Introducción a la Inteligencia Artificial
Explica qué diferencia a un sistema basado en IA de un sistema convencional, los tipos de IA, las tecnologías clave, la IA generativa, el hardware, las opciones de desarrollo/alojamiento, los marcos de trabajo ML y el impacto de regulaciones y estándares.
1.1 Introducción a la IA
Este capítulo ubica la IA dentro del contexto de pruebas. La idea central es que un sistema basado en IA no solo ejecuta reglas escritas de forma explícita; también puede usar modelos entrenados con datos, comportamiento probabilístico y resultados que dependen de patrones aprendidos. Por eso se necesitan pruebas orientadas a datos, métricas, riesgos y evidencia estadística.
- Diferenciar IA de automatización tradicional evita diseñar pruebas como si todo fuera determinista.
- La testeabilidad depende de datos, modelo, entorno, explicación, trazabilidad y control operativo.
1.1.1 Sistemas basados en IA y sistemas convencionales
Un sistema convencional suele implementar reglas programadas directamente y, para una misma entrada y estado inicial, normalmente produce una salida esperada. Un sistema basado en IA incorpora uno o más componentes de IA que infieren, clasifican, predicen, generan o recomiendan usando conocimiento aprendido. Esto puede producir variabilidad, incertidumbre y comportamientos difíciles de explicar.
- Convencional: reglas explícitas, oráculo más claro, comportamiento normalmente determinista.
- Basado en IA: datos + modelo + umbrales + contexto, oráculo más complejo y evaluación estadística.
- Como tester debes revisar requisitos, datos, modelo, métricas, sesgos, seguridad, robustez y despliegue.
1.1.2 IA estrecha, IA general y super IA
La IA estrecha resuelve tareas específicas, como clasificar imágenes o responder preguntas en un dominio. La IA general representa la capacidad hipotética de ejecutar múltiples tareas intelectuales con flexibilidad similar a una persona. La super IA se refiere a capacidades superiores a las humanas. En el examen, la IA usada en productos actuales se clasifica normalmente como IA estrecha.
- IA estrecha = actual y práctica.
- IA general y super IA son conceptos, no el objetivo típico de pruebas actuales.
- No confundir buen desempeño en una tarea con inteligencia general.
1.1.3 Diferentes tipos de tecnologías de IA
IA es el campo amplio. Dentro de él existen tecnologías como sistemas expertos, búsqueda, lógica difusa, procesamiento de lenguaje natural, aprendizaje automático, aprendizaje profundo, agentes inteligentes, visión por computador y modelos generativos. Cada tecnología genera riesgos de prueba diferentes: reglas incompletas, datos sesgados, mala generalización, alucinaciones, ataques adversarios o falta de explicabilidad.
- ML aprende a partir de datos; DL usa redes neuronales profundas.
- NLP trabaja lenguaje natural; visión computacional trabaja imágenes/video.
- Sistemas expertos dependen de conocimiento codificado; ML depende de datos y entrenamiento.
1.1.4 IA generativa
La IA generativa produce contenido nuevo, como texto, imágenes, audio, código o datos sintéticos, aprendiendo patrones de datos de entrenamiento. Se prueba con criterios de calidad, seguridad, sesgo, precisión factual, consistencia, toxicidad, cumplimiento normativo y resistencia a ataques de prompts. En LLM, la misma pregunta puede generar respuestas distintas por parámetros como temperatura.
- Riesgos típicos: alucinaciones, prompt injection, fuga de información, contenido dañino y sesgo.
- No basta validar una respuesta; hay que probar familias de prompts y escenarios.
1.1.5 Hardware para sistemas de aprendizaje automático
El entrenamiento y la inferencia pueden ejecutarse en CPU, GPU, TPU, aceleradores especializados, edge devices o infraestructura en la nube. La elección afecta rendimiento, coste, latencia, consumo energético, compatibilidad, reproducibilidad y riesgo de despliegue. Un modelo puede funcionar en laboratorio y fallar en producción si el hardware o las librerías cambian.
- GPU/TPU: útiles para cómputo paralelo.
- Edge AI: baja latencia y privacidad, pero limitaciones de memoria y potencia.
- El tester debe considerar equivalencia entre entorno de prueba y producción.
1.1.6 Desarrollo y alojamiento de modelos de IA
El desarrollo y alojamiento puede ser local, nube pública, nube privada, híbrido, AI como servicio o edge. Cada opción cambia los riesgos: privacidad, seguridad, dependencia de proveedor, versionado, coste, disponibilidad, cumplimiento y monitoreo. En pruebas, esto impacta ambientes, datos, trazabilidad y repetibilidad.
