UNIVERSIDAD AUTÓNOMA METROPOLITANA

UNIDAD XOCHIMILCO

DIVISIÓN DE CIENCIAS Y ARTES PARA EL DISEÑO

LICENCIATURA DE ARQUITECTURA

MÓDULO X: DESARROLLO DE
ESPACIOS ARQUITECTÓNICOS I

LAS PLATAFORMAS LIBRES Y PAGADAS DE IA

Y MACHINE LEARNING Y SUS USOS

TALLER DE RECNOLOGÍA

DOCENTES:
DRA. LAURA ISABEL ROMERO CASTILLO
DRA. EUGENIA CASTRO RAMÍREZ
DRA. ANNETTE LIONS RAMÍREZ

EQUIPO:
QUETZALCÓATL INOCENCIO CALDIÑO JIMENEZ
ANGÉLICA GPE. CRUZ SARQUIZ
FRANCISCO EVERARDO RAMÍREZ LÓPEZ

GRUPO: AJ02A
FECHA: 01/08/2024

1
 ÍNDICE

INTRODUCCIÓN ............................................................................................................... 3
¿QUÉ ES UNA INTELIGENCIA ARTIFICIAL (IA)? ........................................................... 4
¿QUÉ ES MACHINE LEARNING? .................................................................................... 4
¿Cómo funciona? ......................................................................................................... 5
Los datos y el Machine Learning ................................................................................ 6
Tipos de Machine Learning ......................................................................................... 7
COMPONENTE DEL IA..................................................................................................... 9
PLATAFORMAS LIBRES DEL IA (MÁS USADAS) .......................................................... 9
Y SUS USOS DE CADA PLATAFORMA ........................................................................... 9
PLATAFORMAS PAGADAS DEL IA (MÁS USADAS) .................................................... 10
Y SUS DE CADA PLATAFORMA .................................................................................... 10
CASOS DE USO DE MACHINE LEARNING EN EL MUNDO REAL ........................... 11
EJEMPLOS DE PLATAFORMAS DE COMO SE USA .................................................... 13
CONCLUSIÓN................................................................................................................. 14
BIBLIOGRAFÍA ............................................................................................................... 15

2
 INTRODUCCIÓN
Las plataformas digitales se han convertido en un medio muy recurrente de
información, por ende, la tecnología tiene que evolucionar tanto o más que las
necesidades de sus usuarios, por lo cual la inteligencia artificial ha sido un campo
muy explorado desde hace algunas décadas con la intención de proporcionar una
mayor y más eficiente experiencia en la gran mayoría de los campos de la ciencia y
tecnología, así mismo se han creado elementos de soporte a las mismas IA´S para
implementar medidas de seguridad en casos diversos, ya sea para mejorar de forma
gradual el servicio de estas o inclusive para prevenir el colapso de la información
que recolectan o información que pueda afectar al usuario de alguna manera.

Sin embargo, es momento de preguntarnos sí nos hemos vuelto muy dependientes

de este tipo de herramientas o simplemente avanzamos a pasos agigantados hacia
el futuro y nuestras capacidades de retención de información tienen que ser
sustituidas por medios artificiales.

Objetivo:

En el siguiente escrito desarrollaremos el conocimiento recabado por fuentes de

información digital acerca de “Machine learning”, su enfoque y caracterización
dentro del mundo de las inteligencias artificiales, así como sus usos dentro de la
vida real e inclusive plataformas dentro de la arquitectura que mejoran y potencian
la calidad de los trabajos y/o proyectos dentro de la misma.

3
¿QUÉ ES UNA INTELIGENCIA ARTIFICIAL (IA)?

“La inteligencia artificial es una rama de la ciencia informática que tiene como
objetivo diseñar tecnología que emule la inteligencia humana”. (Software, 2003)

Por lo que podemos deducir que las inteligencias artificiales son un recurso de la
humanidad para replicar sus acciones y comportamientos o al menos llegar a lograr
que una computadora lo pueda emular.

¿QUÉ ES MACHINE LEARNING?

Según el SAP Insights Newsletter “El machine learning es un subconjunto de la

inteligencia artificial (IA). Se enfoca en enseñar a las computadoras para que
aprendan de los datos y mejoren con la experiencia... En el machine learning, los
algoritmos están entrenados para encontrar patrones y correlaciones en grandes
data sets, y para lograr las mejores decisiones y proyecciones en base a ese
análisis.” (Newsletter, 2023)

DIFERENCIA ENTRE IA Y MACHINE LEARNING

Para entender mejor la diferencia de IA y Machine learning, entender cuáles son sus
funciones, su clasificación o propósitos de cada uno. Porque no es lo mismo IA que
Machine learning. Se entiende que la Inteligencia Artificial (IA) se refiere a la
capacidad de una máquina de imitar comportamientos humanos y realizar tareas
que normalmente requieren inteligencia humana, como razonar, resolver problemas
y tomar decisiones.

