ISO 42001/22989: Fundamentos de Inteligencia Artificial IA

1. Dominarás los conceptos clave y definiciones fundamentales de la norma ISO 42001.

2. Analizarás las bases terminológicas para entender los sistemas de gestión.

Conceptos esenciales de ISO/IEC 22989

En este primer bloque de aprendizaje nos adentraremos en los conceptos fundamentales que rigen el universo de la inteligencia artificial (IA) desde la perspectiva normativa. Nuestros estudiantes aprenderán qué es y qué no es la IA, cómo se diferencia de otras tecnologías automatizadas, y por qué es esencial establecer un lenguaje común y criterios claros antes de auditar, diseñar o implementar sistemas basados en IA.

Exploraremos los siguientes conceptos clave definidos por la ISO/IEC 22989:

• Inteligencia Artificial vs sistemas deterministas

• Sistemas de IA (AI Systems) y componentes clave

• Aprendizaje automático (machine learning)

• Modelos entrenados y no entrenados

• Datos de entrenamiento, validación y prueba

• Sesgos, incertidumbre y errores en IA

• Explicabilidad, trazabilidad, autonomía y adaptabilidad

• Inteligencia artificial general vs IA débil

• Sistemas híbridos y supervisados

• Agentes inteligentes, contextos, entornos y objetivos

Además, los estudiantes se familiarizarán con herramientas de comprensión práctica que incluyen:

• Diagramas conceptuales para visualizar las relaciones entre los términos normativos.

• Casos de uso reales, como asistentes virtuales, vehículos autónomos o modelos predictivos, para aplicar los conceptos.

• Glosarios interactivos, que facilitan el dominio del vocabulario técnico exigido por la norma.

• Primeras actividades orientadas a clasificar y auditar tecnologías según los criterios de la norma ISO/IEC 22989.

Este bloque es la base teórica y conceptual que permitirá a los estudiantes desenvolverse con seguridad en los siguientes niveles del curso, donde abordaremos riesgos, evaluación de impactos, gobernanza de IA y los requisitos establecidos por la ISO/IEC 42001.

En este primer proyecto nos centraremos en TensorFlow (Keras) porque ofrece una curva de aprendizaje muy suave dentro de Colab: bastan unas pocas líneas para definir y entrenar la red, y TensorBoard ya viene integrado para auditarla. El objetivo es aprender a verificar, explicar y documentar el desempeño de una Feed‑Forward Neural Network (FFNN).). Más adelante, en un segundo ejercicio, reproduciremos parte de GPT‑2 con PyTorch para contrastar enfoques y repetir la auditoría en un contexto de modelos generativos, pero la base conceptual se sienta aquí.

Herramientas y conceptos que dominarás

• Google Colab – cuaderno en la nube con GPU gratuita: ejecutas todo sin instalar nada.

• TensorFlow / Keras – framework de alto nivel para construir y entrenar la FFNN.

• TensorBoard – panel interactivo para inspeccionar curvas de pérdida/precisión, histogramas de pesos y el grafo computacional.

• Feed‑Forward Neural Network (FFNN) – arquitectura básica de IA para clasificación binaria.

• Proceso de auditoría de IA – validación de datos de entrada, detección de over‑fitting, revisión de arquitectura y trazabilidad de métricas (alineado con ISO 22989 / ISO 42001).

• Gobierno del modelo – fijar versiones de librerías, registrar logs, y traducir hallazgos técnicos a decisiones de negocio.

• PyTorch + GPT‑2 (fase posterior) – se utilizará para simular un modelo de lenguaje y repetir la auditoría, comparando resultados con el flujo basado en TensorFlow.

Con esta ruta progresiva, los estudiantes adquirirán una visión completa de cómo auditar redes neuronales, primero en un entorno supervisado clásico y luego en un escenario de IA generativa.

En este bloque del curso, los estudiantes continuar adquiriendo una comprensión estructurada y actualizada de los conceptos técnicos, funcionales y metodológicos que definen a la inteligencia artificial según la norma ISO/IEC 22989.

Listado de conceptos clave que dominarán los estudiantes:

• Minería de datos vs. aprendizaje automático

• Algoritmos de machine learning y su entrenamiento

• Toma de decisiones autónomas y adaptativas

• Aprendizaje continuo (lifelong learning)

• Modelos explicables y trazabilidad algorítmica

• Diferencias entre IA simbólica y subsimbólica

• Redes neuronales artificiales (FFNN, CNN, RNN, LSTM)

• Evaluación y validación de calidad de datos

• Big data

• Computación semántica y estructuras ontológicas

• IoT, sistemas ciberfísicos e infraestructura de IA (nube y borde)

• Ciclo de vida funcional de los sistemas de IA

• Ecosistemas de la IA, arquitectura por capas y funciones en sistemas inteligentes

Aprende los principales campos de aplicación de la IA, y como entender su funcionamiento:

Principales dominios de aplicación de la IA:

• • Visión por computadora (Haremos ejercicio práctico para entenderlo).

  • Procesamiento de lenguaje natural

  • Natural language processing (NLP)

  • Natural Language Generation (NLG)

  • Optical Character Recognition (OCR)

  • Text-to-Image/Video Generation (T2I)

  • Agentes conversacionales

  • Sistemas de recomendación y personalización

  • Aplicaciones en salud, educación, industria, finanzas y transporte

• Aprende de las herramientas de IA mas famosas para entender conceptos como ChatGPT, Eleven Labs, Heygen, Sora, Explotion, entre otros.