La inteligencia artificial aplicada usa modelos entrenados con datos para resolver problemas concretos: predecir la demanda de un producto, clasificar documentos o responder consultas de clientes. En esta guía conoces cómo funciona un modelo, con qué herramientas se construye y qué cuidados éticos y legales exige su uso.
¿Qué es un modelo de inteligencia artificial?
Un modelo de inteligencia artificial es un programa que aprendió patrones a partir de ejemplos y los usa para hacer predicciones o generar contenido. En vez de escribir cada regla a mano, se le muestran muchos datos y el modelo ajusta sus parámetros hasta equivocarse lo menos posible.
Aplicar IA no siempre significa crear un modelo desde cero. Muchas veces el trabajo consiste en elegir un modelo existente, adaptarlo a los datos de una empresa, conectarlo con sus sistemas y medir si realmente mejora el proceso.
| Tipo de IA | Qué hace | Ejemplo de uso |
|---|---|---|
| Aprendizaje supervisado | Aprende de ejemplos que ya tienen la respuesta correcta. | Predecir si un cliente dejará de comprar. |
| Aprendizaje no supervisado | Busca grupos o patrones en datos sin etiquetas. | Agrupar clientes con hábitos parecidos. |
| Deep learning | Usa redes neuronales de muchas capas para datos complejos. | Reconocer objetos en imágenes. |
| IA generativa | Crea texto, imágenes o código nuevo a partir de una instrucción. | Redactar borradores o resumir documentos. |
| Agentes inteligentes | Combinan un modelo con herramientas para ejecutar tareas de varios pasos. | Automatizar la respuesta a solicitudes internas. |
Dato clave: machine learning (aprendizaje automático) es una parte de la inteligencia artificial, y deep learning es una parte del machine learning. Las tres palabras no son sinónimos.
¿Por qué los datos de entrenamiento son tan importantes?
Los datos de entrenamiento son tan importantes porque un modelo solo puede aprender lo que está en ellos. Si los datos están incompletos, desactualizados o tienen sesgos, el modelo repetirá esos errores en sus respuestas.
- Cantidad: se necesitan suficientes ejemplos para que el modelo generalice.
- Calidad: datos limpios, sin duplicados ni errores de etiquetado.
- Representatividad: que incluyan a todos los grupos y situaciones donde se usará el modelo.
- Separación: se reserva una parte de los datos para probar el modelo con ejemplos que no vio al entrenar.
Ojo, sesgo: un modelo entrenado con datos históricos puede aprender discriminaciones del pasado, por ejemplo en selección de personal o en evaluación de créditos. Revisar los datos y medir los resultados por grupo es parte del trabajo, no un extra.
¿Qué herramientas se usan en inteligencia artificial aplicada?
En inteligencia artificial aplicada se usan principalmente Python, bases de datos con SQL, librerías de machine learning, plataformas en la nube y herramientas de visualización para explicar los resultados.
Python
El lenguaje más usado en IA por su sintaxis clara y su gran cantidad de librerías de código abierto.
Se usa en: preparar datos, entrenar y probar modelos.
SQL
Lenguaje para extraer y combinar los datos guardados en bases de datos relacionales.
Se usa en: reunir los datos de entrenamiento.
Librerías de ML
Conjuntos de funciones listas para entrenar modelos, como scikit-learn, TensorFlow o PyTorch.
Se usa en: clasificación, predicción y redes neuronales.
Notebooks
Documentos como Jupyter, que mezclan código, gráficos y explicaciones.
Se usa en: experimentar y documentar pruebas.
Modelos de lenguaje
Modelos de IA generativa a los que se accede por chat o por API, con instrucciones (prompts).
Se usa en: asistentes, resúmenes y automatización de textos.
Cómo se desarrolla un proyecto de IA, paso a paso
- Definir el problema. Qué se quiere predecir o automatizar y cómo se medirá el éxito.
- Reunir y limpiar los datos. Revisar origen, calidad y permisos de uso.
- Entrenar. Probar uno o más modelos con los datos de entrenamiento.