Tipos de IA

• NARROW IA: Realiza tareas específicas como reconocer un rostro o una voz.
Por ejemplo, Google lens.
• GENERAL IA: Similar a la conducta humano, toma el conocimiento que se
ha sido entrenado. Por ejemplo, Alexa o siri.

4
 • SUPER IA proyecto que viene de la fantasía, superando la inteligencia
humana. Por ejemplo, J.A.R.V.I.S del universo de Marvel.

Machine Learning ML (Aprendizaje automático) se entiende que es una rama del IA,
se enfoca en el desarrollo de algoritmos y modelos que permiten que la maquina
aprenda y mejore su rendimiento a través de experiencias los datos sin necesidad
de ser programadas explícitamente. Ahora bien, se entiende que tiene diferrentes
funciones, por ejemplo:

• IA: capacidad que le da a las máquinas de demostrar un comportamiento

inteligente.
• ML: es la técnica para crear y mejoro el comportamiento.

¿Cómo funciona?

Para entender cómo funciona el Machine Learning, lo primero que debes entender
es su diferencia con la programación tradicional. En la programación tradicional,
tenemos datos de entrada, un algoritmo (que es el paso a paso detallado para
realizar una tarea) escrito por uno o más programadores, y datos de salida.

En el Machine Learning, en cambio, tenemos los datos de entrada y los datos de

salida, pero no tenemos el algoritmo.

¿Cómo?

Te voy a poner un ejemplo muy sencillo: supongamos que queremos convertir millas
a kilómetros con Machine Learning (si te parece una tarea demasiado sencilla para
usar IA, te sorprenderá saber que en 1998 la NASA perdió 125 millones de dólares
por no hacer esta conversión, como te contamos en este video).

Lo que haremos será tener una lista de datos de entrada, una lista de datos de
salida (que ya conocemos previamente) y con estos datos entrenaremos al sistema
para que encuentre por prueba y error el algoritmo para convertir millas a kilómetros.
Luego, probamos el sistema para determinar si aprendió correctamente y de ser
necesario, lo alimentamos de más datos para que siga aprendiendo hasta encontrar
su algoritmo. Solo que en Machine Learning, no se llama algoritmo, se llama
modelo.

5
La diferencia entre un algoritmo y un modelo es que el algoritmo tiene pasos
definidos por el programador que la computadora no puede modificar. Mientras que
un modelo, es entrenado por prueba y error y se va perfeccionando con el
aprendizaje, incluso sin intervención humana. (IMAGEN 1)

IMAGEN 1 DIFERENCIAS DE UN ALGORITMO Y UN MODELO PAGINA WEB:

https://ed.team/blog/que-es-machine-learning-y-deep-learning-el-corazon-de-la-ia

Los datos y el Machine Learning

Como debes haber notado, para que el Machine Learning (o aprendizaje

automático) sea efectivo, necesitamos muchos datos para entrenar los modelos.
Por ejemplo, podemos darle mil fotos de una manzana a un agente para que
aprenda a reconocer las características de la manzana. Luego darle la foto de una
naranja para comprobar si aprendió a identificar una manzana o aún no y seguir
entrenándola. A este conjunto de datos de entrenamiento le llamamos “dataset”.

Por eso Google fotos fue gratis y con almacenamiento ilimitado por tantos años.
Necesitaba tus fotos para entrenar a sus modelos. Por lo tanto, los datos son
fundamentales en el Machine learning y la inteligencia artificial. Y áreas como el big

6
data (que te explicamos en este video) o la ciencia de datos, están intimamente
relacionadas.

Además, a diferencia de la programación, en la que no necesitas grandes

conocimientos de matemáticas, el Machine Learning usa matemáticas avanzadas
para entrenar a sus modelos.

Tipos de Machine Learning

Existen tres tipos de Machine Learning, que se diferencian por la forma en que se
entrena al modelo y en el tipo de problemas que resuelven.

1. Aprendizaje supervisado

El sistema recibe datos etiquetados (es decir, ya clasificados y organizados), de tal

manera que la respuesta se conoce de antemano y se comparan las respuestas
que entrega al sistema con las respuestas correctas para mejorar el entrenamiento.

