Resumen Ejecutivo – Academia 08-04-2026
Fecha: 8 de abril de 2026
Expuesto por: Profesor Ángel Royo
Corresponde a: Plan Academia
Resumen General
La sesión del 8 de abril de 2026 marcó un paso importante dentro del Plan Academia al introducir de forma explícita el mundo del Machine Learning como una extensión natural del trabajo que ya venían realizando los estudiantes en programación, lógica y resolución de problemas. La clase buscó desmitificar la inteligencia artificial, mostrándola no como algo inaccesible o reservado para expertos, sino como un proceso comprensible basado en datos, entrenamiento y mejora progresiva.
A través de la herramienta Pictoblocks, la reunión combinó teoría y práctica: primero explicando conceptos clave del aprendizaje automático y luego demostrando cómo entrenar un modelo real de clasificación de manos. El resultado fue una clase donde los estudiantes no solo escucharon sobre inteligencia artificial, sino que comenzaron a construirla, probarla y visualizar usos concretos en juegos, presentaciones, hardware y soluciones para la industria.
Plan Academia como Formación para el Futuro
La reunión volvió a presentar el Plan Academia como una evolución del Plan Navegador, orientada a preparar a los estudiantes para un entorno laboral profundamente transformado por la tecnología. Se insistió en que este plan busca entregar herramientas reales para comprender y construir soluciones aplicables a distintos sectores productivos.
- Banca y finanzas.
- Minería y pesca.
- Retail y comercio.
- Salud y monitoreo.
La idea central fue que la inteligencia artificial y la automatización ya están influyendo en todas las industrias, por lo que comenzar a entenderlas desde temprana edad es una ventaja decisiva.
Importancia de la Consistencia y el Material Grabado
La sesión reforzó también la metodología del programa: insistió en la importancia de revisar los videos y resúmenes de audio disponibles en el blog, y de mantener una actitud persistente frente al estudio. El énfasis no estuvo solo en asistir a la clase en vivo, sino en construir continuidad, acumulación de conocimiento y profundidad progresiva.
Se presentó este hábito como una manera de aprovechar el tiempo en conocimientos valiosos y no dispersarse en temas que no aportan directamente al desarrollo cognitivo y técnico de los hijos.
Pictoblocks como Puerta de Entrada
Pictoblocks fue presentado como la plataforma de trabajo para comenzar a explorar el Machine Learning de manera práctica. Se pidió a los participantes descargar la versión de Windows y preparar el entorno como base para los ejercicios de entrenamiento.
La elección de esta herramienta fue estratégica: permite trabajar conceptos complejos de manera visual, concreta y accesible, reduciendo la barrera de entrada y facilitando que los estudiantes entiendan la lógica detrás del modelo sin tener que escribir código avanzado desde cero.
Qué es Machine Learning
La clase definió el Machine Learning como una rama de la inteligencia artificial basada en el entrenamiento de máquinas a partir de datos. Se explicó que el objetivo no es programar manualmente cada respuesta de una máquina, sino permitirle aprender patrones a partir de ejemplos.
Esta explicación buscó quitar dramatismo al concepto. Se insistió en que no se necesita ser un experto en matemáticas avanzadas para comprender el principio general: recolectar datos, entrenar un modelo, probarlo, corregirlo y usarlo.
Analogía con el Aprendizaje Humano
Para facilitar la comprensión, la clase utilizó la analogía del aprendizaje de un bebé. Así como un niño aprende a diferenciar una manzana de una naranja o a asociar la luz roja del semáforo con una acción específica, una máquina también puede aprender a distinguir patrones si se le presentan suficientes ejemplos y se organiza bien su entrenamiento.
Esta comparación fue clave porque permitió a los estudiantes entender que el aprendizaje automático no es magia: es una forma de imitar, en cierto nivel, el proceso humano de reconocer y clasificar el mundo.
Tres Tipos Básicos de Aprendizaje
La sesión introdujo los tres grandes tipos de Machine Learning:
- Supervisado: el modelo aprende a partir de ejemplos etiquetados.
