Para rematar este curso, imos a analizar as consecuencias, positivas e negativas, que a IA ten e terá na sociedade, especificamente aquelas vinculadas a oportunidades e sostibilidade, aspectos legais, e preocupacións éticas.
Antes de nada podemos realizarnos as seguintes preguntas, como unha axuda para iniciar as nosas reflexións e debates na aula:
A intelixencia artificial podería...
... ter nesgos de sexo, raza ou relixión?
... destruír postos de traballo?
... favorecer aos países enriquecidos?
... influír nas nosas preferencias o gustos?
... aumentar a pegada de carbono?
... decidir quen debe ser salvado ou salvada?
... desafiar a nosa privacidade?
Comezaremos coa visualización deste breve vídeo que forma parte do curso "Inteligencia Artificial y Educación" de Programamos.
Podes premer na seguinte ligazón para acceder ao documento en formato pdf que contén esta unidade: Impacto da IA na Sociedade.pdf.
Continuaremos a análise de aplicativos que usan IA, cun caso concreto, a ferramenta Fliki.
Que é Fliki?:
Fliki.ai é unha plataforma en liña que che permite converter texto en vídeos ou locucións utilizando voces xeradas por intelixencia artificial (está dispoñible en máis de 75 idiomas).
Funcionalidades de Fliki.ai:
Conversión de texto a vídeo: Podes escribir o teu guion ou subir un documento, e Fliki.ai transformarao nun vídeo con voz en off.
Voces xeradas por IA: Fliki utiliza a IA para crear voces.
Versión gratuíta: A versión gratuíta de Fliki ofrece 5 créditos ao mes, onde cada crédito cobre 60 segundos de procesamento de audio.
Continuamos coa análise de diversas ferramentas que utilizan IA, agora coñeceremos AIFINDY.
AIFINDY é unha plataforma que facilita a busca e selección de ferramentas de Intelixencia Artificial, ofrecendo unha base de datos con centos de aplicacións organizadas por categoría e prezo, que se actualizan diariamente. Isto permite atopar rapidamente a ferramenta de IA máis axeitada ás túas necesidades.
Ademais de AIFINDY, existen outras plataformas que ofrecen funcionalidades similares na busca e descubrimento de ferramentas de IA:
Toolify.ai: Directorio de máis preto de 10000 ferramentas de IA, clasificadas en 233 categorías.
Directorio IA: Plataforma que recompila e organiza unha ampla variedade de aplicacións de IA por categorías.
Evolupedia: Base de datos ou enciclopedia que alimenta o directorio de ferramentas de IA de Toolify.ai.
Futurepedia: Plataforma que ofrece información e recursos sobre as últimas tendencias e innovacións en intelixencia artificial.
Práctica 1: Utilizar AIFINDY para buscar exemplos de varias aplicacións, da túa elección, que utilizan IA.
A práctica consistirá en seleccionar un conxunto de ferramentas de IA do teu interese, (por exemplo, edición de imaxe, edición de texto, edición de vídeo, etc) utilizando AIFINDY para buscar esas aplicacións que utilizan IA.
Debes entregar un documento ou presentación coa información resumida dos aplicativos seleccionados. Este documento debe incluír:
O nome da ferramenta e a súa descrición.
As funcións principais da ferramenta.
O prezo da ferramenta.
Categorías en que se inclúe a ferramenta.
De seguido, tedes unha ligazón ao traballo realizado por Mariña Varela: IA_MARIÑA_AIFINDY.pdf.
Estrutura da rede neuronal que utilizaremos nesta práctica.
Nesta 2ª práctica de programación con Python, realizaremos o noso primeiro clasificador de imaxes cunha rede neuronal normal (máis adiante utilizaremos unha rede neuronal convolucional, máis adaptada a este tipo de problemas).
Para a realización desta práctica volveremos a acceder aGoogle Colabcunha conta de Google.
Podes seguir esta práctica paso a paso se descargas o seguinte pdf: Clasificador de imaxes.
