciones, RAG o ajuste fino. La tendencia consolidada es que cada vez menos proyectos entrenan desde cero: se parte de un modelo fundacional (de lenguaje, de visión, de audio) y se especializa. La tendencia emergente es la multimodalidad: un mismo modelo procesa y genera texto, imágenes, audio, vídeo y datos estructurados, de modo que la frontera entre "el modelo de texto del asistente" y "la CNN de fotos" se difumina.
Implicaciones prácticas:
- El valor se desplaza del entrenamiento a los datos propios, la integración y la evaluación: quien tiene buenos datos de su negocio y sabe medir tiene ventaja, no quien tiene la GPU más grande.
- Aparece una dependencia de proveedor (modelos servidos por API): coste variable, cambios de versión que alteran resultados, datos que salen de la empresa. Hay que evaluar alternativas abiertas y modelos ejecutados en local (07-03).
- La evaluación se complica: no hay un AUC para "responde bien"; se necesitan conjuntos de prueba propios y revisión humana (08-01, fase 5).
Para NovaMarket: el asistente (caso 7) ya se apoya en un modelo fundacional con RAG; la multimodalidad permitirá que el cliente envíe la foto del producto defectuoso en el mismo chat y el sistema una la clasificación de fotos (caso 9) con el diagnóstico y las reglas de devolución.
- Agentes de IA que usan herramientas y planifican
En 02-01 definimos el agente como algo que percibe, decide y actúa para maximizar una medida de rendimiento, y en 05-05 vimos que un LLM puede usarse como agente: recibe un objetivo, decide qué herramienta llamar (buscar en una base de datos, ejecutar código, consultar una API, escribir un correo), observa el resultado y repite hasta terminar. La tendencia emergente es que estos agentes planifican tareas de varios pasos, mantienen memoria y colaboran entre sí. El agente de 02-01, que parecía un concepto de manual, vuelve al centro: el LLM es la función de decisión y las herramientas son los actuadores.
Estado: consolidado en tareas acotadas con pocas herramientas y supervisión humana (un asistente que consulta el estado del pedido y crea un ticket); emergente en tareas largas y abiertas; especulativo en la autonomía amplia sin supervisión.
Lo que no cambia, y conviene tener presente:
- El PEAS de 02-01 sigue siendo la herramienta de diseño: qué medida de rendimiento, qué entorno, qué actuadores (¡cada herramienta es un actuador con consecuencias!) y qué sensores.
- Cada acción con efecto en el mundo (un reembolso, un correo, un cambio en el stock) necesita permisos, límites y registro: es human-in-the-loop (02-04) aplicado a agentes.
- Los errores se encadenan: un agente que se equivoca en el paso 2 arrastra el error hasta el 8. La evaluación por tareas completas, no por respuestas sueltas, es obligatoria.
Para NovaMarket: la evolución natural del asistente es un agente que, ante "mi NovaSound llegó roto", consulte el pedido, clasifique la foto, aplique las reglas de devolución (06-02) y prepare (no ejecute) la solicitud de devolución para que una persona la confirme. Cada herramienta que se le dé es una decisión de negocio y de riesgo.
- IA generativa en la empresa: copilotos, automatización, código y riesgos
Tres usos consolidados y uno emergente:
- Copilotos para tareas de conocimiento: redactar, resumir, traducir, buscar en documentación interna (RAG). Consolidado; el retorno depende de que la gente aprenda a usarlos y a verificar.
- Generación de código: asistentes que completan, explican y refactorizan código y escriben tests. Consolidado en el día a día del desarrollo; cambia la forma de trabajar del programador (más revisión, más diseño, menos tecleo), no lo elimina.
- Automatización de procesos con lenguaje natural: clasificar y enrutar correos y tickets (el enrutamiento de 06-04 con un LLM como clasificador), extraer datos de documentos, generar descripciones de producto. Consolidado en tareas de bajo riesgo con supervisión.
- Generación de contenido comercial y de imágenes/vídeo a escala: emergente, con cuestiones abiertas de derechos, marca y calidad.
Riesgos que la empresa debe gestionar: alucinaciones (08-02, caso 5); fuga de datos hacia servicios externos (política clara de qué se puede pegar en un chat externo); derechos de autor y licencias del contenido generado y de los datos de entrenamiento; dependencia y coste variable; homogeneización y pérdida de calidad si nadie revisa; y el efecto en las personas (02-04): formación, redefinición de puestos, transparencia sobre cuándo un cliente habla con una máquina.
