UNIVERSIDAD NACIONAL SAN ANTONIO

ABAD
DEL CUSCO
FACULTAD DE INGENIERIA METALURGICA

ASIGNATURA:

Pensamiento Computacional e Inteligencia Artificial

DOCENTE:

Carlos Ramon Quispe Onofre

ESTUDIANTES:

• Corahua Rojas Luis Fernando

• Hurtado Campos Juan Jesus
• Montalvo Chuquihuanca Cristian Manolo
• Sinche Pillco Edy Fabiano
• Vega Auccahuaqui David Ivan
• Condori Choque Noe Jesus
• Huaman Ccasa Rubiño Jayerciño
• Aquino Orellana Jorge Luis
 1) INTRODUCCIÓN

La Inteligencia Artificial (IA) y el Machine Learning (ML) han transformado significativamente

muchos sectores, incluida la educación y ingeniería metalúrgica. Estas tecnologías permiten la
creación de sistemas inteligentes capaces de analizar grandes volúmenes de datos, identificar
patrones y ofrecer soluciones que mejoran la toma de decisiones. Este informe explora los
fundamentos de la
IA y el ML, su aplicación en proyectos de ingeniería metalúrgica, y detalla el desarrollo de un
proyecto basado en ML, desde su planificación hasta la implementación y evaluación de
resultados.

2) FUNDAMENTOS DE LA INTELIGENCIA ARTIFICIAL

Definir qué es la inteligencia artificial

La IA es la capacidad de las máquinas para usar algoritmos, aprender de los datos y utilizar lo
aprendido en la toma de decisiones tal y como lo haría un ser humano

«la habilidad de los ordenadores para hacer actividades que normalmente requieren inteligencia
humana» (Rouhiainen, 2018)

“La Inteligencia Artificial es la combinación de algoritmos planteados con el propósito de crear

máquinas que presenten las mismas capacidades que el ser humano.” (Peter, 2018)

Tipos de inteligencia artificial

Importancia y aplicaciones en el ámbito de su especialidad

Las tecnologías basadas en la IA ya están siendo utilizadas para ayudar a los humanos a
beneficiarse de mejoras significativas y disfrutar de una mayor eficiencia en casi todos los ámbitos
de la vida. Pero el gran crecimiento de la IA también nos obliga a estar atentos para prevenir y
analizar las posibles desventajas directas o indirectas que pueda generar la proliferación de la IA.
La Inteligencia Artificial y la Ingeniería Metalúrgica
El avance continuo de la tecnología, tanto en herramientas como en software y hardware, ha
generado un impacto significativo en diversos procesos industriales, incluido el de la ingeniería
metalúrgica. En este contexto, la inteligencia artificial (IA) puede transformar la relación entre los
ingenieros y las máquinas, optimizando la capacidad de análisis y producción en este campo. Al
dotar a las máquinas de mayor inteligencia, razonamiento y capacidad de adaptación, los
ingenieros metalúrgicos pueden realizar análisis más detallados de los materiales, procesos de
producción y sistemas, lo que permite obtener una mayor cantidad de soluciones y propuestas,
explorando incluso enfoques y tecnologías previamente no contemplados.

El potencial de la Inteligencia Artificial en la ingeniería metalúrgica es considerable. La capacidad

de procesar grandes volúmenes de datos, optimizar procesos y predecir resultados con alta
precisión ha abierto nuevas perspectivas en el diseño y la mejora de los procesos industriales. La
IA es capaz de analizar patrones en la fabricación de materiales, optimizar su rendimiento y
detectar fallos en tiempo real, lo que puede aumentar la eficiencia y reducir los costos operativos.

No obstante, a pesar de su enorme potencial, la IA aún presenta limitaciones en aspectos

fundamentales de la ingeniería metalúrgica. El trabajo de un ingeniero no solo se basa en la
interpretación de datos, sino también en la intuición, la experiencia práctica y la capacidad para
tomar decisiones en contextos complejos. Aunque la Inteligencia Artificial puede generar
propuestas innovadoras y analizar escenarios de manera eficiente, es difícil que los algoritmos
puedan replicar por completo la creatividad y el juicio humano necesarios para abordar los desafíos
complejos de la ingeniería metalúrgica, especialmente aquellos relacionados con la interacción
entre materiales y procesos en condiciones variables.

3) FUNDAMENTOS DE MACHINE LEARNING (APRENDIZAJE AUTOMÁTICO)

Definición:

Es uno de los enfoques principales de la inteligencia artificial. En pocas palabras, se trata un

aspecto de la informática en el que los ordenadores o las máquinas tienen la capacidad de aprender
sin estar programados para ello. Un resultado típico serían las sugerencias o predicciones en una
situación particular.