Un ejemplo clásico es darle a un sistema un millón de fotos de perros y gatos

(etiquetadas como perros y gatos) y luego evaluar si el sistema los logra diferenciar.

Existen dos tipos de aprendizaje supervisado: el de clasificación y el de regresión.

Como su nombre lo dice, la clasificación se usa para identificar o diferenciar
entidades, como en el ejemplo de reconocer perros y gatos, reconocer correos que
son spam, detección de fraude, etc. El de regresión se usa para hacer predicciones:
por ejemplo, subida o bajada del mercado, predicciones de ventas o del clima, etc.

2. Aprendizaje no supervisado

En este caso, los datos que se entregan al sistema no están etiquetados, puesto
que por su naturaleza no pueden ser clasificados de antemano. Por ejemplo, tu
historial de reproducciones en Spotify o TikTok son datos no clasificados, pero que
sirven para que el sistema conozca tus gustos y te recomiende contenido similar.

7
Existen dos tipos de aprendizaje no supervisado: agrupamiento (clustering) y
asociación. El primero encuentra características comunes en los datos y los agrupa
por esas características. Mientras que el de asociación, identifica la cercanía entre
diferentes datos y se usa para los sistemas de recomendación en redes sociales,
servicios de streaming o publicidad. De aquí viene lo de que los gigantes de la
tecnología te conocen mejor que tú mismo porque estudian tus datos para saber
qué recomendarte.

IMAGEN 3 FERENCIAS DE UN ALGORITMO Y UN MODELO PAGINA WEB: https://ed.team/blog/que-es-

machine-learning-y-deep-learning-el-corazon-de-la-ia

3. Aprendizaje por refuerzo

En este caso, luego de que el modelo ha sido entrenado, tiene que interactuar con
su entorno para recibir un premio o un castigo para evaluar sus respuestas y mejorar
el modelo. El caso más común son los juegos, ya que existen muchas posibles
jugadas y cada una dará un resultado positivo o negativo que será el refuerzo.

Este tipo de aprendizaje se usa también en la conducción autónoma, pues el

sistema recibe retroalimentación constante del entorno en el que se mueve.

8
Por si te lo preguntabas, puedes comenzar en el Machine Learning y entrenar tus
modelos con Python y la librería scikit learn. Y lo puedes aprender en EDteam.
(IMAGEN 3)

COMPONENTE DEL IA

Machine Learning se centra en el

aprendizaje a partir de datos para
tareas específicas, la Inteligencia
Artificial abarca la capacidad de
tomar decisiones y aprender de la
experiencia, y el Deep Learning es
una técnica avanzada de Machine
Learning que utiliza redes
neuronales profundas para tareas
más complejas. Estas tecnologías
están impulsando avances
significativos en una variedad de campos, desde la atención médica hasta la
automoción, y continúan transformando IMAGEN 2 DIFERENCIAS DE LA IA, ML Y DL PAGINA
WEB: https://medium.com/@experiencIA18/diferencias-
la forma en que interactuamos con la entre-la-inteligencia-artificial-y-el-machine-learning-
f0448c503cd4
tecnología en nuestra vida cotidiana.
(IMÁGEN 2)

PLATAFORMAS LIBRES DEL IA (MÁS USADAS)

Y SUS USOS DE CADA PLATAFORMA

1. TensorFlow

- Descripción: Biblioteca de código abierto para machine learning desarrollada por

Google.

9
 - Características: Gran soporte para redes neuronales profundas, amplia
documentación y una gran comunidad.

2. PyTorch

- Descripción: Biblioteca de código abierto para machine learning desarrollada por

Facebook.

- Características: Popular entre los investigadores por su flexibilidad y facilidad de

uso, especialmente para redes neuronales profundas.

3. Scikit-learn

- Descripción: Biblioteca de código abierto para machine learning en Python.

- Características: Amplia colección de herramientas de machine learning y minería

de datos, fácil de usar y bien documentada.

4. Google Colab

- Descripción: Entorno gratuito para ejecutar código Python en la nube con soporte
para bibliotecas de machine learning.

- Características: Ofrece GPUs gratuitas, fácil integración con Google Drive y

compartir notebooks.

5. Kaggle

- Descripción: Plataforma que ofrece datasets y notebooks gratuitos para

proyectos de data science y machine learning.

- Características: Competencias de machine learning, recursos educativos y una

comunidad activa.

PLATAFORMAS PAGADAS DEL IA (MÁS USADAS)

Y SUS DE CADA PLATAFORMA

1. Amazon SageMaker

10
 - Descripción: Plataforma de machine learning totalmente gestionada por Amazon
Web Services.

