De Programador a Diseñador de Problemas para IA
Guía para estructurar y resolver problemas complejos con inteligencia artificial.
Fundamentos del Pensamiento Computacional Avanzado
El objetivo principal de este primer módulo es transformar tu manera de pensar. De ser un programador, que se enfoca en cómo resolver un problema con código, te convertirás en un diseñador de problemas, alguien que descompone y estructura la dificultad del mundo real para que un sistema de inteligencia artificial (IA) pueda abordarla. Esto es crucial porque la IA no resuelve problemas; la IA optimiza soluciones a problemas bien definidos.
La Disrupción del Enfoque Tradicional
Históricamente, el pensamiento computacional se ha centrado en la algoritmia. Un programador recibe un problema, piensa en los pasos lógicos para resolverlo y luego traduce esos pasos a un lenguaje de programación. El foco está en el proceso, en la secuencia de instrucciones. Sin embargo, con la IA, el enfoque cambia radicalmente. Ya no se trata de dar instrucciones paso a paso, sino de describir el problema de manera tan precisa y formal que la IA, a través de modelos matemáticos y estadísticos, encuentre la solución por sí misma. Es como la diferencia entre dar a un chef una receta detallada y darle los ingredientes y el resultado deseado, confiando en su capacidad para crear el plato.
Técnicas de Descomposición de Problemas
La primera habilidad que debemos dominar es la descomposición. Un problema complejo es como una gran roca que no podemos mover; la clave es romperla en pequeñas piedras manejables. Para la IA, esto significa segmentar el problema en tareas más pequeñas y más sencillas de procesar.
Descomposición Funcional
Consiste en dividir el problema basándose en sus funciones o subobjetivos. Por ejemplo, en un sistema de recomendación de películas, el problema general podría descomponerse en:
- Recopilación de datos del usuario: ¿Qué películas ha visto y calificado?
- Análisis de similitud: ¿Qué otros usuarios tienen gustos similares?
- Generación de recomendaciones: ¿Qué películas populares entre esos usuarios aún no ha visto el usuario actual?
- Presentación de resultados: Mostrar la lista de películas recomendadas de forma atractiva.
Descomposición por Entidades
Esta técnica se enfoca en identificar los componentes o entidades principales del problema. Por ejemplo, en una aplicación de gestión de inventario, las entidades serían:
- Producto: con atributos como nombre, SKU, precio y categoría.
- Almacén: con atributos como ubicación y capacidad.
- Proveedor: con atributos como nombre, contacto y lista de productos que suministra.
- Pedido: con atributos como fecha, productos solicitados y estado.
Abstracción: Ignorando el Ruido para Encontrar la Señal
La abstracción es el arte de simplificar. Es la capacidad de identificar los elementos más relevantes de un problema y, al mismo tiempo, ignorar los detalles irrelevantes o superfluos. Para un diseñador de problemas, la abstracción es fundamental para definir el alcance de la solución de IA.
Imagina que queremos desarrollar un sistema de IA para optimizar las rutas de entrega de una empresa de paquetería. La realidad es caótica: hay tráfico, obras, calles en mal estado, etc. La abstracción nos permite simplificar el problema a lo esencial:
Lo esencial (lo que se incluye)
- Las ubicaciones de los paquetes
- Las ubicaciones de los clientes
- Las distancias entre ellas
- Las ventanas de tiempo de entrega
Lo irrelevante (lo que se ignora por ahora)
- El color de los camiones
- La marca de los neumáticos
- La edad de los conductores
Ejemplo visual de cómo la abstracción simplifica problemas complejos para el análisis de IA
Al abstraer, creamos un modelo simplificado de la realidad que la IA puede entender y procesar de manera eficiente.
Modelado de Datos: Representando el Problema
Una vez que hemos descompuesto y abstraído el problema, necesitamos representarlo formalmente. El modelado de datos es el primer paso para esta formalización. Se trata de definir cómo se verán los datos que alimentarán la IA. Esto incluye:
Entidades
Los objetos principales del problema (ej. "Estudiante", "Materia", "Profesor")
Relaciones
Cómo se conectan las entidades entre sí (ej. un "Estudiante" se "inscribe" en una "Materia")
Restricciones
Las reglas que limitan las relaciones (ej. "Un estudiante solo puede inscribirse en 5 materias")
El objetivo no es solo almacenar datos, sino representarlos de una manera que refleje la estructura del problema, lo que facilita el desarrollo de soluciones de IA.
