ABAI - Procesos inteligentes de selección y reducción para optimizar el Deep Learning

Tras leer la entrada de “Sistemas Ciencia‑Tecnología‑Sociedad (CTS)” y hojear los documentos enlazados, y después de revisar las entradas sobre patentes, estas son las ideas que más me han llamado la atención (en clave de investigación en IA/deep learning): 1) Sistemas CTS: el “circuito” real de la ciencia no es lineal La idea central que me queda del texto es que ciencia, tecnología y sociedad (o empresa) funcionan como un sistema con retroalimentaciones: el conocimiento científico alimenta el conocimiento aplicado, éste impacta en procesos productivos y calidad de vida, y a la vez la sociedad (impuestos / políticas públicas) financia de nuevo la producción de conocimiento. No es solo “descubrimos → aplicamos”, sino un ciclo con intereses y prioridades que cambian con el tiempo. En IA esto se ve clarísimo: avances de investigación (arquitecturas, optimización, preentrenamiento) pasan muy rápido a producto (software, servicios, automatización), y de vuelta aparecen incentivos (mercado,...

1) LECTURAS (ETIQUETA “(2) FRAUDE” DEL E-LIBRO) He revisado las 7 entradas del e-libro bajo la etiqueta “(2) Fraude”. La primera es más general y las siguientes entran en aspectos más concretos (algunas en formato infografía con poco texto). He leído con profundidad 3–4 de ellas, centrando la atención en: - Qué se considera fraude / mala praxis y por qué no es solo “falsificar datos”. - Por qué puede haber resultados publicados erróneos y cómo influyen incentivos y sesgos. - La importancia de transparencia, reproducibilidad y la publicación de resultados negativos. - La diferencia entre corregir, emitir una nota, y retractar (retraction) cuando el problema es estructural. 2) CASO ELEGIDO (CERCANO A IA/DEEP LEARNING) Caso: Retractación de un libro de Machine Learning en una editorial académica por contener referencias/citas inventadas o gravemente erróneas. Resumen: En 2025 se publicó un libro de Machine Learning (nivel “de básicos a avanzado”) en una editorial académica. Se detectó que...

 Cuando se dice que para ser creativo hay que pensar “fuera de la caja”, en ciencia la frase suena bien… pero es engañosa. La mayor parte del conocimiento científico no se produce inventando ocurrencias sin restricción, sino resolviendo problemas dentro de un marco compartido. La creatividad científica existe, pero suele aparecer como innovación disciplinada: explorar “los rincones de la caja” más que huir de ella. 1) ¿Qué es realmente “la caja” en ciencia? En el sentido que propone Thomas Kuhn, la “caja” se corresponde con el paradigma: un acuerdo (explícito e implícito) dentro de una comunidad científica sobre: - qué preguntas son legítimas, - qué herramientas y métodos son válidos, - cómo se interpreta la evidencia, - qué cuenta como explicación satisfactoria, - qué problemas “merecen la pena” (y cuáles se consideran ruido o irrelevantes). Mientras un paradigma está vigente, la disciplina vive un periodo de ciencia normal: la gente no intenta refutarlo todo el rato, sino extende...

  Reflexión sobre el proceso de revisión por pares Participar en el proceso de revisión por pares ha sido una experiencia especialmente interesante, sobre todo por la sensación que produce tener que evaluar un trabajo muy similar al que uno mismo ha realizado. Juzgar un artículo desde la posición de revisor obliga a adoptar una mirada más crítica y distante, y pone de manifiesto lo fácil que es detectar limitaciones metodológicas o aspectos mejorables cuando no se es el autor. La plantilla de revisión resulta útil para estructurar la evaluación, aunque en algunos momentos deja poco espacio para matizar opiniones o desarrollar comentarios más ricos. Esto obliga a sintetizar mucho y a priorizar qué aspectos son realmente relevantes señalar. Tras revisar trabajos de este tipo, sí modificaría algunos elementos del mío, especialmente en lo relativo a la explicitación de limitaciones y a la claridad en la descripción de métodos y resultados. En cuanto a las evaluaciones recibidas, en gen...

  Un modelo matemático de riesgo–recompensa para la decisión de  mus  en el juego del Mus Resumen El juego del mus es un juego de cartas tradicional ampliamente practicado en España, caracterizado por la toma de decisiones bajo incertidumbre y cooperación parcial entre jugadores. Una de las decisiones estratégicas clave del juego es la elección entre aceptar nuevas cartas ( hacer mus ) o continuar con la mano actual ( cortar el mus ). En este trabajo se propone un modelo matemático simplificado que permite cuantificar el equilibrio riesgo–recompensa asociado a esta decisión. A partir de una función que combina el valor esperado de la mano, la probabilidad de mejora y el coste implícito de ceder información y ventaja al rival, se define un criterio formal para determinar cuándo resulta óptimo aceptar el mus. El estudio se basa en simulaciones teóricas y no pretende describir el comportamiento real de jugadores expertos, sino ilustrar cómo herramientas matemáticas pueden ap...

 Uno de los grandes retos actuales en el campo de la inteligencia artificial es conseguir que los sistemas de Deep Learning (aprendizaje profundo) aprendan de forma más rápida, precisa y con menos recursos. Aunque los modelos actuales son muy potentes, también son cada vez más complejos y costosos: necesitan enormes cantidades de datos, tiempo de entrenamiento y poder computacional. Mi tesis doctoral parte de una pregunta sencilla, pero con un impacto profundo: ¿Podemos enseñar a las máquinas a centrarse solo en la información realmente importante para aprender mejor? En otras palabras, busco entender cómo seleccionar las variables más relevantes y reducir la información redundante antes de que un modelo empiece a entrenar. Así, el objetivo es que el modelo no se “distraiga” con datos innecesarios, sino que aprenda de manera más parecida a cómo lo haría una persona: concentrándose en lo esencial. Este estudio combina técnicas de selección de variables y reducción de in...