- Características: Entrenamiento y despliegue de modelos a gran escala,

integración con otros servicios de AWS.

2. Microsoft Azure Machine Learning

- Descripción: Servicio de machine learning en la nube proporcionado por

Microsoft.

- Características: Entrenamiento y despliegue de modelos, integración con

servicios de Azure, herramientas de MLOps.

3. IBM Watson

- Descripción: Conjunto de herramientas de inteligencia artificial y machine

learning proporcionado por IBM.

- Características: Soluciones de IA para varias industrias, herramientas para

procesamiento de lenguaje natural y análisis de datos.

4. DataRobot

- Descripción: Plataforma de machine learning automatizada.

- Características: Automatización de la construcción de modelos, análisis de datos

y despliegue, enfoque en la facilidad de uso.

5. H2O.ai

- Descripción: Plataforma de inteligencia artificial de código abierto y de pago.

- Características*: Herramientas de machine learning y deep learning, soporte

para grandes volúmenes de datos y algoritmos avanzados.

CASOS DE USO DE MACHINE LEARNING EN EL MUNDO REAL

He aquí algunos ejemplos de machine learning que puede encontrar en su día a

día:

11
• Reconocimiento de voz: También se conoce como reconocimiento
automático de voz (ASR), reconocimiento informático de voz o conversión de
voz a texto (speech to text), y es una capacidad que utiliza el procesamiento
del lenguaje natural (PLN) para traducir el habla humana a un formato escrito.
Muchos dispositivos móviles incorporan el reconocimiento de voz en sus
sistemas para realizar búsquedas por voz, por ejemplo, Siri, o cómo mejorar
la accesibilidad de los mensajes de texto.
• Servicios de atención al cliente: Los chatbots en línea eestán reemplazando
a los agentes humanos a lo largo del recorrido del cliente, cambiando la forma
en que pensamos acerca del compromiso con el cliente a través de sitios
web y plataformas de medios sociales. Los chatbots responden a las
preguntas más frecuentes (FAQ) sobre temas como los envíos, o
proporcionan asesoramiento personalizado, realizando ventas cruzadas de
productos o sugiriendo tallas para los usuarios. Algunos ejemplos son los
agentes virtuales de los sitios de comercio electrónico; los bots de
mensajería, que utilizan Slack y Facebook Messenger; y las tareas que
suelen realizar los asistentes virtuales y de voz.
• Computer vision : esta tecnología de IA permite a los ordenadores obtener
información significativa a partir de imágenes digitales, vídeos y otras
entradas visuales y, a continuación, tomar las medidas adecuadas. Gracias
a las redes neuronales convolucionales, la computer vision tiene aplicaciones
en el etiquetado de fotos en las redes sociales, la obtención de imágenes
radiológicas en la sanidad y los coches autónomos en la industria de la
automoción.
• Motores de recomendación: utilizando datos de comportamientos de
consumo anteriores, los algoritmos de IA pueden ayudar a descubrir
tendencias de datos que pueden utilizarse para desarrollar estrategias de
venta cruzada más eficaces. Los motores de recomendación los utilizan los
minoristas en línea para hacer recomendaciones de productos relevantes a
los clientes durante el proceso de pago.

12
 • Automatización de procesos robóticos (RPA): también conocida como
robótica de software, la RPA utiliza tecnologías de automatización inteligente
para realizar tareas manuales repetitivas.
• Negociación bursátil automatizada: Diseñada para optimizar las carteras de
valores, las plataformas de negociación de alta frecuencia impulsadas por IA
realizan miles o incluso millones de operaciones al día sin intervención
humana.
• Detección del fraude: los bancos y otras instituciones financieras pueden
utilizar el machine learning para detectar transacciones sospechosas. El
aprendizaje supervisado puede entrenar un modelo utilizando información
sobre transacciones fraudulentas conocidas. La detección de anomalías
puede identificar transacciones que parecen atípicas y merecen una
investigación más profunda.

EJEMPLOS DE PLATAFORMAS DE COMO SE USA

Las plataformas enfocadas al reconocimiento de voz, asesoramiento personalizado,

detección de fraudes y computer visión, tienen el mismo procedimiento de uso o
muy similares, este proceso consta de 4 pasos básicos, en este caso se pondrá
como ejemplo el uso de la plataforma de Siri los pasos de uso son:

1. Para acceder a Siri se debe de mantener presionado el botón de “inicio” un

par de segundos.

2. Aparecerá en la pantalla la pregunta ¿En qué te puedo ayudar? (Pregunta lo

que quieras saber)

3. Si no se entendió lo que preguntaste, en la parte de inferior aparecerá un

ícono de micrófono, púlsalo y repite la pregunta.