- AIaaS acelera implementación, pero introduce dependencia externa.
- Local/on-premise da más control, pero exige más operación.
- Nube facilita escalabilidad, pero requiere controles de seguridad y datos.
1.1.7 Marcos de trabajo de desarrollo ML
Un marco de trabajo ML proporciona bibliotecas, APIs y herramientas para preparar datos, entrenar, evaluar, desplegar y monitorear modelos. Ayuda a construir modelos más rápido, pero no garantiza calidad. Cambios de versión, parámetros por defecto, compatibilidad de hardware y errores de integración deben ser probados.
- Ejemplos de funciones: entrenamiento, evaluación, serialización, carga de modelos, pipelines y despliegue.
- Riesgo: reproducibilidad baja si no se controlan versiones, semillas y dependencias.
1.1.8 Regulaciones y estándares para IA
Las regulaciones y estándares afectan requisitos, gestión de riesgos, documentación, explicabilidad, seguridad, privacidad, transparencia, trazabilidad, supervisión humana y evidencia de pruebas. El tester debe convertir obligaciones regulatorias en criterios verificables y casos de prueba.
- Normas relevantes incluyen modelos de calidad, sesgo, seguridad funcional, ciclo de vida y pruebas de IA.
- El cumplimiento no se prueba solo al final: debe incorporarse desde requisitos y diseño.
Términos clave
Objetivos de aprendizaje
- AI-1.1.1 · K2Diferenciar entre sistemas basados en IA y sistemas convencionales
Los sistemas convencionales siguen reglas explícitas y suelen ser deterministas; muchos sistemas basados en IA aprenden patrones de datos, producen resultados probabilísticos y pueden requerir explicabilidad adicional.
- AI-1.1.2 · K2Distinguir entre IA estrecha, IA general y super IA
La IA estrecha resuelve tareas específicas y es la IA actual; la IA general aún es conceptual y podría realizar tareas intelectuales amplias; la super IA superaría la inteligencia humana.
- AI-1.1.3 · K2Explicar los diferentes tipos de tecnologías de IA
IA es el campo amplio; aprendizaje automático es un subconjunto que aprende de datos; aprendizaje profundo es un subconjunto de aprendizaje automático basado en redes neuronales profundas; también existen aprendizaje supervisado, no supervisado y por refuerzo.
- AI-1.1.4 · K2Explicar la IA generativa
La IA generativa crea contenido nuevo —texto, imagen, audio, código o datos— aprendiendo patrones de entrenamiento, por lo que se prueba con reglas, evaluación humana, métricas y escenarios variados.
- AI-1.1.5 · K2Comparar las opciones de equipo físico disponibles para implementar sistemas de aprendizaje automático
Las GPUs son útiles para entrenamiento y ejecución por su procesamiento paralelo; las CPUs son de propósito general; equipo físico especializado como ASIC/TPU puede optimizar inferencia o borde, según el contexto.
- AI-1.1.6 · K2Comparar las opciones de desarrollo y alojamiento de modelos de IA
El desarrollo y alojamiento puede ser local, en nube pública/privada o híbrido; la elección depende de coste, seguridad, privacidad, escalabilidad, latencia y sensibilidad de los datos.
- AI-1.1.7 · K2Resumir la funcionalidad que proporcionan los marcos de trabajo de desarrollo de ML
Los marcos de trabajo de aprendizaje automático ayudan a definir arquitecturas, entrenar, evaluar, versionar y desplegar modelos, pero no eliminan la necesidad de preparar datos, revisar riesgos y probar resultados.
- AI-1.1.8 · K2Explicar cómo las regulaciones y estándares afectan el desarrollo y las pruebas de sistemas basados en IA
Regulaciones y estándares influyen en requisitos, gestión de riesgo, trazabilidad, documentación, transparencia, seguridad y evidencia de pruebas de los sistemas basados en IA.
Errores frecuentes
- No confundir IA con aprendizaje automático: aprendizaje automático es una parte de IA, no sinónimo total.
- No asumir que IA generativa siempre entrega respuestas verificables o deterministas.
- No olvidar que regulación y estándares influyen en la evidencia de prueba.
Ejemplos aplicados
- En fraude transaccional, un sistema convencional usa reglas fijas; un modelo de aprendizaje automático aprende patrones de fraude y produce una probabilidad.