Para NovaMarket: descripciones de los 12.000 productos generadas y revisadas por el equipo de contenido; resúmenes de reseñas (caso 4) para el equipo de producto; un copiloto interno con RAG sobre los procedimientos de almacén; y una norma sencilla: ningún dato de cliente en herramientas externas sin acuerdo de tratamiento.
- IA explicable (XAI): SHAP y LIME a nivel de idea, y un ejemplo ejecutable
A medida que los modelos se complican y la regulación exige explicaciones (02-04, RGPD y AI Act; 06-04, la explicación como parte del sistema), la IA explicable (XAI) pasa de campo académico a requisito de proyecto. Estado: consolidado para modelos tabulares; emergente para redes profundas y LLM.
Dos familias de explicaciones:
- Globales: qué características importan en general. Los coeficientes de la logística (04-04), la importancia en árboles y bosques, y la importancia por permutación: desordenar una columna al azar y medir cuánto empeora la métrica; si no empeora, la columna no importaba (para ese modelo).
- Locales: por qué este pedido ha recibido esta probabilidad. En la logística basta con multiplicar cada característica (ya transformada) por su coeficiente y ver qué aporta al logit. Para modelos opacos existen métodos generales: LIME ajusta un modelo simple (lineal) alrededor del caso concreto, perturbándolo, y explica ese modelo local; SHAP reparte la predicción entre las características según la teoría de juegos (valores de Shapley: la aportación media de cada característica en todas las combinaciones posibles), con garantías de consistencia y librerías maduras. La idea común: cualquier modelo se puede explicar localmente aproximándolo por algo simple cerca del caso.
Ejemplo ejecutable sobre el predictor de devoluciones de novamarket_ia/, sin librerías adicionales:
# Ejecutar desde la raíz de novamarket_ia/ (con el paquete instalado o PYTHONPATH=src)
import numpy as np, pandas as pd
from sklearn.inspection import permutation_importance
from novamarket.entrenar import entrenar
pipe, auc, ctx = entrenar(n=3000, semilla=42) # el predictor de siempre (AUC 0,844)
Xte, yte = ctx["Xte"], ctx["yte"]
# 1) Explicación GLOBAL: importancia por permutación (¿cuánto AUC pierdo si desordeno esta columna?)
r = permutation_importance(pipe, Xte, yte, scoring="roc_auc", n_repeats=10, random_state=42)
importancia = pd.Series(r.importances_mean, index=Xte.columns).sort_values(ascending=False)
print("Caída de AUC al permutar cada característica:")
print(importancia.head(6).round(3).to_string())
# 2) Explicación LOCAL para un pedido de la cola "revisar": aportación de cada columna al logit
prep, modelo = pipe.named_steps["prep"], pipe.named_steps["modelo"]
i = int(np.argmax((ctx["prob_test"] >= 0.2) & (ctx["prob_test"] < 0.5))) # primer pedido en la banda
x = prep.transform(Xte.iloc[[i]])
x = x.toarray() if hasattr(x, "toarray") else x
aporte = pd.Series(x[0] * modelo.coef_[0], index=prep.get_feature_names_out())
print(f"\nPedido {Xte.index[i]}: prob = {ctx['prob_test'][i]:.3f} "
f"(importe {Xte.iloc[i]['importe']} €, {Xte.iloc[i]['dias_entrega']:.0f} días de entrega, "
f"{Xte.iloc[i]['categoria']}, cliente_nuevo={Xte.iloc[i]['cliente_nuevo']})")
print("Aportaciones que más empujan (positivo = más riesgo):")
print(aporte.sort_values(key=abs, ascending=False).head(5).round(2).to_string())Salida real:
Caída de AUC al permutar cada característica: importe 0.132 cliente_nuevo 0.119 dias_entrega 0.040 categoria 0.013 num_articulos 0.009 pedidos_previos 0.003 Pedido 2314: prob = 0.402 (importe 289.71 €, 6 días de entrega, hogar, cliente_nuevo=0) Aportaciones que más empujan (positivo = más riesgo): num__importe 1.91 num__dias_entrega 0.65 nom__categoria_hogar -0.21 num__num_articulos 0.20 bin__fin_de_semana -0.19
Explicación:
- La importancia por permutación trabaja sobre el
Pipelinecompleto y las columnas originales: desordenarimportehace caer el AUC 0,13 puntos (de 0,844 a unos 0,71);cliente_nuevo, 0,12;dias_entrega, 0,04. Las demás apenas importan, ycodigo_postal_zonano aparece entre las seis primeras: coherente con que en los datos ficticios no influye, y es exactamente lo que un auditor querría ver (02-04). - La explicación local dice por qué el pedido 2314 está en la banda de revisión con probabilidad 0,40: un importe de 290 € (aportación +1,91 al logit) y seis días de entrega (+0,65) empujan hacia arriba; ser de hogar (−0,21) y comprarse en fin de semana (−0,19) empujan un poco hacia abajo; y no es cliente nuevo. Es la frase que la revisora de Diego debería ver junto al pedido: "riesgo medio por importe alto y entrega lenta". Con SHAP se obtendría lo mismo para un bosque o una red, con la misma lectura.