Neste vídeo se indican os pasos para crear unha rede neuronal que nos permitirá clasificar imaxes, aínda que finalmente veremos que esta opción da resultados limitados e en futuras prácticas utilizaremos redes neuronais convolucionais, máis adaptadas a este tipo de problemas.
Como datos para adestramento e test do noso modelo, utilizaremos un conxunto de imaxes (70.000 de 28x28 píxeles en escala de grises) creado pola tenda de roupa Zalando.
Neste vídeo se indican os pasos para crear unha primeira rede neuronal sinxela (perceptrón) que resolva o problema de coñecer os graos Fahrenheit correspondentes a uns graos celsius, para posteriormente indicar como solucionalo cunha rede neuronal con maior número de capas e neuronas.
Finalmente veremos como este problema se pode solucionar dun xeito máis sinxelo e directo utilizando a ferramenta de regresión lineal da bliblioteca sklearn.
Imos a profundizar no coñecemento e uso da IA, para o cal necesitaremos comezar a programar en Python.
En futuras entradas utilizaremos os cadernos de Google Colab para solucionar diversos problemas de adestramento automático (Machine Learning) programando en linguaxe Python.
Pero antes, imos repasar brevemente cales son os paradigmas de aprendizaxe en adestramento automático, que é Google Colab e cales son as bibliotecas de funcións matemáticas máis utilizadas (Tensor Flow, Keras, etc).
Este contido o iremos traballando en diversos momentos deste curso e consistirá no análise de aplicativos que usan IA.
Realizaremos unha análise de diversas ferramentas web que utilizan IA.
Partiremos dunha primeira lista de aplicativos, dividíndoos segundo a tarefa principal que realizan. Nesta entrada e posteriores se mostrará un resumo dos datos principais obtidos de cada aplicación, xunto coa lista definitiva dos aplicativos analizados.
Nesta práctica imos a utilizar de novo a páxina de Learning ML (LML) para realizar un proxecto de recoñecemento de datos numéricos.
Pero esta vez, accederemos á opción “LearningML Advanced - v1.3” e veremos que aparece unha nova opción: Numeros (Recoñecer números), que será a que utilizaremos nesta práctica.
Como xa coñeces o entorno da práctica anterior, esta vez deberás crear tí so o modelo, adestralo e compobalo sen axuda do profesor.
Para a realización desta práctica, deberás seguir as instrucións recollidas no documento: Instrucións práctica 3 LML.pdf.
Cando envíes a tarefa na aula virtual recorda que os documentos recollan o teu nome.
Continuamos a traballar con modelos preentrenados, pero esta vez utilizaremos as habilidades de recoñecemento de imaxes.
Nesta práctica imos a utilizar outra páxina (aínda que similar á anterior), Learning ML (LML) para realizar un proxecto de recoñecemento de imaxes.
Unha vez na páxina inicial, accederemos á opción “LearningML Basic - v1.2” e veremos un entorno similar ao que xa utilizamos en Machine Learning for Kids, neste caso non teremos que rexistrarnos pero deberemos gardar o modelo no noso ordenador para podelo utilizar en distintas sesións.
Como imos a usar recoñecemento de imaxes, tal vez necesitemos ver o vídeo de Programamos (Sesión 3): ”¿Cómo perciben el mundo los ordenadores?” (desde 0" a 55” e desde 1’ 35” ata 3’ explica a codificación e interpretación de imaxes).
No vídeo anterior se fai referencia a 2 páxinas web, que permiten comprender máis profundamente como funciona a extracción de características nunha imaxe:
A demostración interactiva de DeepLizard (explica como se aplican filtros para detectar bordos en imaxes).
A ferramenta de Adam Harley (permite debuxar un número e comprobar se o sistema de intelixencia artificial o recoñece correctamente).
Tamén podedes ver o seguinte vídeo sobre a aplicación do sistemas de recoñecemento de imaxes para traducir a linguaxe de signos en tempo real:
Para rematar, tamén vos debería interesar coñecer que son as redes neuronais convolucionais (as que permiten traballar con imaxes), para isto podedes ver os seguintes vídeos da canle dot.csv: