Inicio › UD1 › 1.4 Na realidade
1.4 · Identificar as áreas da IA na realidade
Que aprenderás: identificar os ámbitos da IA en exemplos reais dos diferentes campos de aplicación na sociedade.
Como se recoñece na práctica
Para dicir que algo leva intelixencia artificial non abonda con que sexa electrónico nin con que se chame «intelixente» na caixa. A pregunta é se aprende dos datos ou se só executa sempre a mesma regra fixa.
Un truco que funciona: pregúntate que mellora co uso. Se o aparello fai hoxe exactamente o mesmo que o primeiro día, por moi complexo que sexa, non aprendeu nada.
As áreas que hai que saber identificar
- Percepción — recoñecer imaxes, son ou voz.
- Aprendizaxe — mellorar a partir de exemplos ou datos.
- Representación e razoamento — organizar información e decidir con ela.
- Actuación — mover ou controlar algo no mundo real.
- Comunicación — entender e producir linguaxe.
En detalle
A IA débil abarca aplicacións específicas que imitan tarefas humanas —asistentes virtuais, sistemas de recomendación nas plataformas de streaming— sen conciencia propia. A IA forte busca emular a intelixencia humana completa (razoar, aprender, comprender), pero segue sendo teórica. Mentres, a IA débil demostra a súa utilidade en medicina, agricultura, educación e robótica autónoma: avances multidisciplinares que transforman a sociedade.
Trae 2 exemplos reais de IA do teu día a día (unha app, un servizo, un aparello). Para cada un, completa:
- Que área da IA usa (percepción, razoamento, aprendizaxe…).
- É IA débil ou forte? Por que.
Posta en común: entre todos descartamos os «falsos positivos» (cousas que parecen IA e non o son).
Dous sistemas reais, os dous de IA débil, os dous miran imaxes médicas. Pero traballan de maneiras moi distintas.
A · LumineticsCore (antes IDx-DR). En abril de 2018 a axencia do medicamento dos Estados Unidos autorizou o primeiro aparello de IA que dá un resultado diagnóstico sen que ningún especialista mire a imaxe. Nun centro de saúde, unha enfermeira fotografía a retina dunha persoa con diabetes e o sistema di se hai retinopatía diabética máis que leve. Nese paso non hai oftalmólogo.
B · Ensaio MASAI (Suecia). No primeiro ensaio aleatorizado de IA no cribado de cancro de mama —máis de 80.000 mulleres— a IA axuda ás radiólogas en vez de substituílas. Resultados: 6 cancros detectados por cada 1.000 mulleres fronte a 5 coa dobre lectura habitual, os mesmos falsos positivos (1,5 % nos dous grupos) e un 44 % menos de traballo de lectura (46.345 lecturas fronte a 83.231).
Pasos
- Para cada sistema, completa as tres áreas do axente: que percibe · que garda e como decide · de que aprendeu.
- Os dous son IA débil. Xustifícao coa definición da unidade, non coa sensación que che dan.
- Compara: en A a máquina decide soa; en B axuda a que decida unha persoa. Cal dos dous cambios é maior para o paciente? E sobre todo: quen asina o resultado en cada caso?
- Os números de MASAI son reais: 6 fronte a 5 por cada 1.000. É moito ou pouco? Que significa «un cancro máis por cada 1.000 mulleres» nun programa de 80.000?
- Axencia do medicamento dos EUA (FDA), nota de prensa do 11 de abril de 2018: autorización do primeiro aparello baseado en IA para detectar problemas oculares relacionados coa diabetes (solicitude De Novo DEN180001).
- Lång, K. e outros: ensaio MASAI, lectura de mamografías asistida por IA fronte á dobre lectura estándar. The Lancet Oncology, agosto de 2023.
1.4 · Identificar las áreas de la IA en la realidad
Qué aprenderás: identificar los ámbitos de la IA en ejemplos reales de los diferentes campos de aplicación en la sociedad.
Cómo se reconoce en la práctica
Para decir que algo lleva inteligencia artificial no basta con que sea electrónico ni con que se llame «inteligente» en la caja. La pregunta es si aprende de los datos o si solo ejecuta siempre la misma regla fija.