Para NovaMarket: la explicación local pasa a la cola "revisar" de predecir_lote.py (una columna motivo con las dos aportaciones mayores) y a la model card; y cuando el recomendador o el clasificador de fotos usen modelos opacos, SHAP y sus equivalentes para imágenes serán parte del entregable, no un extra.
- Regulación y gobernanza: AI Act, auditorías, model cards, marcas de agua
En 02-04 presentamos el Reglamento europeo de IA (AI Act) con sus niveles de riesgo. La tendencia consolidada es que se aplica de forma progresiva (las prohibiciones antes, las obligaciones de alto riesgo y las de los modelos de propósito general después, con plazos que conviene consultar en la fuente oficial en cada momento) y que arrastra un ecosistema de normas técnicas, guías y auditorías. Lo que va a pedir a una empresa como NovaMarket, sin fechas:
- Inventario de sistemas de IA en uso y clasificación por riesgo (la tabla de los nueve casos de 02-04 es ese inventario).
- Documentación: model cards y fichas de datos (08-01), evaluación de impacto para lo que afecte a personas, registro de decisiones.
- Transparencia: informar cuando se interactúa con una IA (el asistente) y marcar el contenido generado; las marcas de agua (señales invisibles en texto, imagen, audio o vídeo generados) y los estándares de procedencia del contenido son emergentes técnicamente pero consolidados como exigencia.
- Supervisión humana efectiva y auditorías internas o externas de los sistemas de más riesgo; alfabetización en IA del personal.
- Fuera de Europa, marcos distintos (más sectoriales o voluntarios), lo que complica a quien opera en varios países.
Estado: consolidado que habrá que cumplir; emergente cómo exactamente (normas armonizadas, certificaciones). Implicación práctica: hacer desde ahora lo que ya hemos hecho en 08-01 (documentar, medir por grupos, revisar) es la forma barata de llegar preparado.
- IA en el borde y modelos pequeños y eficientes
Frente a la carrera por modelos más grandes, una tendencia igual de real va en dirección contraria: modelos pequeños, eficientes y ejecutados cerca del dato (edge: el móvil, la cámara del almacén, el terminal del repartidor), por tres razones: latencia, privacidad (el dato no sale del dispositivo, 02-02 nube vs dispositivo) y coste energético (02-04, sostenibilidad). Técnicas consolidadas: destilación (un modelo pequeño aprende a imitar a uno grande), poda (eliminar pesos que no aportan) y cuantización (guardar los pesos con menos bits, por ejemplo enteros de 8 bits en lugar de reales de 32 o 64), además de hardware especializado. Emergente: modelos de lenguaje pequeños que corren en un portátil o un teléfono con calidad suficiente para muchas tareas.
