Buenas tardes,

El lanzamiento del UPMSat-3 es un gran paso para la investigación aeroespacial en España. Además, el hecho de que incluya innovaciones como paneles solares desplegables y un sistema avanzado de control de actitud muestra el alto nivel tecnológico del proyecto.

¡Muchas gracias por compartir esta información con nosotros!

Hola a todos, soy Victoria Martín, he estado realizando un proyecto centrado en la detección con IA del desarrollo anormal de los bebés mediante sus llantos.
Para que la IA pueda detectar los patrones necesarios para un diagnóstico más preciso, esta se debe entrenar. Debido a que esta nueva tecnología es útil para muchos ámbitos, existen varios tipos de entrenamientos.

En primer lugar, encontramos el aprendizaje supervisado que consiste en que la IA aprenda a partir de datos etiquetados y que, de esta manera, consiga detectar ciertos patrones, pero debe requiere muchos datos lo que podría ser considerado un inconveniente.
A continuación, encontramos el aprendizaje no supervisado donde busca patrones en datos no etiquetados, pero no garantiza respuestas precisas pues encuentra patrones sin saber el resultado final.
Finalmente, se encuentra el aprendizaje por refuerzo, que enseña con el método de ensayo y error, corrigiendo fallos, aunque es lento y costoso.

Específicamente, en mi trabajo, se entrenan a las redes neuronales de la IA mediante el aprendizaje supervisado ya que se dispondría de llantos de niños que acabaían teniendo un mal desarrollo. (Conseguir que la IA detecta anormalidades en los llantos que sean indicadores de un mal desarrollo)

A pesar de que la IA cada vez más consigue perfeccionar sus resultados, uno de los mayores desafíos y desventajas de esta es el denominado efecto de caja negra. Este consiste en la falta de transparencia en los algoritmos de la IA por lo que no sirve como método único de diagnóstico sino que debe estar seguido un especialista
https://immersia.eu/la-caja-negra-en-la-inteligencia-artificial/#:~:text=El%20Efecto%20de%20la%20Caja%20Negra&text=Este%20t%C3%A9rmino%20se%20refiere%20a,a%20ciertas%20conclusiones%20o%20predicciones

¿Vosotros utilizáis algún método en vuestros proyectos?

Victoria

Hola Jimena, muchas gracias por compartir este artículo tan interesante.

Me parece que, como dice el artículo, antes de empezar a utilizar una nueva herramienta especialmente en un ámbito tan delicado como puede ser la salud mental, se debe tener en cuenta todos los factores. Entre todas las razones, me ha parecido la más interesante la dependencia que se puede generar con el apoyo que se recibe de la IA (los chatbots) y la carencia de empatía y comprensión humana ya que este puede ser un problema enmascarado como una solución.

Por otro lado, también cabe destacar el efecto caja negra como una posible desventaja. Pues, debido a la falta de transparencia en los algoritmos de la IA, los resultados pueden generar desconfianza y deben ser previamente comprobados por un especialista.

He encontrado este artículo que también explica la aplicación de la IA en la salud mental que trata también este efecto. ¿Vosotros qué opinais? https://www.arkangel.ai/es/blog-ai/the-role-of-ai-in-mental-health-applications-and-key-techniques

Espero que os haya servido esta información,
Victoria

¡Hola Lotta!

Tienes razón, es una pregunta muy interesante y está muy bien formulada. Los datos sintéticos tienen un montón de potencial, especialmente en inteligencia artificial, ya que pueden ayudar a resolver problemas de privacidad y a cubrir la falta de datos. Sin embargo, creo que todavía no pueden reemplazar completamente a los datos reales.

Como mencionas, la calidad de estos datos depende totalmente de cómo sea el modelo que los genera. Si el modelo no entiende bien la complejidad del mundo real, podríamos acabar con datos sintéticos que no representen la realidad o, peor aún, que generen errores. En áreas críticas, especialmente en la salud, esto puede ser un gran riesgo porque tomar decisiones incorrectas podría tener consecuencias bastante graves.

Y en cuanto a los sesgos, ese es un gran reto. Si ya hay sesgos en los datos reales, un modelo generativo los aprenderá y los replicará, lo que significa que no estamos resolviendo el problema; simplemente lo estamos trasladando a otra forma. Por eso, en vez de pensar en los datos sintéticos como un sustituto de los datos reales, creo que deberíamos verlos como un complemento: pueden ser útiles para mejorar modelos y para llenar vacíos de datos, pero siempre deben ser controlados y contrastados con datos reales para validar su utilidad.

¿Qué piensas tú? ¿Has visto algún ejemplo donde los datos sintéticos hayan sobrepasado a los reales en términos de precisión o representatividad? ¡Me encantaría conocer tu opinión!

Gracias,
Jana

¡Hola, Lotta!

Los datos sintéticos son muy útiles, pero será muy complicado que reemplazasen por completo a los datos reales ya que sirven para entrenar modelos de IA sin comprometer la privacidad de las personas y para generar grandes volúmenes de información, pero su calidad siempre dependerá del modelo que los crea. Si ese modelo tiene errores o sesgos, los datos sintéticos también los tendrán.
En temas importantes como la medicina o las finanzas, no podemos depender solo de datos sintéticos porque las decisiones que se tomen con ellos pueden afectar a personas de verdad. Lo mejor es usarlos como apoyo, pero siempre junto a datos reales y con revisiones para asegurarnos de que son fiables.

¿Vosotros qué pensáis? ¿Podemos fiarnos de ellos o siempre necesitaremos los datos reales?