Descubriendo el Futuro: Resolviendo Problemas con Inteligencia Artificial en Ingeniería de Sistemas

Este plan de clase está diseñado para que los estudiantes universitarios de Ingeniería de Sistemas se introduzcan y profundicen en el fascinante campo de la Inteligencia Artificial (IA) mediante la metodología de Aprendizaje Basado en Problemas (ABP). A través de la resolución de casos reales y simulados, los estudiantes desarrollarán habilidades críticas para analizar, diseñar y evaluar soluciones basadas en IA, conectando el conocimiento teórico con aplicaciones prácticas en la ingeniería y la tecnología actual.

La inteligencia artificial está transformando industrias y la forma en que interactuamos con la tecnología en nuestra vida cotidiana: desde asistentes virtuales hasta sistemas de recomendación y automatización inteligente. Este plan permitirá a los estudiantes comprender su relevancia, identificar problemas que pueden ser abordados con IA, y diseñar propuestas innovadoras, fortaleciendo su pensamiento crítico y competencias profesionales.

Además, el enfoque activo y colaborativo del ABP fomenta la autonomía, el trabajo en equipo y la capacidad de aplicar conceptos técnicos en escenarios reales, preparándolos para enfrentar los desafíos del mundo laboral y tecnológico contemporáneo.

• Analizar problemas reales de ingeniería que pueden ser abordados mediante técnicas de Inteligencia Artificial.
• Diseñar soluciones basadas en IA aplicando conocimientos teóricos y metodológicos aprendidos.
• Evaluar críticamente diferentes enfoques y herramientas de IA para seleccionar la más adecuada según el contexto del problema.
• Colaborar efectivamente en equipos para proponer y comunicar soluciones innovadoras con fundamento en IA.

• Computadoras con acceso a internet y software básico de programación (Python, Jupyter Notebook).
• Herramientas digitales para colaboración en línea (Google Docs, Trello o similar).
• Videos cortos y artículos académicos seleccionados sobre fundamentos y aplicaciones de IA.
• Proyector y pantalla para presentaciones y visualización de recursos audiovisuales.
• Material impreso: casos de estudio y guías de trabajo.

• Conocimientos básicos en programación y algoritmos.
• Fundamentos previos en matemáticas discretas y lógica computacional.
• Experiencia en trabajo colaborativo y búsqueda de información en fuentes digitales.

Sesión 1: Introducción y contextualización de la Inteligencia Artificial

Fase de Inicio

Tiempo estimado: 10 minutos

Propósito de la sesión: Activar conocimientos previos y motivar a los estudiantes para que se interesen en la temática de IA aplicada a la Ingeniería de Sistemas.

Activación de conocimientos previos:

• Docente: Presenta el siguiente caso: "Imaginen un sistema que pueda predecir fallas en el equipo de una planta industrial antes de que ocurran. ¿Qué técnicas creen que podría usar? ¿Han escuchado hablar de la Inteligencia Artificial en este contexto?"
• Estudiantes: Responden brevemente y comparten ideas en una lluvia de ideas inicial.

Motivación y enganche: El docente muestra un video corto (3 minutos) con ejemplos reales de aplicaciones de IA en la industria y la vida diaria, destacando su impacto actual y futuro.

Contextualización: El docente conecta los ejemplos del video con la carrera de Ingeniería de Sistemas, explicando cómo la IA es una herramienta clave para resolver problemas complejos y mejorar procesos.

Fase de Desarrollo

Tiempo estimado: 45 minutos

Presentación del contenido: Se introduce un problema real: "Una empresa desea implementar un sistema de IA para mejorar el mantenimiento predictivo de sus máquinas. El equipo no sabe qué algoritmo usar ni cómo empezar."

• Actividad 1: Análisis del problema y definición de preguntas clave
• Objetivo: Analizar el problema y formular preguntas que guíen la investigación.
• Instrucciones:
• Docente: Divide a los estudiantes en grupos de 4.
• Docente: Solicita que discutan en equipo qué información es necesaria para entender el problema y qué aspectos de IA podrían ser relevantes.
• Estudiantes: Elaboran una lista de preguntas que deben responder para avanzar en la solución (ej. ¿Qué datos se necesitan? ¿Qué tipos de algoritmos existen para mantenimiento predictivo?).
• Organización: Grupos de 4
• Producto: Lista de preguntas clave.
• Tiempo: 20 minutos
• Rol docente: Observa, formula preguntas orientadoras para profundizar, estimula la participación de todos.
• Actividad 2: Investigación rápida y organización de información
• Objetivo: Buscar información básica sobre técnicas de IA aplicadas a mantenimiento predictivo.
• Instrucciones:
• Docente: Proporciona enlaces a artículos y videos breves.
• Estudiantes: Investigan en línea, seleccionan información relevante y la organizan en un mapa mental o esquema en documento colaborativo.
• Organización: Grupos de 4
• Producto: Mapa mental o esquema con conceptos y técnicas.
• Tiempo: 25 minutos
• Rol docente: Apoya en la búsqueda, resuelve dudas y orienta sobre fuentes confiables.