La cuantización se entiende en diez líneas sobre nuestro propio modelo:
import numpy as np
from novamarket.entrenar import entrenar
pipe, auc, ctx = entrenar()
modelo, prep = pipe.named_steps["modelo"], pipe.named_steps["prep"]
w = modelo.coef_[0] # 21 pesos en float64 (8 bytes cada uno)
# Cuantización simétrica a 8 bits: se guarda un entero de -127..127 y UN factor de escala
escala = np.abs(w).max() / 127
w_int8 = np.round(w / escala).astype(np.int8) # 21 enteros de 1 byte
w_recuperado = w_int8 * escala # lo que "ve" el modelo cuantizado
X = prep.transform(ctx["Xte"]); X = X.toarray() if hasattr(X, "toarray") else X
z_orig = X @ w + modelo.intercept_[0]
z_cuant = X @ w_recuperado + modelo.intercept_[0]
p_orig, p_cuant = 1 / (1 + np.exp(-z_orig)), 1 / (1 + np.exp(-z_cuant))
print(f"Tamaño de los pesos: {w.nbytes} bytes -> {w_int8.nbytes} bytes (+ 1 escala)")
print(f"Diferencia máxima de probabilidad: {np.abs(p_orig - p_cuant).max():.4f}")
print(f"Pedidos que cambian de cola (bordes 0,2 y 0,5): "
f"{(np.digitize(p_orig, [0.2, 0.5]) != np.digitize(p_cuant, [0.2, 0.5])).sum()} de {len(p_orig)}")Salida real:
Tamaño de los pesos: 168 bytes -> 21 bytes (+ 1 escala) Diferencia máxima de probabilidad: 0.0082 Pedidos que cambian de cola (bordes 0,2 y 0,5): 3 de 750
Los pesos ocupan ocho veces menos y la probabilidad cambia como mucho 0,008; solo 3 de 750 pedidos cruzan una frontera de cola (los que estaban justo en el borde). En una logística de 21 pesos el ahorro es anecdótico; en una red de miles de millones de parámetros es la diferencia entre necesitar un servidor con GPU o caber en un teléfono, con el mismo tipo de pérdida pequeña y medible. La lección es el método: cuantizar y medir cuántas decisiones cambian, nunca suponer que "es igual".
Para NovaMarket: la CNN de fotos de incidencias (caso 9) cuantizada y ejecutada en el terminal del repartidor, sin conexión, para clasificar la foto en el momento de la recogida; y un criterio de compra: antes de pagar un modelo grande por API, probar si uno pequeño en local resuelve la tarea con la calidad necesaria y a una fracción del coste energético.
- Neurosimbólico y razonamiento
En 06-04 vimos que reglas y modelos se complementan: la probabilidad del modelo como hecho para el motor de reglas, la banda de revisión, la validación por reglas de las respuestas del asistente. La tendencia (emergente en la investigación, consolidada en la práctica de ingeniería) es que esa combinación se formaliza: modelos de lenguaje que llaman a herramientas simbólicas (calculadoras, bases de datos, motores lógicos, planificadores del módulo 3) en lugar de "razonar" solos; grafos de conocimiento que anclan las respuestas; y modelos entrenados para producir cadenas de razonamiento verificables paso a paso. Especulativo: si estas técnicas llevarán a un razonamiento general fiable o si seguirán siendo parches útiles.
Implicación práctica: cuando una tarea exige exactitud (aritmética, plazos, políticas, inventario), no se le pide al modelo que la resuelva de memoria: se le pide que llame a la herramienta correcta. Es lo que hicimos en 06-04 y lo que el asistente-agente de la sección 3 hace con las reglas de devolución.
- IA y ciencia
AlphaFold (08-02, caso 3) es el ejemplo más citado de una tendencia consolidada: la IA como instrumento científico, para predecir estructuras de proteínas, proponer nuevos materiales y candidatos a fármacos, acelerar simulaciones físicas y meteorológicas, analizar imágenes astronómicas o médicas a escala. Emergente: "laboratorios autónomos" en los que un sistema propone hipótesis, diseña experimentos y un robot los ejecuta. Especulativo: la IA como descubridora autónoma de teorías.
Para un profesional junior, la lección es doble: la ciencia de datos aplicada a la empresa y la IA científica comparten método (08-01) y herramientas (módulo 7); y las técnicas nacidas en la ciencia (atención sobre datos estructurados, modelos de simulación) llegan después a la industria: la previsión de demanda de NovaMarket (caso 2) se beneficiará de modelos de series temporales preentrenados y de simulaciones más baratas.