Un truco que funciona: pregúntate qué mejora con el uso. Si el aparato hace hoy exactamente lo mismo que el primer día, por complejo que sea, no ha aprendido nada.
Las áreas que hay que saber identificar
- Percepción — reconocer imágenes, sonido o voz.
- Aprendizaje — mejorar a partir de ejemplos o datos.
- Representación y razonamiento — organizar información y decidir con ella.
- Actuación — mover o controlar algo en el mundo real.
- Comunicación — entender y producir lenguaje.
En detalle
La IA débil abarca aplicaciones específicas que imitan tareas humanas —asistentes virtuales, sistemas de recomendación en las plataformas de streaming— sin conciencia propia. La IA fuerte busca emular la inteligencia humana completa (razonar, aprender, comprender), pero sigue siendo teórica. Mientras tanto, la IA débil demuestra su utilidad en medicina, agricultura, educación y robótica autónoma: avances multidisciplinares que transforman la sociedad.
Trae 2 ejemplos reales de IA de tu día a día. Para cada uno: qué área de la IA usa y si es IA débil o fuerte, con argumento.
Puesta en común: descartamos los «falsos positivos».
Dos sistemas reales, los dos de IA débil, los dos miran imágenes médicas. Pero trabajan de maneras muy distintas.
A · LumineticsCore (antes IDx-DR). En abril de 2018 la agencia del medicamento de Estados Unidos autorizó el primer aparato de IA que da un resultado diagnóstico sin que ningún especialista mire la imagen. En un centro de salud, una enfermera fotografía la retina de una persona con diabetes y el sistema dice si hay retinopatía diabética más que leve. En ese paso no hay oftalmólogo.
B · Ensayo MASAI (Suecia). En el primer ensayo aleatorizado de IA en el cribado de cáncer de mama —más de 80.000 mujeres— la IA ayuda a las radiólogas en vez de sustituirlas. Resultados: 6 cánceres detectados por cada 1.000 mujeres frente a 5 con la doble lectura habitual, los mismos falsos positivos (1,5 % en ambos grupos) y un 44 % menos de trabajo de lectura (46.345 lecturas frente a 83.231).
Pasos
- Para cada sistema, completa las tres áreas del agente: qué percibe · qué guarda y cómo decide · de qué aprendió.
- Los dos son IA débil. Justifícalo con la definición de la unidad, no con la sensación que te dan.
- Compara: en A la máquina decide sola; en B ayuda a que decida una persona. ¿Cuál de los dos cambios es mayor para el paciente? Y sobre todo: ¿quién firma el resultado en cada caso?
- Los números de MASAI son reales: 6 frente a 5 por cada 1.000. ¿Es mucho o poco? ¿Qué significa «un cáncer más por cada 1.000 mujeres» en un programa de 80.000?
- Agencia del medicamento de EE. UU. (FDA), nota de prensa del 11 de abril de 2018: autorización del primer aparato basado en IA para detectar problemas oculares relacionados con la diabetes (solicitud De Novo DEN180001).
- Lång, K. y otros: ensayo MASAI, lectura de mamografías asistida por IA frente a la doble lectura estándar. The Lancet Oncology, agosto de 2023.
1.4 · L'IA dans la réalité
Ce que tu vas apprendre : identifier les domaines de l'IA dans des exemples réels des différents champs d'application dans la société.
Comment le reconnaître en pratique
Pour dire qu'un objet contient de l'intelligence artificielle, il ne suffit pas qu'il soit électronique ni qu'on l'appelle « intelligent » sur la boîte. La question est de savoir s'il apprend des données ou s'il se contente d'appliquer toujours la même règle fixe.
Une astuce qui marche : demande-toi ce qui s'améliore à l'usage. Si l'appareil fait aujourd'hui exactement la même chose que le premier jour, aussi complexe soit-il, il n'a rien appris.
Les domaines à savoir identifier
- Perception — reconnaître des images, des sons ou la voix.
- Apprentissage — s'améliorer à partir d'exemples ou de données.
- Représentation et raisonnement — organiser l'information et décider avec elle.