- Evaluar. Medir el desempeño con datos que el modelo no vio y revisar posibles sesgos.
- Desplegar. Integrar el modelo en un sistema o proceso real.
- Monitorear. Vigilar que siga funcionando bien cuando cambian los datos.
¿Qué reglas éticas y legales aplican a la IA en Chile?
En Chile, el uso de IA debe respetar la ley de protección de datos personales y se orienta por la Política Nacional de Inteligencia Artificial. A nivel internacional, la referencia ética más citada es la Recomendación sobre la Ética de la IA de la UNESCO, adoptada en noviembre de 2021.
- Ley 21.719: regula la protección y el tratamiento de datos personales y crea la Agencia de Protección de Datos Personales. Reconoce derechos como acceso, rectificación, supresión, oposición, portabilidad y bloqueo, e incluye reglas sobre decisiones automatizadas.
- Política Nacional de IA: el Ministerio de Ciencia la actualizó en 2024 y en el Congreso se tramita un proyecto de ley para regular los sistemas de IA.
- UNESCO: pide transparencia y explicabilidad, no discriminación, protección de la privacidad y que siempre sea posible atribuir la responsabilidad a personas o entidades.
Dato clave: una buena práctica es no ingresar datos personales ni información confidencial de una empresa en herramientas de IA generativa abiertas sin autorización. Lo que escribes puede quedar fuera del control de la organización.
¿Qué aprendes en la carrera de Inteligencia Artificial Aplicada?
En Ingeniería en Inteligencia Artificial Aplicada del Instituto Profesional IPG trabajas con estos conceptos y herramientas. Entre las asignaturas de la malla están Python para IA, SQL Avanzado, Visualización de Datos, Fundamentos de Inteligencia Artificial, Machine Learning e IA Generativa. Las certificaciones de la carrera incluyen asignaturas como Prompt Engineering, Agentes Inteligentes I y Deep Learning I, además de aplicaciones de IA para minería, energía, logística y negocios. Revisa la ficha de la carrera para ver su malla completa.
Profundiza: Ingeniería en Inteligencia Artificial Aplicada en IPG
Preguntas frecuentes
¿Qué diferencia hay entre inteligencia artificial y machine learning?
La inteligencia artificial es el campo general que busca que los sistemas realicen tareas que asociamos a la inteligencia humana. Machine learning es una de sus técnicas: el sistema aprende patrones a partir de datos en vez de seguir reglas escritas a mano. Hoy la mayoría de las aplicaciones de IA usan machine learning.
¿Qué es un prompt?
Es la instrucción que se le da a un modelo de IA generativa para obtener una respuesta: una pregunta, una tarea o un ejemplo de lo que se espera. Un buen prompt indica el contexto, el objetivo y el formato deseado. Escribirlos y probarlos de forma ordenada se conoce como prompt engineering.
¿La IA puede equivocarse?
Sí. Un modelo puede dar respuestas incorrectas con total seguridad, repetir sesgos de sus datos o fallar cuando la realidad cambia. Por eso se evalúa con datos de prueba, se monitorea después de implementarlo y, en decisiones importantes, se mantiene la revisión de una persona.
¿Qué protege la Ley 21.719 cuando se usa IA?
La Ley 21.719 regula cómo se tratan los datos personales: exige una base legal para usarlos, reconoce derechos a las personas, como acceder a sus datos o pedir su supresión, e incluye reglas sobre decisiones automatizadas. Crea además la Agencia de Protección de Datos Personales, encargada de fiscalizarla.
Fuentes
- UNESCO – Recomendación sobre la ética de la inteligencia artificial: Año de adopción (noviembre de 2021) y principios de transparencia, no discriminación, privacidad y responsabilidad humana.
- Gobierno Digital – Guía de la nueva ley de datos personales: Derechos de los titulares, decisiones automatizadas y principios de la Ley 21.719.
- Academia Judicial – Ley 21.719: Objeto de la Ley 21.719 y creación de la Agencia de Protección de Datos Personales.
- Python Software Foundation: Descripción de Python como lenguaje de programación.