Ejercicio Práctico: "Optimizar Horarios de Clases"
El Problema
Tenemos un conjunto de materias, un conjunto de profesores, un conjunto de aulas y un conjunto de estudiantes. Cada materia tiene un profesor asignado y requiere un aula. Los estudiantes tienen que asistir a sus clases sin que haya conflictos de horarios. Queremos crear un horario que optimice la ocupación de las aulas y la carga de trabajo de los profesores, minimizando al mismo tiempo los conflictos de los estudiantes.
Tu Tarea como Diseñador de Problemas
Antes de pensar en cómo se resolvería esto con código, responde a las siguientes preguntas para diseñar el problema para una IA:
Entradas (Inputs)
¿Qué información necesitas para que la IA pueda empezar a trabajar?
Salidas (Outputs)
¿Qué resultado esperas que la IA te entregue?
Restricciones (Constraints)
¿Cuáles son las reglas que la IA debe seguir estrictamente?
Objetivo de Optimización
¿Qué es exactamente lo que queremos "optimizar"?
Diseño de Problemas para Sistemas Inteligentes
El primer módulo se centró en la descomposición de problemas. Ahora, daremos un paso más allá para diseñar el problema desde la perspectiva de un modelo de IA. Esto significa que no solo lo desarmarás, sino que lo etiquetarás y formalizarás para que la IA sepa qué tipo de tarea tiene enfrente.
Tipos de Problemas para la IA
Antes de recolectar datos, es fundamental entender qué tipo de problema quieres resolver. En ciencia de datos e IA, la mayoría de los problemas caen en una de estas categorías:
Clasificación
El objetivo es predecir una etiqueta discreta o una categoría.
- Ejemplo: ¿Es este email spam o no spam? (Clasificación binaria).
- Ejemplo: ¿Es esta foto un perro, un gato o un pájaro? (Clasificación multicategoría).
Regresión
El objetivo es predecir un valor continuo o numérico.
- Ejemplo: ¿Cuál será el precio de esta casa el próximo año?
- Ejemplo: ¿Cuál será la temperatura máxima mañana?
Clustering
El objetivo es agrupar puntos de datos similares sin etiquetas previas.
- Ejemplo: Segmentar a tus clientes en grupos con comportamientos de compra similares.
Optimización
El objetivo es encontrar la mejor solución entre un conjunto de opciones, maximizando o minimizando algo.
- Ejemplo: Encontrar la ruta más corta para una entrega.
Como diseñador de problemas, tu trabajo es identificar el tipo de problema antes de hacer cualquier otra cosa. Si el problema es "predecir si un cliente dejará de usar nuestro servicio", es un problema de clasificación binaria (sí o no). Si es "predecir cuánto gastará un cliente el próximo mes", es un problema de regresión.
Identificación de Entradas (Inputs) y Salidas (Outputs)
Una vez que has clasificado tu problema, el siguiente paso es definir claramente qué información entrará en tu sistema de IA y qué saldrá.
Inputs (Entradas)
Son las variables, características o features que el modelo usará para hacer su predicción o tomar una decisión.
Outputs (Salidas)
Es el resultado que el modelo generará.
Es crucial ser detallado y explícito al definir las entradas. Cada entrada es una pista que el modelo usará para encontrar la relación con la salida.
Diseño de Datasets: Preparando el Combustible de la IA
El "dataset" es el conjunto de datos que un modelo de IA utiliza para aprender. Para un diseñador de problemas, crear un dataset no se trata solo de recopilar datos, sino de asegurarse de que sean de alta calidad.
Datos Correctos
No se trata de tener más datos, sino de tener los datos correctos
Limpieza
Los datos del mundo real son sucios y requieren limpieza
Etiquetas
Necesitas datos que ya tienen la respuesta correcta
Visualización del proceso de transformación de datos para entrenamiento de modelos de IA
Ejercicio Práctico: "Predecir Churn de Clientes"
El Problema
Una empresa de telecomunicaciones quiere predecir qué clientes es probable que cancelen su servicio ("churn").