- El debate sobre la AGI y la seguridad de la IA
En 02-02 distinguimos IA estrecha, IA general (AGI) y superinteligencia, y dijimos que todo lo desplegado hoy es estrecho por muy amplio que parezca. El debate público sobre si la AGI está cerca, lejos o mal definida es especulativo en el sentido preciso de la sección 1: hay expertos serios en todas las posturas. Sin sensacionalismo, las posiciones se pueden resumir así:
| Postura | Idea central | Qué propone |
|---|---|---|
| Continuista optimista | Escalar los modelos actuales, con más datos, cómputo y herramientas, llevará a capacidades generales | Invertir, desplegar, ajustar la regulación sobre la marcha |
| Escéptica técnica | Los modelos actuales carecen de comprensión, razonamiento robusto y modelo del mundo; harán falta ideas nuevas | Investigar otras vías (neurosimbólico, aprendizaje con menos datos), no extrapolar |
| Preocupada por la seguridad | Sea cuando sea, sistemas muy capaces y mal alineados con lo que queremos podrían causar daños graves y difíciles de revertir | Investigación en alineamiento, evaluaciones antes de desplegar, gobernanza internacional |
| Centrada en los daños presentes | El riesgo real ya está aquí: sesgo, vigilancia, desinformación, concentración de poder, impacto laboral y ambiental | Regulación y auditoría de lo que existe hoy (02-04), antes que escenarios lejanos |
Lo que un profesional debe retener: (1) las cuatro posturas no son excluyentes y muchas personas sostienen varias a la vez; (2) la seguridad de la IA en sentido amplio (que los sistemas hagan lo que se pretende, sean robustos ante manipulación y no causen daños) es una disciplina de ingeniería consolidada que empieza en cosas modestas como las que hemos hecho: pruebas adversarias al asistente, límites a las acciones de un agente, revisión humana, registro; (3) el debate sobre la AGI no debería decidir el presupuesto de NovaMarket para el año que viene, y las decisiones irreversibles ("despedir al equipo de atención al cliente porque el agente lo hará todo") no se toman sobre especulación.
- Impacto en el empleo y competencias del profesional junior
Consolidado: la IA generativa cambia tareas dentro de los puestos (redactar, programar, atender, analizar) más deprisa de lo que elimina o crea puestos completos, y el efecto neto varía mucho por sector y por cómo lo gestione cada organización (02-04, impacto laboral). Emergente: qué perfiles nuevos se estabilizan (ingeniería de datos y de ML, evaluación y gobernanza de IA, diseño de agentes, "operaciones de modelos"). Especulativo: el efecto agregado a largo plazo sobre el empleo.
Qué debe aprender un perfil junior que quiera trabajar con IA, a la luz de todo el curso:
| Competencia | Por qué | Dónde se ha visto |
|---|---|---|
| Programación sólida (Python, SQL) y buenas prácticas (tests, Git, entornos) | Todo lo demás se apoya en esto; los copilotos exigen saber leer y revisar código | Módulo 7 |
| Fundamentos de ML y evaluación con criterio de negocio | Sin métrica en euros y línea base no hay proyecto | Módulos 4 y 8 |
| Datos: calidad, fugas, sesgo, gobernanza | La mayor parte del trabajo y de los fracasos está aquí | 02-03, 04-03, 08-01 |
| Uso crítico de modelos fundacionales: prompting, RAG, evaluación, límites | La herramienta más nueva y la más mal usada | 05-05, 08-02 |
| Ética, regulación y explicabilidad como parte del diseño | Exigencia legal y de negocio | 02-04, 06-04, esta lección |
| Método de proyecto y comunicación con negocio | Traducir entre Diego y el modelo | 08-01 |
| Aprender de forma continua | Las herramientas cambian; el método, mucho menos | Módulo 10 |
La competencia diferencial no es "saber la última librería", sino saber definir un problema, medirlo, dudar de los datos y explicar el resultado. Es lo que las máquinas hacen peor y lo que este curso ha intentado enseñar.