- No supervisado: el modelo detecta patrones sin etiquetas previas.
- Por refuerzo: el modelo mejora mediante recompensas y castigos.
Estos tres enfoques fueron explicados de forma simple, mostrando que todos comparten una misma lógica general: entrenar un sistema para que mejore su comportamiento según los datos que recibe.
Proceso General del Aprendizaje Automático
Se explicó que el flujo básico del Machine Learning sigue una secuencia clara:
- Recolectar datos.
- Entrenar el modelo.
- Probar y evaluar.
- Corregir y mejorar.
- Usar el modelo en una aplicación real.
Esta estructura permitió a los estudiantes ver que detrás de cualquier sistema inteligente hay un proceso ordenado, no un resultado espontáneo.
Aplicaciones Reales del Machine Learning
La clase mostró varios ejemplos de uso práctico para que el concepto dejara de ser abstracto:
- Identificar sonidos de pájaros.
- Clasificar frutas por tamaño o madurez.
- Detectar piezas defectuosas en una línea de producción.
- Reconocer patrones en cultivos o plantaciones.
Esto ayudó a mostrar que el aprendizaje automático ya está presente en el mundo real y que puede integrarse en contextos productivos de manera muy concreta.
Capacidades de Pictoblocks para Inteligencia Artificial
La sesión revisó varias de las capacidades de Pictoblocks relacionadas con IA, especialmente las vinculadas a clasificación de imágenes, detección de objetos, estimación de posturas, clasificación de audio y texto. El mensaje de fondo fue claro: una herramienta accesible puede abrir la puerta a una comprensión temprana de tecnologías que hoy ya están transformando industrias completas.
Regresión Lineal y el Verdadero Significado de “Sesgo”
Se dedicó un momento importante a explicar el concepto de sesgo en inteligencia artificial, aclarando que en este contexto se refiere a un parámetro matemático de una función y no a un prejuicio ideológico o filosófico.
Esta aclaración fue valiosa porque ayudó a desmontar confusiones frecuentes y a enfocar la atención en la naturaleza matemática y técnica del término.
Configuración del Entorno de Trabajo
En la parte práctica se guió a los estudiantes para abrir el entorno de Machine Learning dentro de Pictoblocks, crear un nuevo proyecto, asignarle nombre y descripción, y seleccionar el tipo de clasificador adecuado. La sesión incluyó también instrucciones para guardar el proyecto y descargar dependencias cuando fuera necesario.
La resolución de errores técnicos formó parte explícita del aprendizaje, reforzando que en tecnología los problemas operativos no son una interrupción del proceso, sino parte del proceso mismo.
Errores como Oportunidades de Aprendizaje
La clase aprovechó dificultades técnicas surgidas durante la sesión para enseñar que el error tiene valor formativo. Se mostró que resolver un problema de instalación, actualización o dependencia no solo ayuda a quien lo tiene, sino que fortalece el aprendizaje del grupo completo.
Esta visión conecta muy bien con el espíritu del Plan Academia: aprender a resolver problemas reales en lugar de frustrarse ante ellos.
El Concepto de “Clase” en Machine Learning
Uno de los conceptos técnicos fundamentales introducidos fue el de clase. Se explicó que una clase es una categoría donde agrupamos datos para que el modelo aprenda a distinguirlos.
- Izquierda.
- Derecha.
- Mano abierta.
Esta definición fue muy importante porque permitió a los estudiantes comprender cómo se organiza la información antes de ser procesada por el modelo.
Uso de la Cámara y Datos de Entrada
La clase mostró que el modelo de reconocimiento de manos utiliza la cámara web para capturar información visual y traducirla en datos. Se explicó que cada mano es representada por múltiples puntos de referencia, y que cada uno de esos puntos aporta coordenadas que sirven como datos de entrada para el modelo.
Este punto permitió visualizar con claridad que detrás de una clasificación aparentemente simple hay una estructura matemática de datos organizada y procesable.
Entrenamiento del Modelo de Manos
La demostración práctica se centró en entrenar un modelo con tres clases:
- Mano izquierda.
- Mano derecha.