Tu Tarea como Diseñador de Problemas
Clasifica el Problema
¿Es un problema de clasificación, regresión, clustering o algo más?
Identifica las Entradas
Piensa en variables que podrían influir en que un cliente se vaya.
Diseña el Dataset
¿Cómo sería la "fila" de datos para un solo cliente?
Define el Significado de "Resolverlo"
¿Qué métrica usarías para saber si tu modelo es "bueno"?
Representación de Conocimiento y Modelado Formal
El objetivo de este módulo es entrenar tu capacidad para traducir problemas del mundo real en estructuras formales que los sistemas de IA puedan entender y procesar. Se trata de ir más allá de los datos simples y construir representaciones que capturen la lógica, las relaciones y las reglas del dominio del problema.
Lógica Proposicional y de Predicados
Estas son herramientas fundamentales para el razonamiento automatizado. Te permiten expresar hechos, reglas y relaciones de manera precisa y no ambigua.
Lógica Proposicional
Trabaja con proposiciones que pueden ser verdaderas o falsas, y las combina con operadores lógicos como AND, OR, NOT.
Ejemplo: "Si el cliente tiene un plan premium (P) y ha realizado más de 5 compras (Q), entonces es elegible para un descuento (R)". Se expresa como: (P ∧ Q) → R.
Lógica de Predicados
Permite hablar de objetos, sus propiedades y las relaciones entre ellos, usando cuantificadores como ∀ (para todo) y ∃ (existe).
Ejemplo: "Todos los empleados (E) que trabajan en el departamento de ventas (D) deben tener una meta de ventas asignada (M)". Se expresa como: ∀e ∈ E, si TrabajaEn(e, D) entonces TieneMeta(e, M).
Ontologías y Grafos de Conocimiento
Estas estructuras permiten modelar el conocimiento de un dominio específico de manera rica y conectada.
Ontologías
Definen un vocabulario compartido: clases (tipos de objetos), propiedades (atributos y relaciones) y axiomas (reglas lógicas). Son como un mapa conceptual formalizado.
Grafos de Conocimiento
Representan el conocimiento como una red de nodos (entidades o conceptos) y aristas (relaciones entre ellos). Son la base de muchos sistemas de búsqueda y recomendación modernos.
Por ejemplo, en un sistema médico, una ontología definiría que un "Paciente" es una subclase de "Persona", y que un "Diagnóstico" está relacionado con un "Paciente" y una "Enfermedad". Un grafo de conocimiento conectaría al paciente "Juan Pérez" con el diagnóstico "Diabetes Tipo 2".
Mapeo de Procesos de Negocio
Muchos problemas reales son flujos de trabajo o procesos. Representarlos formalmente implica identificar los pasos, las decisiones, los actores involucrados y las reglas que los gobiernan.
Ejemplo de diagrama de flujo para un proceso de aprobación de préstamos
Este tipo de modelado es esencial para automatizar procesos con IA, ya que permite al sistema entender no solo los datos, sino también el contexto y la secuencia en la que deben ser procesados.
Ejercicio Práctico: "Flujo de Préstamos en un Banco"
El Problema
Modela el proceso de aprobación de un préstamo bancario. El cliente solicita un préstamo, se verifica su historial crediticio, se evalúa su capacidad de pago, un gerente aprueba o rechaza la solicitud, y finalmente se desembolsa el dinero o se notifica el rechazo.
Tu Tarea como Diseñador de Problemas
Tu objetivo es representar este proceso de forma que un sistema de IA pueda razonar sobre él. Elige una de las siguientes formas:
Grafo de Conocimiento
Define las entidades (Cliente, Solicitud, Gerente, etc.) y las relaciones entre ellas (solicita, aprueba, tiene_historial).
Lógica de Predicados
Escribe reglas lógicas que describan cuándo se aprueba un préstamo (ej. "Si el puntaje crediticio es > 700 y la deuda/ingreso < 0.5, entonces Aprobado").
Diagrama de Flujo
Dibuja (o describe) el flujo del proceso, incluyendo decisiones, pasos y actores.
Lista de Restricciones
Enumera todas las reglas y condiciones que deben cumplirse para que el proceso avance correctamente.
