3.2 UD3P2 ENTRENAR MODELO IA

CRITERIOS DE EVALUACIÓN
▪ CA3.1 – Conocer los tipos básicos de sensores utilizados en la inteligencia artificial y la diferencia entre sensorización y percepción.
▪ CA3.2 – Conocer e identificar los tipos básicos de actuadores utilizados en la inteligencia artificial.
▪ CA3.3 – Comprender las formas básicas de representación interna de los datos en los sistemas computacionales y la problemática de representar el conocimiento del mundo real.
▪ CA3.4 – Comprender el concepto de algoritmo para resolver problemas y diferenciarlo del concepto de algoritmo para aprender un modelo a partir de datos.
▪ CA3.5 – Recoger, representar y analizar conjuntos de datos, utilizando herramientas y software para visualizarlos de forma lógica y coherente.
▪ CA3.6 – Evaluar de manera crítica los resultados obtenidos de los análisis de datos, reflexionando sobre su precisión y fiabilidad.

¿Qué vamos a hacer hoy?

Hoy vamos a pasarlo bien, esta vez entrenando vuestra propia Inteligencia Artificial para que reconozca los gestos del juego de piedra, papel y tijera usando la cámara de la tableta como sensor. Después conectaréis el modelo a una micro:bit, que actuará como actuador mostrando en su pantalla LED el gesto que la IA haya reconocido.

De esta manera aprenderéis:

• Qué es un sensor (la cámara recoge datos en bruto).
• Qué es un actuador (la micro:bit muestra iconos como respuesta).
• Cómo los datos se transforman en percepción gracias a la IA.
• La diferencia entre un algoritmo fijo y un modelo entrenado con ejemplos.
• A recoger y analizar datos (muchas fotos) y reflexionar sobre la precisión y fiabilidad del modelo.

Al final comprobaréis que vuestra IA puede “jugar” al piedra, papel y tijera, y descubriréis qué pasa cuando falla y cómo se puede mejorar.

Glosario

• Sensor
  Dispositivo que capta información del entorno y la transforma en datos digitales.
  👉 En esta práctica, la cámara de la tableta actúa como sensor, recogiendo imágenes de las manos.
• Sensorización
  Acción de recoger datos en bruto a través de un sensor, sin interpretarlos.
  👉 La cámara toma fotos, pero no “sabe” que es una mano o un gesto.
• Percepción
  Interpretación de los datos captados por los sensores, dándoles un significado.
  👉 El modelo entrenado en Teachable Machine percibe si la imagen corresponde a piedra, papel o tijera.
• Actuador
  Dispositivo que ejecuta una acción en respuesta a una orden de la IA.
  👉 En este caso, la micro:bit muestra iconos en su pantalla LED.
• Dato
  Unidad básica de información que la máquina procesa. Puede ser un número, un texto, un píxel de color, etc.
  👉 Cada imagen está formada por miles de píxeles convertidos en números.
• Conjunto de datos (Dataset)
  Colección de ejemplos que se usan para entrenar a un modelo de IA.
  👉 Las fotos de manos haciendo los gestos de piedra, papel, tijera y nada.
• Entrenamiento
  Proceso por el que un modelo de IA aprende patrones a partir de un conjunto de datos.
  👉 Teachable Machine analiza las fotos y busca diferencias estadísticas entre cada gesto.
• Modelo
  Resultado del entrenamiento de una IA: un sistema capaz de reconocer patrones nuevos basándose en lo que aprendió de los datos.
  👉 El modelo entrenado “aprende” a distinguir entre piedra, papel y tijera.
• Algoritmo
  Conjunto de pasos ordenados para resolver un problema.
• Algoritmo programado: fijo, siempre hace lo mismo (ej. el código en MakeCode que muestra iconos).
• Algoritmo de aprendizaje: aprende a partir de datos (ej. Teachable Machine).
• Clasificación
  Tarea de IA que consiste en asignar una etiqueta a un dato nuevo en función de lo que ha aprendido.
  👉 Ejemplo: clasificar una foto como piedra, papel, tijera o nada.
• Precisión
  Grado de acierto de un modelo al reconocer correctamente los ejemplos.
  👉 Si el modelo reconoce 9 de cada 10 veces el gesto correcto, tiene un 90% de precisión.
• Fiabilidad
  Confianza en que el modelo funcione bien en diferentes situaciones, no solo en las condiciones del entrenamiento.
  👉 Si el modelo falla con diferentes manos o con poca luz, su fiabilidad es baja.
• Sesgo
  Error sistemático producido por datos mal recogidos o insuficientes.
  👉 Si todas las fotos de entrenamiento son de la misma persona, el modelo puede fallar con otras manos.
• Micro:bit
  Placa electrónica educativa que incluye sensores y actuadores básicos (matriz LED, botones, acelerómetro, etc.).
  👉 En esta práctica se conecta al ordenador para mostrar el resultado del modelo en su pantalla LED.
• MakeCode
  Entorno de programación por bloques desarrollado por Microsoft para programar la micro:bit.
  👉 Se usa para crear el código que conecta la micro:bit con la salida de Teachable Machine.
• Exportar modelo
  Acción de guardar el modelo entrenado y obtener un enlace para usarlo en otras aplicaciones o dispositivos.
  👉 El enlace de Teachable Machine se pega en la página de integración con micro:bit.
• Serial Data
  Nombre de la variable que almacena los datos enviados desde Teachable Machine a la micro:bit a través del puerto USB.
  👉 Permite que la micro:bit sepa qué gesto ha reconocido la IA.
• Interfaz
  Zona de comunicación entre la persona usuaria y la máquina.
  👉 En esta práctica, la interfaz son:
  La cámara (entrada de datos).
  La pantalla LED de la micro:bit (salida de datos).