- Action — déplacer ou contrôler quelque chose dans le monde réel.
- Communication — comprendre et produire du langage.
En détail
L'IA faible couvre des applications spécifiques qui imitent des tâches humaines —assistants virtuels, systèmes de recommandation des plateformes de streaming— sans conscience propre. L'IA forte cherche à émuler l'intelligence humaine complète (raisonner, apprendre, comprendre), mais elle reste théorique. Pendant ce temps, l'IA faible démontre son utilité en médecine, agriculture, éducation et robotique autonome : des avancées multidisciplinaires qui transforment la société.
Apporte 2 exemples réels d'IA de ton quotidien (une appli, un service, un appareil). Pour chacun, complète :
- Quel domaine de l'IA il utilise (perception, raisonnement, apprentissage…).
- Est-ce de l'IA faible ou forte ? Pourquoi.
Mise en commun : tous ensemble, on écarte les « faux positifs » (des choses qui ressemblent à de l'IA sans en être).
Deux systèmes réels, tous deux d'IA faible, tous deux regardent des images médicales. Mais ils travaillent de manières très différentes.
A · LumineticsCore (ex IDx-DR). En avril 2018, l'agence du médicament des États-Unis a autorisé le premier appareil d'IA rendant un résultat diagnostique sans qu'aucun spécialiste ne regarde l'image. Dans un centre de santé, une infirmière photographie la rétine d'une personne diabétique et le système dit s'il y a une rétinopathie diabétique plus que légère. À cette étape, il n'y a pas d'ophtalmologue.
B · Essai MASAI (Suède). Dans le premier essai randomisé d'IA dans le dépistage du cancer du sein — plus de 80 000 femmes — l'IA aide les radiologues au lieu de les remplacer. Résultats : 6 cancers détectés pour 1 000 femmes contre 5 avec la double lecture habituelle, autant de faux positifs (1,5 % dans les deux groupes) et 44 % de travail de lecture en moins (46 345 lectures contre 83 231).
Étapes
- Pour chaque système, complète les trois domaines de l'agent : que perçoit-il · que stocke-t-il et comment décide-t-il · de quoi a-t-il appris.
- Les deux relèvent de l'IA faible. Justifie-le avec la définition de l'unité, pas avec l'impression qu'ils te donnent.
- Compare : en A la machine décide seule ; en B elle aide une personne à décider. Lequel des deux changements est le plus grand pour le patient ? Et surtout : qui signe le résultat dans chaque cas ?
- Les chiffres de MASAI sont réels : 6 contre 5 pour 1 000. Est-ce beaucoup ou peu ? Que signifie « un cancer de plus pour 1 000 femmes » dans un programme de 80 000 ?
- Agence du médicament des États-Unis (FDA), communiqué de presse du 11 avril 2018 : autorisation du premier appareil fondé sur l'IA pour détecter des atteintes oculaires liées au diabète (demande De Novo DEN180001).
- Lång, K. et al. : essai MASAI, lecture de mammographies assistée par IA face à la double lecture standard. The Lancet Oncology, août 2023.
1.4 · الذكاء الاصطناعي في الواقع
ما ستتعلّمه: تحديد مجالات الذكاء الاصطناعي في أمثلة حقيقية من مختلف ميادين تطبيقه في المجتمع.
كيف نتعرّف عليه عمليًّا
لا يكفي أن يكون الجهاز إلكترونيًّا ولا أن يُسمّى «ذكيًّا» لنقول إنّ فيه ذكاءً اصطناعيًّا. السؤال هو: هل يتعلّم من البيانات أم ينفّذ القاعدة الثابتة نفسها دائمًا؟
وثمّة حيلة نافعة: اسأل ما الذي يتحسّن بالاستعمال. فإن كان الجهاز يفعل اليوم ما فعله أوّل يوم تمامًا، مهما بلغ تعقيده، فهو لم يتعلّم شيئًا.
المجالات التي ينبغي تمييزها
- الإدراك — التعرّف على الصور أو الصوت.
- التعلّم — التحسّن انطلاقًا من أمثلة أو بيانات.