Pensamiento Estadístico y Probabilístico
Hasta ahora, hemos aprendido a estructurar y representar problemas. En este módulo, daremos un giro fundamental: aprenderemos a pensar en términos de probabilidades, incertidumbre y distribuciones. La IA, especialmente la moderna, no busca respuestas absolutas, sino las mejores respuestas probables basadas en la evidencia disponible. Este es el corazón del pensamiento estadístico aplicado a la IA.
La Naturaleza Probabilística de los Problemas Reales
El mundo real es inherentemente incierto. Un modelo de IA no puede decir con certeza absoluta si un cliente cancelará su servicio o si un tumor es maligno. En su lugar, calcula probabilidades. Por ejemplo, "hay un 87% de probabilidad de que este cliente se vaya en los próximos 30 días". Como diseñador de problemas, tu tarea es internalizar esta incertidumbre y diseñar soluciones que la manejen, no que la ignoren.
El Error es Inevitable
Aceptar que ningún modelo es perfecto. Siempre habrá falsos positivos (cuando el modelo dice "sí" y es "no") y falsos negativos (cuando el modelo dice "no" y es "sí").
El Costo del Error
No todos los errores son iguales. En un sistema de detección de fraude, un falso positivo (bloquear a un cliente legítimo) puede ser más costoso que un falso negativo (dejar pasar una transacción fraudulenta). Diseñar el problema implica entender estos costos.
Probabilidades Condicionales e Inferencia Bayesiana
Estas son herramientas poderosas para actualizar nuestras creencias a medida que obtenemos nueva evidencia.
Probabilidad Condicional
La probabilidad de que ocurra un evento A, dado que ya ha ocurrido otro evento B. Se denota como P(A|B).
Ejemplo: P(Tumor Maligno | Resultado del Test Positivo). No es lo mismo que P(Resultado Positivo | Tumor Maligno).
Teorema de Bayes
Una fórmula que nos permite actualizar la probabilidad de una hipótesis a medida que disponemos de más evidencia. Es la base de muchos sistemas de IA modernos.
Fórmula: P(H|E) = [P(E|H) * P(H)] / P(E)
Como diseñador de problemas, entender Bayes te permite estructurar problemas donde la evidencia se acumula con el tiempo, como en diagnósticos médicos o sistemas de recomendación.
Modelando la Incertidumbre: Distribuciones y Varianza
En lugar de pensar en valores fijos, debemos pensar en distribuciones. Por ejemplo, en lugar de decir "el precio de la casa será $300,000", un modelo de IA dirá "el precio de la casa seguirá una distribución normal con media $300,000 y una desviación estándar de $20,000".
Representación visual de una distribución de probabilidad para un problema de predicción
Diseñar un problema con esta mentalidad implica definir no solo el valor esperado, sino también el rango de posibles valores y su probabilidad relativa. Esto es crucial para la toma de decisiones informadas.
Ejercicio Práctico: "Diagnóstico Médico con Incertidumbre"
El Problema
Estás diseñando un sistema de apoyo a la decisión médica para diagnosticar una enfermedad rara. La enfermedad afecta al 1% de la población (P(Enfermedad) = 0.01). El test para detectarla tiene una precisión del 95%: si el paciente tiene la enfermedad, el test es positivo el 95% de las veces (P(Positivo|Enfermedad) = 0.95), y si no la tiene, es negativo el 95% de las veces (P(Negativo|No Enfermedad) = 0.95).
Un paciente da positivo en el test. ¿Cuál es la probabilidad real de que tenga la enfermedad?
Tu Tarea como Diseñador de Problemas
Tu objetivo no es solo calcular la probabilidad, sino diseñar cómo el sistema debe presentar esta información al médico, considerando la incertidumbre.
Calcula P(Enfermedad|Positivo)
Usa el Teorema de Bayes. El resultado te sorprenderá.
Diseña la Interfaz de Información
¿Cómo le presentarías este resultado al médico? ¿Solo el porcentaje, o también el margen de error?
Define el Protocolo de Seguimiento
¿Qué debería hacer el sistema si la probabilidad calculada es menor al 50%? ¿Recomendar otro test?
Visualiza la Incertidumbre
Propón una forma gráfica (ej. barra de confianza) para mostrar la probabilidad y su incertidumbre.