Diferenciación: Si un grupo termina antes, puede profundizar investigando un caso de éxito real de IA en mantenimiento predictivo y preparar una breve explicación para compartir. Para grupos que avanzan más lento, el docente ofrece apoyo individual y simplifica la búsqueda con material impreso adicional.

Transición: El docente invita a preparar una presentación breve para la siguiente sesión donde compartirán sus hallazgos.

Fase de Cierre

Tiempo estimado: 5 minutos

• Síntesis: Cada grupo comparte verbalmente una pregunta clave y un concepto detectado.
• Reflexión metacognitiva: Los estudiantes responden por escrito: "¿Qué aprendí hoy sobre la relación entre IA y mantenimiento predictivo?" y "¿Qué me gustaría profundizar en la próxima sesión?"
• Retroalimentación: Docente comenta aspectos positivos y orienta expectativas para la sesión siguiente.
• Transferencia: Se anuncia que en la siguiente sesión diseñarán propuestas iniciales para el sistema inteligente.

Sesión 2: Diseño colaborativo de soluciones basadas en IA

Fase de Inicio

Tiempo estimado: 10 minutos

Propósito de la sesión: Revisar el trabajo previo y plantear el objetivo de diseñar soluciones concretas.

• Docente: Solicita a cada grupo presentar un resumen de las preguntas clave y conceptos investigados.
• Estudiantes: Exponen y reciben comentarios breves del docente y compañeros.

Fase de Desarrollo

Tiempo estimado: 45 minutos

• Actividad 1: Propuesta de algoritmo y flujo de solución
• Objetivo: Diseñar un flujo lógico para el sistema de mantenimiento predictivo usando IA.
• Instrucciones:
• Docente: Explica brevemente tipos básicos de algoritmos de IA (clasificación, regresión, clustering) y ejemplos de aplicación.
• Estudiantes: En grupos, eligen un tipo de algoritmo que consideran adecuado y diseñan un diagrama de flujo o pseudocódigo simplificado del sistema.
• Organización: Grupos de 4
• Producto: Diagrama de flujo o pseudocódigo.
• Tiempo: 30 minutos
• Rol docente: Facilita dudas técnicas, fomenta la justificación de elecciones y el trabajo colaborativo.
• Actividad 2: Presentación y retroalimentación entre pares
• Objetivo: Evaluar y mejorar las propuestas a través del intercambio crítico.
• Instrucciones:
• Docente: Organiza que cada grupo exponga su diseño en plenaria.
• Estudiantes: Presentan, escuchan a otros grupos y ofrecen comentarios constructivos.
• Organización: Plenaria
• Producto: Retroalimentación escrita en una plantilla simple (fortalezas y áreas de mejora).
• Tiempo: 15 minutos
• Rol docente: Modera la discusión, asegura respeto y fomenta pensamiento crítico.

Diferenciación: Para estudiantes avanzados, se propone explorar bibliotecas de IA (scikit-learn, TensorFlow). Para quienes requieren apoyo, se sugieren plantillas con ejemplos de diagramas y guías paso a paso.

Transición: El docente invita a preparar la documentación del diseño para la siguiente sesión, donde se implementarán simulaciones básicas.

Fase de Cierre

Tiempo estimado: 5 minutos

• Síntesis: Elaboración conjunta de un resumen con los pasos esenciales para diseñar soluciones IA.
• Reflexión metacognitiva: Preguntas escritas: "¿Cómo justifiqué el algoritmo elegido?" y "¿Qué aprendí del feedback recibido?"
• Retroalimentación: Comentarios del docente sobre la lógica y creatividad de las propuestas.
• Transferencia: Introducción a la próxima sesión: implementación práctica y pruebas.

Sesión 3: Implementación y experimentación con técnicas de IA

Fase de Inicio

Tiempo estimado: 10 minutos

• Docente: Revisa brevemente los diseños presentados y presenta el objetivo de simular una solución básica con herramientas digitales.
• Estudiantes: Preparan dudas y aclaran aspectos técnicos previos.

Fase de Desarrollo

Tiempo estimado: 45 minutos

• Actividad 1: Codificación guiada de un algoritmo simple
• Objetivo: Implementar una versión básica de un algoritmo de clasificación o regresión relacionado con el problema.
• Instrucciones:
• Docente: Proporciona un notebook con código base y guía paso a paso.
• Estudiantes: En parejas, completan y ejecutan el código, modificando parámetros y observando resultados.
• Organización: Parejas
• Producto: Código funcional y análisis de resultados.
• Tiempo: 40 minutos
• Rol docente: Asiste con problemas técnicos, fomenta el análisis de resultados y la experimentación.
• Actividad 2: Discusión de resultados y mejora
• Objetivo: Evaluar el desempeño del algoritmo y proponer mejoras.
• Instrucciones:
• Docente: Facilita una sesión plenaria para compartir hallazgos.
• Estudiantes: Describen qué funcionó, qué no y sugieren ajustes.
• Organización: Plenaria
• Producto: Lista de mejoras y aprendizajes.
• Tiempo: 5 minutos
• Rol docente: Modera, estimula la reflexión crítica y conecta con teoría.