- Hoja de ruta de NovaMarket a uno-tres años
Marta y Diego traducen las tendencias en una hoja de ruta sin fechas exactas, por horizontes:
| Horizonte | Caso de uso | Tendencia que le afecta | Estado | Qué preparar |
|---|---|---|---|---|
| Corto (≈ 1 año) | 3. Predictor de devoluciones | XAI, gobernanza | Consolidado | Columna motivo en la cola "revisar" (sección 5), model card revisada cada trimestre, paridad entre zonas mensual |
| Corto | 7. Asistente | Modelos fundacionales + RAG, regulación (transparencia) | Consolidado | Aviso de "hablas con un asistente", muestreo semanal de conversaciones, política de datos externos |
| Corto | 4. Reseñas | IA generativa en la empresa | Consolidado | Resúmenes de reseñas por producto para el equipo, con revisión |
| Medio (1-2 años) | 7 + 8 + 9. Asistente-agente | Agentes con herramientas, neurosimbólico, multimodal | Emergente | Herramientas acotadas (consultar pedido, clasificar foto, aplicar reglas, preparar devolución), permisos y registro, evaluación por tareas completas |
| Medio | 9. Diagnóstico de incidencias | IA en el borde, multimodal | Emergente | CNN cuantizada en el terminal del repartidor; validación en Getafe; medir decisiones que cambian |
| Medio | 2. Previsión de demanda | Modelos de series preentrenados, IA y ciencia | Emergente | Comparar contra la línea base actual con MAE en unidades y euros; no cambiar sin ganar claramente |
| Medio | 1. Recomendador | Modelos fundacionales (embeddings de producto), regulación (perfilado) | Consolidado/emergente | Línea base colaborativa (08-02), A/B sobre ingresos, información al cliente y opción de oposición |
| Largo (2-3 años) | 5 y 6. Rutas y asignación | Optimización + modelos aprendidos, refuerzo en simulación | Emergente/especulativo | Simulador del almacén y de las rutas antes de cualquier política aprendida; nunca aprender con clientes reales |
| Transversal | Todos | AI Act y auditorías, sostenibilidad, competencias | Consolidado | Inventario de sistemas por riesgo, evaluación de impacto de los que afectan a personas, formación del equipo, criterio "modelo pequeño primero" |
- Tabla resumen: tendencia → estado → implicación práctica
| Tendencia | Estado | Implicación práctica |
|---|---|---|
| Modelos fundacionales | Consolidado | Partir de un modelo preentrenado; el valor está en datos propios, integración y evaluación; vigilar la dependencia de proveedor |
| Multimodalidad | Emergente | Diseñar flujos donde texto e imagen se traten juntos; no rehacer todo todavía |
| Agentes con herramientas | Consolidado (acotado) / emergente (abierto) / especulativo (autonomía amplia) | PEAS, permisos, límites, registro; evaluar tareas completas; supervisión humana |
| IA generativa en la empresa | Consolidado | Copilotos y automatización de bajo riesgo con revisión; política de datos; formación |
| IA explicable | Consolidado (tabular) / emergente (profundo, LLM) | Explicación global y local como entregable; SHAP/LIME cuando el modelo es opaco |
| Regulación y gobernanza | Consolidado (que habrá) / emergente (cómo) | Inventario, model cards, evaluación de impacto, transparencia, marcas de agua |
| Borde y modelos pequeños | Consolidado (técnicas) / emergente (LLM pequeños) | "Modelo pequeño primero"; cuantizar y medir; privacidad y energía |
| Neurosimbólico y razonamiento | Emergente / especulativo | El modelo llama a la herramienta exacta; validación por reglas |
| IA y ciencia | Consolidado / emergente | Métodos que llegarán a la industria; datos bien guardados hoy |
| AGI y seguridad | Especulativo (AGI) / consolidado (seguridad práctica) | No decidir sobre especulación; pruebas, límites y revisión hoy |
| Empleo y competencias | Consolidado (cambio de tareas) / especulativo (efecto agregado) | Formación continua; método, datos, evaluación y comunicación como competencias diferenciales |
Errores Comunes y Consejos
- Confundir emergente con consolidado. Un piloto que funciona en una demostración no es una base para reorganizar un departamento. Etiqueta cada tendencia antes de decidir.
- Perseguir la novedad en lugar del problema. La hoja de ruta parte de los nueve casos de uso y pregunta qué tendencia les afecta, no al revés.
- Dar por hecho que el modelo grande es mejor. Prueba primero el pequeño o el local, cuantiza y mide cuántas decisiones cambian, como en la sección 7.
- Tratar la explicabilidad como adorno. Es requisito legal para lo que afecta a personas y una herramienta de depuración: la importancia por permutación descubre fugas y columnas inútiles.
- Dar herramientas a un agente sin límites. Cada herramienta es un actuador; permisos, cuotas y registro desde el primer día.