Diseño de Interfaces Problema–IA
En los módulos anteriores, aprendiste a estructurar el problema. Ahora, aprenderás a comunicárselo a la IA. Este módulo es crucial porque una solución mal comunicada es una solución inútil. Se trata de diseñar el "puente" entre el problema humano y la capacidad de procesamiento de la máquina.
Ingeniería de Prompts: El Arte de la Instrucción Clara
Un "prompt" es la instrucción o pregunta que se le da a un modelo de IA, especialmente a los modelos de lenguaje (LLMs). La calidad del prompt determina directamente la calidad de la respuesta.
Mala Práctica
Prompt: "Resume esto."
Es ambiguo. ¿Qué se debe resumir? ¿Con qué longitud? ¿Para qué audiencia?
Buena Práctica
Prompt: "Resume el siguiente contrato de 10 páginas en un máximo de 3 párrafos, destacando las obligaciones del cliente, las del proveedor y las cláusulas de penalización. Usa un lenguaje claro para un público no jurídico."
Es específico, contextualizado y define el formato de salida.
Diseño de APIs y Pipelines de IA
No todas las IA se comunican con texto. Muchas se integran a través de APIs (interfaces de programación de aplicaciones). Diseñar una API para IA implica definir cómo se enviarán los datos de entrada y cómo se recibirán los resultados.
Ejemplo de Pipeline
Un sistema de revisión de tickets de soporte podría tener este flujo:
- Paso 1 (IA): Clasificar el ticket por urgencia (Alta, Media, Baja).
- Paso 2 (Reglas): Si es "Alta", enviar alerta por SMS al supervisor.
- Paso 3 (IA): Sugerir 3 respuestas predefinidas basadas en el contenido del ticket.
- Paso 4 (Humano): El agente elige una respuesta, la edita y la envía.
El diseñador de problemas define cada paso, qué componente lo ejecuta y cómo se pasa la información de uno a otro.
La IA como Colaborador, no como Reemplazo
El diseño más efectivo no es "IA vs. Humano", sino "IA + Humano". El objetivo es asignar tareas a quien las hace mejor.
Visualización de un flujo de trabajo colaborativo entre humanos y sistemas de IA
Por ejemplo, en un sistema de redacción legal, la IA puede generar un primer borrador y resaltar cláusulas de riesgo, pero el abogado humano es quien toma la decisión final y asume la responsabilidad.
Ejercicio Práctico: "Asistente Legal para Consultas de Arrendamiento"
El Problema
Diseña un sistema de IA que ayude a inquilinos a entender sus derechos y obligaciones según su contrato de arrendamiento.
Tu Tarea como Diseñador de Problemas
Tu objetivo es diseñar la interfaz de comunicación entre el usuario y la IA.
Redacta el Prompt Inicial
¿Qué instrucciones le darías al modelo de lenguaje para que analice el contrato y responda preguntas?
Define las Salvaguardas
¿Cómo evitarías que la IA dé un consejo legal erróneo? ¿Qué mensajes de advertencia incluirías?
Diseña el Flujo de la API
Describe los pasos técnicos: desde que el usuario sube el PDF hasta que recibe la respuesta.
Asigna Roles Humano-IA
¿En qué puntos el sistema debe derivar la consulta a un abogado humano?
Metodología de Solución de Problemas con IA
En este punto, ya tienes todas las piezas del rompecabezas. Este módulo te enseñará a ensamblarlas de forma sistemática usando metodologías probadas. Se trata de adoptar un proceso estructurado para ir desde la definición del problema hasta la implementación y mejora continua de la solución.
El Ciclo Iterativo de Solución de Problemas
Resolver problemas con IA no es un proceso lineal, sino un ciclo iterativo. Lo que aprendes en una etapa te lleva a ajustar las etapas anteriores.
1. Definición
Entender el problema del cliente y definir objetivos claros y medibles.
2. Modelado
Representar el problema formalmente: datos, lógica, restricciones.
3. Validación
Probar la solución con datos reales y evaluar su desempeño.
4. Retroalimentación
Recoger datos de uso, identificar errores y volver a la fase de definición o modelado.
Este ciclo es la esencia de la mejora continua. Una solución de IA nunca está "terminada"; siempre se puede refinar.