4. Sí el proceso se efectuó correctamente, en tu pantalla aparecerán los datos

o información que consultaste.

5. Estos pasos se pueden extender más pero básicamente se replican en cada

proceso solicitado.

13
 CONCLUSIÓN

Para concluir con este trabajo escrito es que la IA tiene muchas formas de trabajo y
técnicas para interpretar nuestros comportamientos humanos, pero si es increíble
ver que el ser humano a creado un comportamiento humano “similar” con máquinas,
usando matemáticas y de prueba y error. Gracias a esta capacidad nos ha ayudado
en nuestra vida cotidiana como resolver problemas, obtener información o crear
nuevos proyectos que nos facilite académica y en lo profesional. En si la IA nos ha
facilitado en nuestra vida cotidiana desde la fecha. Y a la vez nos pudimos dar
cuenta a lo largo del escrito anterior, las plataformas forman parte de nuestra vida
diaria y hacemos uso de ellas en gran parte de nuestras actividades, sin embargo,
muchas veces no nos percatamos de esas interacciones, por lo cual deberíamos de
cuestionarnos ¿qué tan dependientes nos hemos vuelto de este tipo de
plataformas? Pues en muchas ocasiones no podemos ubicarnos en grandes
ciudades sin recurrir a aplicaciones como google maps, o inclusive teclear una
búsqueda específica utilizando el teclado, ya utilizamos plataformas como Alexa y
Siri para atender ese tipo de acciones tan banales.

Por lo cual esperamos que la información abordada anteriormente sirva como un

espacio de reflexión ante la tecnología y la relevancia que tiene esta dentro de
nuestras vidas.

14
 BIBLIOGRAFÍA
Amazon SageMaker, s.f. Amazon SageMaker. [En línea]
Available at: https://aws.amazon.com/es/sagemaker/

DataRobot, s.f. DataRobot. [En línea]

Available at: https://www.datarobot.com/

Desconocido, 2020. IBM. [En línea]

Available at: https://www.ibm.com/es-es/topics/machine-learning
[Último acceso: 01 08 2024].

Desconocido, 2020. Medium. [En línea]

Available at: https://medium.com/@experiencIA18/diferencias-entre-la-inteligencia-artificial-
y-el-machine-learning-f0448c503cd4
[Último acceso: 01 08 2024].

Desconocido, 2023. EDteam. [En línea]

Available at: https://ed.team/blog/que-es-machine-learning-y-deep-learning-el-corazon-de-
la-ia
[Último acceso: 01 08 2024].

Desconosido, 2023. datateam. [En línea]

Available at: https://datateam.mx/definicion-de-inteligencia-artificial-machine-learning-y-
deep-learning/
[Último acceso: 1 08 2024].

Google Colab, s.f. Google Colab. [En línea]

Available at: https://colab.research.google.com/

H2O.ai, s.f. H2O.ai. [En línea]

Available at: https://h2o.ai/

IBM Watson, s.f. IBM Watson. [En línea]

Available at: https://www.ibm.com/mx-es/watson

IBM, 2023. IBM Consulting. [En línea]

Available at: https://www.ibm.com/es-es/topics/machine-learning
[Último acceso: 31 julio 2024].

Kaggle, s.f. Kaggle. [En línea]

Available at: https://www.kaggle.com/

Microsoft Azure Machine Learning, s.f. Microsoft Azure Machine Learning. [En línea]
Available at: https://azure.microsoft.com/es-es/products/machine-learning/

Newsletter, S. I., 2023. SAP Insights Newsletter. [En línea]

Available at: https://www.sap.com/latinamerica/index.html
[Último acceso: 30 Julio 2024].

15
PyTorch, s.f. PyTorch. [En línea]
Available at: https://pytorch.org/

Scikit-learn, s.f. Scikit-learn. [En línea]

Available at: https://scikit-learn.org/stable/

Software, T., 2003. Tableau Software, LLC, empresa del grupo Salesforce.. [En línea]
Available at: https://www.tableau.com/es-mx/data-insights/ai/what-
is#:~:text=En%201955%20el%20matem%C3%A1tico%20John,ahondar%20m%C3%A1s%20
sobre%20el%20tema.
[Último acceso: 30 julio 2024].

TensorFlow, s.f. TensorFlow. [En línea]

Available at: https://www.tensorflow.org/?hl=es

Zerna, L., 2024. RDteam. [En línea]

Available at: https://ed.team/cursos/ia
[Último acceso: 01 08 2024].

16