- Decidir sobre el debate de la AGI. Ni el pánico ni la fe justifican decisiones irreversibles; la seguridad práctica (pruebas, revisión, límites) sí es para hoy.
- Consejo: dedica un tiempo fijo (por ejemplo, una hora a la semana) a leer fuentes primarias (artículos, documentación oficial, textos legales) en lugar de titulares; el módulo 10 te dará dónde.
Ejercicios
Ejercicio 1: explicar la cola de revisión
Amplía puntuar_lote de 08-01 (sin cambiar el modelo) para que la salida incluya una columna motivo con las dos características que más empujan al alza la probabilidad de cada pedido, siguiendo la explicación local de la sección 5. Indica qué texto vería la revisora para el pedido 2314 y qué limitación tiene esta explicación si en el futuro el modelo fuera un bosque.
Ejercicio 2: clasificar propuestas
Diego recibe cuatro propuestas: (a) un agente que responda y ejecute reembolsos automáticamente; (b) resúmenes de reseñas generados por un LLM para el equipo de producto; (c) sustituir la previsión de demanda actual por un modelo fundacional de series temporales; (d) reconocimiento facial en la tienda física para "reconocer clientes habituales". Clasifica cada una por estado (consolidado/emergente/especulativo), por riesgo (02-04) y por decisión (hacer ya, pilotar, esperar, no hacer), con una frase de justificación.
Ejercicio 3: cuantizar y medir
Repite la cuantización de la sección 7 con 4 bits (enteros de −7 a 7) en lugar de 8 y anota la diferencia máxima de probabilidad y cuántos pedidos cambian de cola. ¿A partir de qué número de cambios diría Diego que no es aceptable, y con qué criterio lo decidirías tú?
Soluciones
Solución 1. En puntuar_lote, tras calcular prob, se obtiene la matriz transformada Xt = modelo.named_steps["prep"].transform(pedidos[columnas]) (convertida a densa si es dispersa), se multiplica cada fila por modelo.named_steps["modelo"].coef_[0] y se toman, por fila, los dos nombres de columna (get_feature_names_out()) con mayor aportación positiva; se limpian los prefijos (num__, nom__) y se unen con " + " en la columna motivo. Para el pedido 2314 la revisora vería algo como importe (+1,9) + dias_entrega (+0,7), es decir, "importe alto y entrega lenta". Limitación: la aportación x · coeficiente solo tiene sentido en un modelo lineal; con un bosque habría que sustituirla por SHAP (o por LIME) manteniendo el mismo formato de salida, algo que conviene prever ya en el diseño (una función explicar(modelo, X) con la misma firma para ambos casos).
Solución 2. (a) Agente que ejecuta reembolsos: emergente como agente, riesgo medio-alto por el impacto económico y en clientes; decisión: pilotar solo la versión que prepara y no ejecuta (human-in-the-loop) con permisos y registro; ejecutar automáticamente, no por ahora. (b) Resúmenes de reseñas: consolidado, riesgo mínimo (uso interno, sin decidir sobre personas); hacer ya con revisión ligera y sin datos personales en el servicio externo. (c) Modelo fundacional de series: emergente, riesgo bajo; pilotar en sombra contra la línea base actual con MAE en unidades y en euros, y solo sustituir si gana claramente (08-01). (d) Reconocimiento facial de clientes: técnicamente consolidado, pero riesgo alto (biometría, restricciones severas del AI Act y del RGPD, 02-04 y 08-02); decisión: no hacer; la respuesta empieza por legal y la evaluación de impacto, y casi con seguridad termina en un programa de fidelización voluntario.
Solución 3. Con 4 bits la escala es abs(w).max() / 7 y w_int4 = round(w / escala) en el rango −7..7 (se puede guardar como int8 aunque solo se usen 4 bits). La pérdida es mucho mayor: en el entorno del curso la diferencia máxima de probabilidad sube de 0,008 a 0,155 y cambian de cola 43 pedidos de 750 (frente a 3 con 8 bits): con solo quince niveles, los pesos pequeños se redondean a cero o a un valor muy distinto del real. El criterio no es un número mágico sino coste: cada pedido que cambia de cola tiene un coste esperado (un "marcar" que pasa a "revisar" cuesta una revisión de 3 €; un "revisar" que pasa a "aprobar" arriesga una devolución de 30 € con la probabilidad del pedido). Diego aceptaría la cuantización si el ahorro (aquí nulo; en un modelo grande, servidores y energía) supera ese coste esperado en el volumen diario, y tú lo decidirías midiendo el coste de negocio en el test con el modelo cuantizado (04-05) y comparándolo con el original, exactamente como se comparan dos modelos.
