M1.6 · Lógica difusa: cómo la IA modela lo que no es blanco ni negro
La lógica difusa lleva décadas en producción en control industrial, electrodomésticos y sistemas embebidos. En este episodio explicamos cómo funciona, cuándo tiene ventaja sobre el machine learning y cuándo no. Con el caso de Siemens y el control de hornos de cemento mediante lógica difusa.
M1.5 · IA neuro-simbólica: cuando las reglas y los datos trabajan juntos
La IA neuro-simbólica combina lo que las redes neuronales aprenden con lo que la lógica sabe. En este episodio explicamos cómo funciona esa combinación, dónde tiene sentido y dónde no, con el caso de DeepMind AlphaFold y la predicción de más de doscientos millones de estructuras de proteínas.
M1.4 · Sistema 1 en IA: inferencia rápida, confianza sin verificación
Sistema 1 en IA es inferencia directa sin razonamiento intermedio. Rápido, barato, escalable. Pero con un límite crítico: no tiene autocrítica. En este episodio explicamos cuándo usarlo y cuándo no, con el caso de Mastercard y su sistema de detección de fraude en tiempo real.
M1.3 · RNN: por qué la memoria de la IA tiene límites y cuándo importa
Las RNN fueron la arquitectura dominante en procesamiento de lenguaje antes de los transformers. En este episodio explicamos cómo funcionan, qué es el vanishing gradient y por qué es un límite real en producción. Con el caso de Google GNMT y la reducción del sesenta por ciento en errores de traducción.
M1.2 · Sistemas expertos: cuándo la IA basada en reglas sigue ganando
Los sistemas expertos siguen en producción en hospitales, plantas industriales y despachos de abogados. En este episodio explicamos cómo funcionan, qué los diferencia de las redes neuronales, y cuándo tienen sentido frente a modelos de aprendizaje automático. Con el caso de Amazon y su sistema de gestión de almacén.
M1.1 · Inviernos de la IA: por qué el hype colapsa y qué señales lo anuncian
Los inviernos de la IA son los períodos en que el campo entró en crisis profunda: financiación cortada, proyectos abandonados, reputación destruida. En este episodio explicamos qué los causó, qué patrón se repite y qué señales permiten detectarlos antes de que lleguen. Con el caso de IBM Watson Health como ejemplo de invierno a escala de empresa.
M0 · IA en producción: lo que nadie calcula antes de firmar
Un modelo de IA puede llevar dos años en producción tomando decisiones sobre un mundo que ya no existe. No porque falle técnicamente. Sino porque nadie le ha contado qué ha cambiado. En este episodio: corte de conocimiento y TCO. Las dos variables que deberían estar sobre la mesa antes de firmar cualquier proyecto de IA, y que casi nunca están. Con el caso real de JPMorgan COIN: 360.000 horas de revisión de contratos reducidas a segundos, y lo que ese número no cuenta.
M0.6 · Del piloto a producción: por qué tantos proyectos de IA se atascan
Muchos proyectos de IA funcionan en piloto, pero no llegan a producción. En este episodio explicamos el ciclo de adopción de IA y los bloqueos que aparecen entre exploración, piloto, despliegue y operación continua.
M0.5 · Casos reales de IA por sector: qué puedes copiar y qué no
Un caso de éxito de IA no siempre se puede copiar. En este episodio vemos cómo evaluar casos reales por sector y qué condiciones hacen que un proyecto funcione: datos, proceso y métrica de éxito.
M0.4 · Qué puede hacer la IA y qué no: el riesgo de las respuestas convincentes
La IA puede generar respuestas muy convincentes, incluso cuando son falsas. En este episodio hablamos de alucinaciones, límites estructurales y verificación humana a partir del caso Mata vs Avianca.