CRISP-DM: La Metodología Estándar en Ciencia de Datos
CRISP-DM (Cross-Industry Standard Process for Data Mining) es un marco de trabajo ampliamente adoptado. Como diseñador de problemas, debes conocer sus fases para comunicarte eficazmente con científicos de datos.
Las 6 Fases de CRISP-DM
- Comprensión del Negocio: Definir objetivos desde la perspectiva del negocio.
- Comprensión de los Datos: Recopilar y explorar los datos iniciales.
- Preparación de los Datos: Limpiar y transformar los datos para el modelado.
- Modelado: Seleccionar y aplicar técnicas de modelado (IA).
- Evaluación: Evaluar el modelo para ver si cumple con los objetivos del negocio.
- Despliegue: Poner el modelo en producción y planificar su mantenimiento.
Tu rol como diseñador de problemas es crucial en las fases 1, 2 y 5, asegurando que el modelo resuelva el problema real y no solo un proxy estadístico.
Design Thinking Aplicado a IA
El Design Thinking es un enfoque centrado en el ser humano para la innovación. Aplicado a la IA, te ayuda a asegurarte de que la solución no solo sea técnicamente viable, sino también deseable para el usuario y factible de implementar.
Integración de Design Thinking en el proceso de desarrollo de soluciones de IA
Por ejemplo, en la fase de "Empatizar", podrías entrevistar a los usuarios finales para entender sus frustraciones con el proceso actual, lo que te daría insights valiosos para definir mejor el problema que la IA debe resolver.
Ejercicio Práctico: "IA para Priorizar Tickets de Soporte"
El Problema
Tu empresa recibe cientos de tickets de soporte diariamente. Necesitas un sistema que los priorice automáticamente para que los agentes atiendan primero los más críticos.
Tu Tarea como Diseñador de Problemas
Tu objetivo es estructurar este proyecto completo usando una metodología.
Define Objetivos Medibles
¿Qué significa "priorizar bien"? ¿Reducir el tiempo de respuesta para tickets críticos en un 30%?
Mapea las Fases de CRISP-DM
Identifica las actividades clave para cada una de las 6 fases en este proyecto específico.
Diseña el Ciclo de Retroalimentación
¿Cómo se recogerán los datos de los agentes sobre la calidad de la priorización? ¿Cada cuánto se reentrenará el modelo?
Aplica Design Thinking
¿Cómo empatizarías con los agentes de soporte para entender sus necesidades reales al priorizar tickets?
Ética, Sesgos y Limitaciones
La tecnología es neutral, pero su aplicación no lo es. Este módulo te enseñará a anticipar y mitigar los impactos negativos de las soluciones de IA. Tu responsabilidad como diseñador de problemas va más allá de la eficiencia técnica; incluye la justicia, la equidad y la transparencia.
Identificación de Sesgos en Datos y Modelos
Los sesgos pueden introducirse en cualquier etapa: desde la recolección de datos hasta el diseño del algoritmo. Tu trabajo es detectarlos y corregirlos.
Sesgos en los Datos
Ocurren cuando los datos de entrenamiento no representan fielmente a la población real. Por ejemplo, un sistema de reconocimiento facial entrenado principalmente con fotos de hombres blancos tendrá un rendimiento deficiente con mujeres o personas de otras etnias.
Sesgos en el Modelo
Ocurren cuando el algoritmo aprende patrones injustos. Por ejemplo, un modelo de contratación que penaliza currículums con brechas laborales, lo que afecta desproporcionadamente a las mujeres que han sido madres.
Evaluación de Fairness y Transparencia
No basta con que un modelo sea preciso; debe ser justo y comprensible.
Métricas de Fairness
Son herramientas para medir si el modelo trata a diferentes grupos de manera equitativa. Algunas comunes son:
- Paridad Demográfica: La tasa de aceptación es similar para todos los grupos.
- Igualdad de Oportunidad: La tasa de verdaderos positivos es similar para todos los grupos.
- Paridad Predictiva: El valor predictivo positivo es similar para todos los grupos.
Como diseñador de problemas, debes definir qué métrica de fairness es relevante para tu caso de uso específico.
Diseño de Problemas con Criterios Éticos
La ética debe integrarse desde el principio, no añadirse como un parche al final. Esto implica hacerse preguntas difíciles antes de construir la solución.