Los primeros ordenadores personales, que estuvieron disponibles para los consumidores a partir
de la década de 1980, fueron programados explícitamente para realizar ciertas acciones. Por el
contrario, gracias al aprendizaje automático, muchos de los dispositivos que verás en el futuro
obtendrán experiencia y conocimientos a partir de la forma en que son utilizados para poder ofrecer
una experiencia al usuario personalizada.

Tipos y Proceso

El aprendizaje automático usa algoritmos para aprender de los patrones de datos. Por ejemplo, los
filtros de spam de correo electrónico utilizan este tipo de aprendizaje con el fin de detectar qué
mensajes son correo basura y separarlos de aquellos que no lo son. Éste es un sencillo ejemplo de
cómo los algoritmos pueden usarse para aprender patrones y utilizar el conocimiento adquirido
para tomar decisiones.

La siguiente figura muestra tres tipos o subconjuntos de aprendizaje automático.

• En el aprendizaje supervisado: Los algoritmos usan datos que ya han sido etiquetados u
organizados previamente para indicar cómo tendría que ser categorizada la nueva
información. Con este método, se requiere la intervención humana para proporcionar
retroalimentación.
 • En el aprendizaje no supervisado: Los algoritmos usan datos que tienen que encontrar la
manera de clasificarlas ellos mismos. Por tanto, este método no requiere la intervención
humana.
• En el aprendizaje por refuerzo: Los algoritmos aprenden de la experiencia. En otras
palabras, tenemos que darles «un refuerzo positivo» cada vez que aciertan.
• Aprendizaje profundo: Una de las aplicaciones más poderosas y de mayor crecimiento de
la inteligencia artificial es el aprendizaje profundo (en inglés, deep learning). Se trata de
un subcampo del aprendizaje automático que se utiliza para resolver problemas muy
complejos y que normalmente implican grandes cantidades de datos. El aprendizaje
profundo se produce mediante el uso de redes neuronales, que se organizan en capas para
reconocer relaciones y patrones complejos en los datos. Su aplicación requiere un enorme
conjunto de información y una potente capacidad de procesamiento. Actualmente, se utiliza

en el reconocimiento de voz, el procesamiento del lenguaje natural, la visión artificial y la

identificación de vehículos en los sistemas de asistencia al conductor.

Podemos ver un ejemplo claro en las traducciones realizadas en Facebook, que reveló
recientemente que, gracias al aprendizaje profundo, había podido efectuar alrededor de 4.500
millones de traducciones diarias.

4) DESARROLLO DEL PROYECTO

-Proyecto “Piedra, papel y tijera”

Describir las actividades de planificación del proyecto

-Definición del proyecto: jugar a Piedra, papel y tijera

-Objetivo: crear un modelo de reconocimiento de gestos en cuanto Piedra, papel o tijera respecte.

-Alcance: el proyecto incluirá captura de imágenes, entrenamiento del modelo ML, e integración
con Scratch.

-Recolección de datos: se tomarán fotografías de nuestras manos considerando condiciones de

luminosidad, fondo, nitidez y por lo menos serán 10 imágenes por categoría de piedra, papel y
tijera según sea el caso.
-Entrenamiento del modelo: mediante retroalimentación de los datos ingresados al ML por
imágenes etiquetadas que describan si es piedra papel o tijera

-Evaluación y prueba: verificaremos que el modelo del ML sea efectivo y preciso en la detección
de cada etiqueta.

-Registro y pruebas: cada sesión de prueba será registrado detalladamente para contrastar
resultados y mejoras al proyecto.

ENFOQUE GLOBAL DE LA PLANIFICACIÓN

Para poder iniciar con este proyecto de aprendizaje automático construiremos un modelo de
Machine Learning para fotografiar nuestras manos haciendo gestos que representen el objetivo del
proyecto y poder interpretar si cada imagen tomada represente la actividad de Piedra, papel y tijera.

Esta primera forma se conectará con un programa Scratch donde jugaremos a piedra, papel y tijera
con el ordenador.

Primero debemos entrenar el modelo, construyendo etiquetas en las imágenes que describan si es
piedra, papel o tijera, por lo menos 10 imágenes por cada posición de manos.

Segundo iniciaremos una prueba del modelo para reconocimiento e identificación tras el
entrenamiento.

Tercero crearemos el programa en Scratch para lo cual es necesario conectar el modelo que ya
habíamos entrenado en los apartados anteriores, seguidamente en el apartado de Sprite You se
sitúan los caracteres del Machine Learning como son Piedra (Rock), papel (Paper) y tijera
(scissors)

Para comenzar con el juego abriremos desde el scratch la cámara del dispositivo usado y para
capturar una imagen daremos en la tecla P.

