Cómo la inteligencia artificial (IA) está cambiando el juego. Habla sobre cómo Apple y Microsoft están implementando IA en sus dispositivos, como el iPhone 16 y Windows 11, lo que supone una amenaza para la privacidad y la seguridad de los usuarios.

"¡Bienvenidos a la serie de 'Inteligencia Artificial: Pasado, Presente y Futuro'! Soy HECTOR FUENTES, en este podcast SEGURIDAD EN LA ERA DIGITAL exploraremos cómo las máquinas aprendieron a 'pensar'. Hoy, en nuestro primer episodio, viajaremos en el tiempo: desde los mitos griegos hasta el laboratorio donde nació oficialmente la IA. ¿Cómo surgió esta idea que hoy revoluciona el mundo?

"¡Hola a todos! Soy [HECTOR FUENTES], y esto es la serie 'Inteligencia Artificial: Pasado, Presente y Futuro', en este tu podcast SEGURIDADEN LA ERA DIGITAL

En el primer episodio, recorrimos los orígenes de la IA: desde mitos griegos hasta el laboratorio de Dartmouth en 1956. Hoy, nos adentramos en una época turbulenta pero fascinante: las décadas de 1970 a 2000. Imaginen un viaje lleno de crisis, reinvenciones y momentos que definieron lo que hoy llamamos machine learning. ¿Listos? Comencemos."

Los Inviernos de la IA

"En los años 70, la IA enfrentó su primera gran crisis. Los gobiernos y empresas habían invertido millones esperando máquinas inteligentes... pero los resultados fueron decepcionantes. Hablamos del primer invierno de la IA. ¿La razón? Las limitaciones técnicas eran brutales: las computadoras tenían menos potencia que un reloj digital actual, y los algoritmos no podían cumplir promesas como el sentido común artificial.

Pero en medio de ese frío, surgió un rayo de esperanza: los sistemas expertos. Estos programas imitaban el conocimiento humano en áreas específicas. Uno de los más famosos fue MYCIN, creado en Stanford en 1976 para diagnosticar infecciones sanguíneas. ¡Acertaba en el 65% de los casos! ¿Cómo funcionaba? Usaba reglas escritas manualmente por médicos, como 'Si el paciente tiene fiebre y glóbulos blancos altos, entonces posible infección bacteriana'.

Pero había un problema: estos sistemas eran rígidos. Cada nueva regla requería meses de programación.

Pero había un problema: estos sistemas eran rígidos. Cada nueva regla requería meses de programación.

Sistemas Expertos (Ej: MYCIN)IA Actual (Ej: Redes Neuronales, LLMs)Basados en reglas lógicas explícitas creadas por humanos (ej: "SI síntoma X ENTONCES diagnóstico Y").Basados en aprendizaje automático (ML) y modelos estadísticos que "aprenden" patrones de datos, sin depender de reglas predefinidas.Base de conocimientos estática: Requiere actualización manual por expertos.Modelos dinámicos: Se entrenan con grandes volúmenes de datos y pueden mejorar con nueva información (ej: fine-tuning).Razonamiento simbólico: Usan lógica deductiva (ej: árboles de decisión).Razonamiento subsimbólico: Operan con representaciones numéricas y probabilísticas (ej: redes neuronales).

En los 80, empresas como Digital Equipment Corporation usaron sistemas expertos como XCON para configurar pedidos de computadoras... hasta que el mantenimiento se volvió insostenible. Un ingeniero de la época, lo comparó con 'construir un muro ladrillo por ladrillo, hasta que el peso lo derrumba'.

La computadora PDP 11/20 esta serie nacio en 1969 y finalizo hasat 1990, que finalmente aun que eran contemporane esta con la VAX VAX-11/780 ya que esta empezo a utilizar el sistema operativo llamado unix especificamente BSD UNIX.

Y así, en los 90, llegó el segundo invierno de la IA. Los fondos se cortaron, y muchos pensaron que la inteligencia artificial era solo un sueño. Pero detrás de bambalinas, un viejo concepto comenzaba a respirar de nuevo: las redes neuronales."

"Los años 2000 cambiaron todo. Internet masificó los datos, las tarjetas gráficas (GPU) aceleraron los cálculos, y algoritmos como el Random Forest o las Máquinas de Soporte Vectorial (SVM) volvieron el aprendizaje automático más eficiente.

Un hito clave fue el desafío de Netflix en 2006. La compañía ofreció un millón de dólares a quien mejorara su sistema de recomendaciones en un 10%. Equipos de todo el mundo usaron machine learning para analizar 100 millones de calificaciones. El ganador lo logró en 2009... pero el verdadero premio fue demostrar que los datos eran el nuevo oro.