Marco ético para guiar el diseño de problemas de IA desde el inicio
Preguntas clave que debes hacerte: ¿Quién se beneficia de esta solución? ¿Quién podría ser dañado? ¿Cómo se puede apelar una decisión tomada por la IA? ¿Qué pasa si el sistema falla?
Ejercicio Práctico: "Rediseñar un Sistema de Contratación con IA"
El Problema
Una empresa ha implementado un sistema de IA para filtrar currículums. Se ha descubierto que el sistema descarta sistemáticamente a candidatos de ciertos códigos postales, que coinciden con barrios de bajos ingresos.
Tu Tarea como Diseñador de Problemas
Tu objetivo es rediseñar el problema para mitigar este sesgo.
Identifica la Fuente del Sesgo
¿Está en los datos de entrenamiento, en las variables de entrada, o en la definición del "éxito"?
Propón Cambios en las Entradas
¿Qué variables deberían eliminarse o transformarse para hacer el modelo más justo?
Define Métricas de Fairness
¿Qué métrica usarías para medir si el nuevo diseño es más equitativo?
Diseña un Proceso de Auditoría
¿Cómo se monitorearía el sistema en producción para detectar sesgos emergentes?
Proyecto Final – Arquitecto de Problemas IA
¡Llegaste al final del camino! Este proyecto final es tu oportunidad de integrar todo lo aprendido y demostrar que eres un verdadero arquitecto de problemas para IA. Tu tarea es tomar un problema real de tu entorno y estructurarlo de principio a fin, listo para ser resuelto por un sistema de inteligencia artificial.
Objetivo del Proyecto
Tu objetivo es producir un documento o presentación que sirva como "especificación técnica" para un equipo de desarrollo de IA. Debe ser tan claro y completo que un científico de datos pueda tomarlo y construir una solución sin necesidad de hacer suposiciones.
Requisitos del Proyecto
- Descripción del problema en lenguaje natural: Explica el contexto, los actores involucrados y el dolor que se busca resolver.
- Identificación de entradas, salidas y restricciones: Define con precisión qué datos necesita la IA, qué debe producir y qué reglas debe seguir.
- Representación en modelo formal: Usa diagramas, lógica o grafos para representar la estructura del problema.
- Propuesta de pipeline de solución IA: Describe cómo se encadenarán los componentes (IA, reglas, humanos) para resolver el problema.
- Identificación de riesgos y métricas de éxito: ¿Qué podría salir mal? ¿Cómo se medirá el éxito de la solución?
Ideas de Proyectos (elige una o propón la tuya)
Sistema Contable Inteligente
Diseña un sistema que clasifique automáticamente transacciones financieras y detecte anomalías.
Gestión de Socios para un Club
Crea un sistema que prediga la probabilidad de que un socio renueve su membresía y sugiera acciones de retención.
Asesor Financiero para Banca Minorista
Modela un asistente que recomiende productos financieros (ahorros, inversiones, créditos) basado en el perfil del cliente.
Sistema de Triaje en Salud
Diseña un sistema que priorice pacientes en una clínica basado en síntomas, historial y disponibilidad de recursos.
Herramientas Recomendadas
Para completar tu proyecto, puedes usar las siguientes herramientas:
Lucidchart / Draw.io
Para diagramas y modelado visual.
Python
Para prototipos y simulaciones simples.
Notebooks
Para documentar tu proceso y experimentos.
ChatGPT / Copilot
Para iterar en el diseño de prompts y validar tus ideas.
Tu Proyecto Final: "Arquitecto de Problemas IA"
El Reto
Elige un problema de tu contexto profesional o personal y aplícale todo el marco de trabajo que has aprendido.
Tu Tarea como Arquitecto de Problemas
Tu entregable final debe incluir los siguientes componentes:
Documento de Especificación
Un documento claro y estructurado que detalle todos los puntos del proyecto.
Diagramas y Modelos
Incluye al menos un diagrama (flujo, grafo, entidad-relación) que represente el problema.
Checklist de Validación
Una lista de verificación para asegurarte de que tu diseño es completo, ético y técnicamente viable.
Presentación Final
Prepara una presentación de 10 minutos para "vender" tu solución a un cliente o equipo técnico.