5) DETALLES TÉCNICOS

El proceso de entrenamiento del modelo ML4K sigue una estructura sencilla diseñada para que los
niños puedan aprender a experimentar con la inteligencia artificial (IA) de forma práctica, lo
explicaremos :
1. Recopilar datos (Entrenamiento supervisado)

El proceso comienza con la recopilación de datos que se usarán para entrenar el modelo. En ML4K,
los usuarios pueden crear diferentes categorías o etiquetas y luego proporcionar ejemplos (textos,
imágenes, sonidos, etc.) que pertenezcan a esas categorías.

-Crear etiquetas: Se establecen las clases o etiquetas en las que se quiere que el modelo clasifique.
Por ejemplo, "feliz" o "triste" para un modelo de emociones.

-Proporcionar ejemplos: Los usuarios deben proporcionar suficientes ejemplos para cada etiqueta.
Estos ejemplos serán los datos con los que el modelo aprenderá a identificar patrones.

2. Entrenamiento del modelo

Una vez que se tienen suficientes ejemplos para cada categoría, ML4K usa estos datos para
entrenar el modelo de aprendizaje automático. Este entrenamiento puede implicar el uso de
diferentes algoritmos de clasificación o procesamiento de datos.

-Algoritmos: Aunque el usuario no elige directamente los algoritmos, ML4K usa servicios de IA
como IBM Watson para entrenar el modelo detrás de escena.

-Ajuste automático: El sistema ajusta automáticamente los parámetros internos del modelo durante
el proceso de entrenamiento. El usuario no necesita realizar ajustes manuales.

3. Evaluación

Después de entrenar el modelo, es importante evaluarlo para ver qué tan bien ha aprendido. Esto
se puede hacer proporcionando ejemplos nuevos (que no hayan sido usados durante el
entrenamiento) y viendo si el modelo clasifica correctamente.

-Pruebas: Los usuarios pueden probar su modelo con nuevos ejemplos para ver cómo responde.

-Retroalimentación: Si el modelo no es lo suficientemente preciso, el usuario puede agregar más

ejemplos a las categorías o modificar los ejemplos existentes y luego volver a entrenar.
4. Uso del modelo

Una vez que el modelo ha sido entrenado y evaluado, los usuarios pueden usarlo para clasificar
nuevos datos en tiempo real, ya sea integrándolo en proyectos de programación como Scratch o
Python, o directamente dentro del entorno de ML4K.

5. Iteración y mejora

El aprendizaje no es un proceso lineal. Si el modelo no es lo suficientemente bueno, se puede iterar

el proceso agregando más datos de entrenamiento o refinando las categorías, para luego volver a
entrenar el modelo.

Este proceso tiene como objetivo hacer que el aprendizaje automático sea accesible y comprensible
para los más jóvenes, promoviendo la curiosidad y el aprendizaje basado en proyectos.

En el documento se menciona el proyecto que se usa para entrenar:

-Proyecto "piedra papel y tijera"

•Datos utilizados: En este proyecto, los datos son imágenes de manos haciendo los gestos de
"piedra", "papel" o "tijeras". El usuario sube fotos que muestran estos tres gestos manuales y las
clasifica en sus respectivas categorías.

Ejemplos de imágenes: Foto de una mano en posición de "puño" para piedra, una mano abierta
para papel y una mano con dos dedos para tijeras.

•Resultados esperados: El modelo debe aprender a reconocer los gestos de las manos. Después de
entrenar, al mostrarle una imagen de una mano, el modelo debe identificar correctamente si es
"piedra", "papel" o "tijeras", permitiendo al usuario jugar al juego de piedra, papel o tijeras contra
la IA.

6) CONCLUSIONES

El documento presenta una visión sobre cómo la inteligencia artificial puede ser integrada en
entornos educativos para mejorar el aprendizaje y la enseñanza. La inteligencia artificial (IA) se
discute como una herramienta poderosa que tiene el potencial de transformar las aulas, ofreciendo
experiencias más personalizadas para los estudiantes y automatizando ciertas tareas para los
docentes.
El uso de la IA en el aula se enfoca en crear un entorno de aprendizaje más eficiente y adaptado a
las necesidades de cada estudiante. Se destacan ejemplos de cómo las plataformas educativas
pueden utilizar la IA para analizar el rendimiento de los estudiantes, identificar áreas donde
necesitan más ayuda y proporcionar retroalimentación personalizada. Además, la IA puede ayudar
a los maestros a administrar mejor sus clases y a optimizar el proceso de enseñanza, lo que les
permite centrarse más en la interacción humana y pedagójica.

Al implementar herramientas de IA en la educación, los educadores deben tener en cuenta la ética,

la privacidad de los datos y el papel que la tecnología jugará en la enseñanza a largo plazo. El
documento sugiere que, aunque la IA tiene un gran potencial, también es importante mantener un
equilibrio entre el uso de la tecnología y el enfoque humano para garantizar una educación integral
y efectiva.

7) BIBLIOGRAFÍA

[Link]

a [Link] [Link]

[Link]

[Link]