Otro ejemplo: Google mejoró su traducción automática en un 50% simplemente alimentando su sistema con millones de documentos de la ONU. Ya no era necesario programar reglas; la IA extraía patrones directamente de los datos.

Y así, la IA dejó los laboratorios para invadir nuestra vida cotidiana. Pero hubo dos eventos que capturaron la atención del mundo..."

"En 1997, la supercomputadora Deep Blue de IBM venció al campeón de ajedrez Gary Kasparov. ¿Era Deep Blue inteligente? No. Usaba fuerza bruta: analizaba 200 millones de jugadas por segundo. Pero su victoria fue un golpe cultural: demostró que las máquinas podían superar a humanos en tareas simbólicas.

Deep Blue fue una supercomputadora desarrollada por IBM en la década de 1990, diseñada específicamente para jugar ajedrez a un nivel superior al de los campeones mundiales humanos. Aunque no era "inteligente" en el sentido de la inteligencia artificial moderna, utilizó una combinación de fuerza bruta (evaluación masiva de posiciones de ajedrez) y algoritmos avanzados para lograr su objetivo. A continuación, se explica cómo funcionaba y por qué su enfoque se considera una forma de "inteligencia" limitada pero extremadamente poderosa.

REDES SOCIALES:

http://linktr.ee/hfuentese

Cada like, cada búsqueda en Google, cada video en TikTok alimenta estos sistemas. Además, el avance en hardware, como las GPUs, permite procesar esos datos a velocidades impensables en los 90. La combinación de datos y poder de cómputo es lo que ha desbloqueado aplicaciones como los asistentes de voz o los diagnósticos médicos asistidos por IA."

"¡La explosión de internet! Plataformas como Google y Facebook generaron datos para entrenar algoritmos. Además, hardware más rápido permitió usar Support Vector Machines y Redes Bayesianas en medicina y finanzas."

Inteligencia artificial, los modelos LLM, MLM, SML que es la IA multimodal, los programadores LEGACY, los problemas de usar FRAMEWORKS y las librerías sin mantenimiento.

Invitado especial: Dev. Oscar Cardoso

CONTACTO

Telegram: https://t.me/+gy8QoswWW1M2NGIx

os data brokers (o corredores de datos) son empresas o individuos que recopilan, procesan, compran y venden información personal de las personas, generalmente sin que estas lo sepan de manera explícita. Su negocio consiste en recolectar grandes volúmenes de datos sobre individuos y luego venderlos o intercambiarlos con otras empresas, agencias de marketing, aseguradoras, bancos, empleadores, y hasta gobiernos.

Los data brokers obtienen información personal de diversas fuentes, muchas veces de manera legal, aunque no siempre transparente. Algunas de las formas más comunes incluyen:

• 
  
• Fuentes públicas: Recopilan datos de registros públicos como registros de propiedad, licencias, registros electorales, sentencias judiciales, etc.
• 
  
• 
  
• Actividad en línea: Analizan el comportamiento de los usuarios en internet, como búsquedas, compras, visitas a sitios web, uso de redes sociales, y descargas de aplicaciones.
• 
  
• 
  
• Empresas y comercios: Compran datos a empresas con las que interactuamos, como tiendas, bancos, aseguradoras, y plataformas digitales, que venden información sobre nuestras compras, hábitos de consumo, y preferencias.
• 
  
• 
  
• Encuestas y sorteos: Utilizan encuestas, concursos y sorteos en línea para recolectar datos personales directamente de los usuarios.
• 
  
• 
  
• Cookies y rastreadores: Usan tecnologías de seguimiento (cookies, píxeles, etc.) para recolectar información sobre la navegación y el uso de dispositivos.
• 
  

Los data brokers pueden recolectar datos como nombre, dirección, número de teléfono, correo electrónico, historial de compras, intereses, nivel educativo, ingresos, estado civil, hábitos de consumo, historial crediticio, y hasta información sobre salud o creencias religiosas.

La información recolectada se utiliza principalmente para crear perfiles detallados de las personas, que luego se venden a empresas para publicidad dirigida, análisis de riesgos, segmentación de mercado, prevención de fraudes, y otros fines comerciales.

En resumen, los data brokers son intermediarios de datos personales que obtienen información de múltiples fuentes y la comercializan, muchas veces sin que los usuarios sean plenamente conscientes de ello.

CONTACTO:

Telegram: https://t.me/+gy8QoswWW1M2NGIx

Abre este enlace para unirte a mi grupo de WhatsApp: https://chat.whatsapp.com/CyCMw8juKot7P07xfVfUaz