- Mano abierta.
Se registraron secuencias de datos durante varios segundos, capturando múltiples frames de cada gesto. Esto permitió mostrar que entrenar un modelo consiste en darle suficientes ejemplos consistentes para que pueda reconocer patrones con mayor precisión.
Redes Neuronales y Parámetros de Entrenamiento
La clase introdujo, de forma general, el concepto de redes neuronales artificiales. Se explicó que estas redes están formadas por capas de procesamiento matemático que transforman los datos de entrada para producir una predicción.
También se explicaron parámetros de entrenamiento como:
- Epoch: cantidad de pasadas sobre los datos.
- Batch size: tamaño del lote procesado.
- Learning rate: tamaño de los pasos al aprender.
La explicación del learning rate como “tamaño de los pasos” fue especialmente útil para hacer comprensible un concepto abstracto.
Sobreentrenamiento y Precisión
La sesión mostró cómo observar la mejora del modelo durante el entrenamiento y advirtió sobre el peligro del sobreentrenamiento. Se explicó que más entrenamiento no siempre significa mejores resultados, y que existe un punto en que insistir demasiado puede empeorar el desempeño del modelo.
Este aprendizaje fue valioso porque enseña a los estudiantes a mirar la tecnología con criterio, no solo con entusiasmo.
Alucinación en la Inteligencia Artificial
Se definió también la “alucinación” como la producción de respuestas incorrectas o poco confiables por parte de una IA, especialmente cuando el modelo es muy nuevo o ha sido poco entrenado. Se insistió en que proporcionar contexto adecuado reduce este problema y mejora la calidad de las respuestas.
Esto conecta la práctica del modelo con una comprensión más amplia de cómo funcionan las inteligencias artificiales conversacionales y predictivas.
Exportación del Modelo a Bloques
Una de las partes más poderosas de la clase fue la exportación del modelo entrenado a bloques de programación dentro de Pictoblocks. Esto permitió pasar directamente del entrenamiento a la acción, usando el modelo como una pieza funcional dentro de un proyecto.
Así, el Machine Learning dejó de ser un concepto separado y se integró a la lógica práctica de la programación visual.
Aplicaciones Interactivas con Gestos
La demostración mostró cómo el modelo entrenado podía usarse para cambiar el tamaño de un personaje o moverlo hacia la izquierda y derecha según los gestos detectados. Este paso fue muy importante porque reveló el puente entre datos, modelo y aplicación interactiva.
- Controlar el crecimiento o reducción de un personaje.
- Mover elementos en pantalla con gestos.
- Crear juegos o dinámicas educativas.
La clase sugirió incluso posibles usos en jardines infantiles, presentaciones escolares o dinámicas de conteo para hermanos pequeños.
Ideas de Futuro: Hardware y Salud
Hacia el cierre se proyectaron aplicaciones mucho más avanzadas, incluyendo el uso de hardware para detectar patrones cardíacos o distinguir estados físicos mediante sensores corporales. También se mencionó la posibilidad de entrenar modelos para reconocer rostros y estados de ánimo en contextos comerciales o de atención personalizada.
Estas ideas ampliaron el horizonte del curso y mostraron que lo aprendido en una clase básica de Pictoblocks puede proyectarse hacia soluciones tecnológicas muy sofisticadas.
Conclusión
En términos ejecutivos, la clase del 8 de abril de 2026 cumplió una función decisiva: introducir el Machine Learning de forma comprensible, práctica y emocionante. La sesión mostró que el aprendizaje automático no es un tema reservado para especialistas, sino una tecnología que puede comenzar a explorarse desde edades tempranas cuando se presenta con herramientas adecuadas y ejemplos concretos.
El valor principal de la reunión estuvo en conectar teoría, práctica y proyección futura. Los estudiantes no solo aprendieron qué es un modelo, una clase o una red neuronal, sino que comenzaron a entrenar uno, probarlo y verlo funcionar. De esta manera, la clase no solo enseñó conceptos de inteligencia artificial, sino que fortaleció una mentalidad de creación, experimentación y resolución de problemas con visión de futuro.