Diferenciación: Quienes terminan antes pueden explorar variaciones del algoritmo o analizar datasets adicionales. Quienes requieren apoyo reciben ayuda personalizada y ejemplos simplificados.

Transición: Preparación para la última sesión donde se realizará una presentación final y reflexión integral.

Fase de Cierre

Tiempo estimado: 5 minutos

• Síntesis: Registro escrito de los principales aprendizajes técnicos y metodológicos.
• Reflexión metacognitiva: "¿Qué dificultades enfrenté y cómo las resolví?" "¿Cómo se relaciona esta actividad con el problema inicial?"
• Retroalimentación: Comentarios del docente sobre esfuerzo y resultados.
• Transferencia: Se anticipa la sesión final de cierre y presentación.

Sesión 4: Presentación de proyectos y reflexión final

Fase de Inicio

Tiempo estimado: 10 minutos

• Docente: Explica la dinámica de presentación y criterios de evaluación.
• Estudiantes: Preparan mentalmente la exposición y organizan materiales.

Fase de Desarrollo

Tiempo estimado: 45 minutos

• Actividad 1: Presentación formal de la solución integral
• Objetivo: Comunicar claramente el problema, diseño, implementación y resultados de la solución IA desarrollada.
• Instrucciones:
• Docente: Modera el orden de exposiciones, controla tiempos.
• Estudiantes: En grupos, exponen su proyecto en máximo 8 minutos, usando apoyos visuales.
• Organización: Grupos de 4 en plenaria
• Producto: Presentación oral y documento resumen.
• Tiempo: 40 minutos
• Rol docente: Evalúa, fomenta preguntas de la audiencia y da retroalimentación inmediata.
• Actividad 2: Evaluación entre pares y autoevaluación
• Objetivo: Desarrollar habilidades críticas y autocríticas respecto al trabajo realizado.
• Instrucciones:
• Docente: Entrega rúbricas sencillas para evaluar presentaciones de otros grupos.
• Estudiantes: Completar rúbrica para dos presentaciones y realizar una autoevaluación.
• Organización: Individual
• Producto: Rúbricas y autoevaluación escrita.
• Tiempo: 5 minutos
• Rol docente: Recoge y revisa para retroalimentar posteriormente.

Fase de Cierre

Tiempo estimado: 5 minutos

• Síntesis: El docente sintetiza los aprendizajes clave del módulo, destacando competencias desarrolladas.
• Reflexión metacognitiva: Preguntas para responder: "¿Cómo puedo aplicar lo aprendido en mi carrera o proyectos futuros?" "¿Qué competencias quiero fortalecer en IA?"
• Retroalimentación: Comentarios generales, reconocimiento del esfuerzo y sugerencias para seguir aprendiendo.
• Transferencia: Invitación a explorar cursos avanzados o proyectos de investigación en IA.
• Tarea: Investigar una aplicación innovadora de IA en su área de interés y preparar un breve informe para compartir en foro virtual.

Tipo de evaluación:

• Diagnóstica: Al inicio de la primera sesión con la actividad de activación para identificar conocimientos previos y actitudes.
• Formativa: Durante las sesiones 1 a 3, mediante observación directa, presentación de productos (listas de preguntas, mapas mentales, diagramas, código) y retroalimentación continua.
• Sumativa: En la sesión 4 con la presentación final del proyecto, evaluación entre pares y autoevaluación.

Criterios de evaluación:

• Capacidad para analizar y formular preguntas relevantes sobre problemas de IA (objetivo 1).
• Diseño coherente y justificado de soluciones basadas en IA (objetivo 2).
• Evaluación crítica de diferentes enfoques y uso adecuado de herramientas (objetivo 3).
• Trabajo colaborativo efectivo y comunicación clara de ideas (objetivo 4).

Instrumentos sugeridos:

• Lista de cotejo para participación y trabajo en grupo.
• Rúbrica para evaluación de presentaciones y productos escritos.
• Observación directa y registro anecdótico por parte del docente.
• Autoevaluación y coevaluación mediante rúbricas simples.

Evidencias de aprendizaje:

• Listas de preguntas clave y mapas mentales (objetivo 1).
• Diagramas de flujo, pseudocódigo y documentación de diseño (objetivo 2).
• Código implementado y análisis de resultados (objetivo 3).
• Presentaciones orales, retroalimentación entre pares y autoevaluaciones (objetivo 4).