Conclusión
Hemos mirado hacia delante con las tres etiquetas de la sección 1 en la mano. Consolidado: modelos fundacionales como punto de partida, IA generativa como copiloto y automatización de bajo riesgo, explicabilidad para modelos tabulares (la importancia por permutación y la explicación local que hemos ejecutado sobre el predictor: importe y cliente nuevo mandan, y el pedido 2314 está en la banda por importe alto y entrega lenta), regulación que habrá que cumplir, técnicas de eficiencia como la cuantización (ocho veces menos memoria y 3 pedidos de 750 que cambian de cola), la IA como instrumento científico y el cambio de tareas en los puestos. Emergente: multimodalidad, agentes que planifican y usan herramientas (el agente de 02-01 en el centro otra vez), neurosimbólico formalizado, modelos pequeños de lenguaje, la forma concreta de las auditorías. Especulativo: la AGI, la autonomía amplia de los agentes y el efecto agregado en el empleo, con posturas serias en todas las direcciones y una regla: no tomar decisiones irreversibles sobre especulación. Para NovaMarket, una hoja de ruta que empieza por lo consolidado en sus casos de uso más maduros y reserva lo emergente para pilotos acotados; para el profesional junior, un mapa de competencias donde el método, los datos, la evaluación y la comunicación pesan más que la última librería.
Con esto cerramos el módulo 8: un método para llevar proyectos de la idea a producción (08-01), la experiencia de los que lo hicieron bien y mal (08-02) y una brújula para lo que viene (08-03). Los módulos 3 a 8 han dado la teoría, el código y el criterio; lo que falta es consolidarlo con las manos, resolviendo problemas de principio a fin sin que la lección lleve de la mano. Es el módulo 9, Ejercicios y Prácticas: algoritmos de búsqueda y optimización en 09-01, prácticas de aprendizaje automático en 09-02, proyectos de redes neuronales en 09-03 y, en 09-04, el proyecto integrador en el que aplicarás el método de 08-01 a un caso propio, de la idea al prototipo.
Fundamentos de Inteligencia Artificial (IA)
Módulo 1: Introducción a la Inteligencia Artificial
Módulo 2: Principios Básicos de la IA
- Conceptos Fundamentales: Agentes, Entornos y Racionalidad
- Tipos de Inteligencia Artificial
- Los Datos como Materia Prima de la IA
- Ética y Consideraciones en IA
Módulo 3: Algoritmos en IA
- Introducción a los Algoritmos
- Algoritmos de Búsqueda
- Búsqueda con Adversario: Juegos y Minimax
- Algoritmos de Optimización
Módulo 4: Aprendizaje Automático (Machine Learning)
- Conceptos Básicos de Machine Learning
- Tipos de Aprendizaje Automático
- Preparación de Datos y Características
- Algoritmos de Machine Learning
- Evaluación y Validación de Modelos
- Sobreajuste, Regularización y Ajuste de Hiperparámetros
Módulo 5: Redes Neuronales y Deep Learning
- Introducción a las Redes Neuronales
- Arquitectura de Redes Neuronales
- Cómo Aprende una Red: Descenso del Gradiente y Retropropagación
- Deep Learning y sus Aplicaciones
- Transformers, Grandes Modelos de Lenguaje e IA Generativa
Módulo 6: Lógica y Sistemas Expertos
- Lógica en IA
- Sistemas Expertos
- Razonamiento con Incertidumbre: Probabilidad y Redes Bayesianas
- Aplicaciones de Sistemas Expertos
Módulo 7: Herramientas y Lenguajes de Programación en IA
- Lenguajes de Programación para IA
- Python Científico: NumPy, pandas y Matplotlib
- Herramientas y Librerías Populares
- Entornos de Desarrollo
Módulo 8: Proyectos y Casos de Estudio
Módulo 9: Ejercicios y Prácticas
- Ejercicios de Algoritmos
- Prácticas de Machine Learning
- Proyectos de Redes Neuronales
- Proyecto Integrador: de la Idea al Prototipo