- التمثيل والاستدلال — تنظيم المعلومات واتّخاذ القرار.
- الفعل — تحريك شيء في العالم الحقيقي أو التحكّم فيه.
- التواصل — فهم اللغة وإنتاجها.
بالتفصيل
يشمل الذكاء الاصطناعي الضعيف تطبيقات محدّدة تحاكي مهامّ بشرية —المساعدون الافتراضيون، وأنظمة التوصية في منصّات البثّ— من دون وعي ذاتي. أمّا الذكاء الاصطناعي القوي فيسعى إلى محاكاة الذكاء البشري كاملًا (الاستدلال والتعلّم والفهم)، لكنه لا يزال نظريًا. وفي غضون ذلك يثبت الذكاء الضعيف فائدته في الطب والزراعة والتعليم والروبوتات ذاتية التشغيل: تقدّمات متعدّدة التخصّصات تُحدث تحوّلًا في المجتمع.
أحضر مثالين حقيقيين للذكاء الاصطناعي من حياتك اليومية (تطبيق، خدمة، جهاز). وأكمل لكل مثال:
- أي مجال من مجالات الذكاء الاصطناعي يستخدم (الإدراك، الاستدلال، التعلّم…).
- هل هو ذكاء اصطناعي ضعيف أم قوي؟ ولماذا.
مناقشة جماعية: نستبعد معًا «الإيجابيات الكاذبة» (أشياء تبدو ذكاءً اصطناعيًا وهي ليست كذلك).
نظامان حقيقيان، كلاهما ذكاء اصطناعي ضعيف، وكلاهما ينظر إلى صور طبية، لكنهما يعملان بطريقتين مختلفتين تمامًا.
أ · LumineticsCore (سابقًا IDx-DR). في أبريل 2018 أجازت هيئة الدواء الأمريكية أول جهاز ذكاء اصطناعي يُصدر نتيجة تشخيصية دون أن ينظر أي أخصائي إلى الصورة. في مركز صحي، تصوّر ممرضة شبكية شخص مصاب بالسكري، والنظام يقول إن كان هناك اعتلال شبكية سكري أكثر من خفيف. في هذه الخطوة لا يوجد طبيب عيون.
ب · تجربة MASAI (السويد). في أول تجربة عشوائية للذكاء الاصطناعي في فحص سرطان الثدي — بأكثر من 80,000 امرأة — يساعد الذكاء الاصطناعي أخصائيات الأشعة بدل أن يحلّ محلهن. النتائج: 6 حالات سرطان مكتشفة لكل 1000 امرأة مقابل 5 بالقراءة المزدوجة المعتادة، ونفس نسبة الإيجابيات الكاذبة (1.5% في المجموعتين)، وانخفاض عبء القراءة بنسبة 44% (46,345 قراءة مقابل 83,231).
الخطوات
- لكل نظام، أكمل مجالات الوكيل الثلاثة: ماذا يُدرك · ماذا يخزّن وكيف يقرّر · ممّ تعلّم.
- كلاهما ذكاء اصطناعي ضعيف. برّر ذلك بتعريف الوحدة، لا بالانطباع الذي يتركانه لديك.
- قارن: في أ تقرّر الآلة وحدها، وفي ب تساعد إنسانًا على القرار. أيّ التغييرين أكبر بالنسبة للمريض؟ وقبل كل شيء: من يوقّع النتيجة في كل حالة؟
- أرقام MASAI حقيقية: 6 مقابل 5 لكل 1000. أهذا كثير أم قليل؟ وماذا تعني «حالة سرطان إضافية لكل 1000 امرأة» في برنامج يشمل 80,000؟
- هيئة الدواء الأمريكية (FDA)، بيان صحفي بتاريخ 11 أبريل 2018: إجازة أول جهاز قائم على الذكاء الاصطناعي لكشف مشكلات العين المرتبطة بالسكري (طلب De Novo DEN180001).
- Lång, K. وآخرون: تجربة MASAI، قراءة صور الثدي الشعاعية بمساعدة الذكاء الاصطناعي مقابل القراءة المزدوجة المعتادة. The Lancet Oncology، أغسطس 2023.