Hace unos días asistí al webinar “Primeros pasos para programar tu propia IA”, impartido por Jorge Miralles Fernández. El objetivo de la sesión era explicar de forma práctica cómo funcionan los algoritmos básicos de inteligencia artificial y cómo empezar a construir uno desde cero.

La formación estaba dirigida tanto a desarrolladores curiosos como a personas sin experiencia técnica que quisieran entender qué ocurre realmente “bajo el capó” de la IA.

Conceptos básicos de inteligencia artificial

Durante la primera parte del webinar se explicaron algunos conceptos fundamentales. Se habló de la diferencia entre inteligencia artificial, aprendizaje automático (machine learning) y otros enfoques más avanzados como las redes neuronales o los grandes modelos de lenguaje.

Uno de los puntos interesantes fue entender que la mayoría de sistemas actuales no “piensan” como los humanos, sino que aprenden a partir de datos y patrones. Es decir, analizan grandes cantidades de información para encontrar relaciones que luego pueden utilizar para hacer predicciones.

También se explicó brevemente la diferencia entre la IA actual, que está especializada en tareas concretas, y la idea de una inteligencia artificial general que podría resolver cualquier problema como lo haría una persona.

Modelos predictivos y aprendizaje

Otro concepto importante fue el de modelo predictivo. Un modelo predictivo utiliza datos históricos para identificar patrones y estimar posibles resultados futuros.

El proceso suele seguir tres pasos:

• Datos históricos: el algoritmo se alimenta con información del pasado.

• Entrenamiento: el modelo analiza esos datos para encontrar relaciones entre ellos.

• Predicción (inferencia): una vez entrenado, el modelo puede estimar resultados a partir de nuevos datos.

Este esquema ayuda a entender cómo funcionan muchos sistemas de inteligencia artificial que usamos hoy en día.

Construyendo el primer algoritmo

La parte práctica del webinar consistió en crear un modelo sencillo utilizando regresión lineal, una técnica básica del aprendizaje automático.

La regresión lineal intenta encontrar una relación entre dos variables mediante una ecuación matemática de la forma:

y = mx + b

donde la pendiente y la intersección determinan cómo se relacionan los datos.

Para hacerlo más práctico, se utilizó un ejemplo sencillo: estimar el tamaño de la mano de una persona a partir de su altura.

El ejercicio se realizó en dos etapas:

• Nivel No-Code: utilizando Google Sheets para visualizar los datos y generar una línea de tendencia.

• Nivel Code: implementando el mismo modelo en Python mediante Google Colab.

De esta forma se podía entender la lógica del algoritmo sin necesidad de profundizar demasiado en matemáticas.

Algo importante que se vio en la práctica

Uno de los aspectos más interesantes del ejercicio fue comprobar cómo la calidad de los datos influye directamente en los resultados. Si los datos están incompletos, mal medidos o no representan bien la realidad, el modelo puede generar predicciones incorrectas.

Esto pone de relieve algo fundamental en inteligencia artificial: los modelos dependen completamente de los datos con los que se entrenan.

Reflexión personal

En general, la formación me pareció interesante, especialmente la parte práctica. Ver cómo se construye un pequeño modelo predictivo ayuda a entender mejor qué hay detrás de muchos sistemas de inteligencia artificial.

También resulta útil comprobar que, aunque los conceptos puedan parecer complejos, es posible entender su lógica básica con ejemplos sencillos y ejercicios prácticos.

Enlace al evento:  https://www.linkedin.com/events/primerospasosparaprogramartupro7427375092621373441/