Montamos BUOLAMWINI, un auditor de sesgo mínimo que pregunta a la IA la misma decisión dos veces, cambiando solo un nombre, para comprobar si responde igual.
Ponemos a prueba a RAJI con tres casos —correcto, incorrecto y ambiguo— y una prueba de consistencia, antes de llevarlo al aula.
Montamos RAJI, un proyecto mínimo donde un segundo modelo local hace de profesor corrector: evalúa si una respuesta es correcta y clara, y explica por qué, sin notas numéricas.
Aprende a construir el Proyecto Katie Bouman, una solución de RAG Multimodal y visión por computador 100% local con FastAPI, Uvicorn y LM Studio. Desarrollado en el marco de las iniciativas MonteSteam y AIDARAC en el IES Monterroso, este sistema permite al alumnado analizar esquemas técnicos, circuitos y gráficas de laboratorio en el aula de forma privada, eficiente y sin costes de API.
Guía paso a paso para construir un agente de Inteligencia Artificial 100% local, privado y sin costes de API mediante la técnica de Function Calling (Tool Calling). Utilizando Qwen 2.5 3B en LM Studio y un servidor con FastAPI, el proyecto enseña a conectar un LLM con herramientas ejecutables en Python (cálculo matemático, sensores y generación de gráficos con Matplotlib) mostrando además la trazabilidad de los datos en tiempo real.
Aprende a construir un sistema RAG (Generación Aumentada por Recuperación) 100% local, gratuito y privado utilizando FastAPI, Python y LM Studio. Explicamos paso a paso cómo conectar una base de datos en CSV con un LLM local para responder preguntas sin alucinaciones, analizando desde la búsqueda por similitud coseno hasta la optimización de prompts en el aula.
Primera sesión del Proyecto Karen Spärck Jones: comparación práctica en Python entre la búsqueda literal de palabras (BM25) y la búsqueda semántica por vectores de significado (embeddings), analizando y enfrentando sus resultados sobre el corpus real de AIDARAC mediante consola e interfaz web.
Sesion final del Proyecto Rachael Tatman: se entrena un Random Forest sobre las propiedades acusticas del dataset Gender Recognition by Voice, se leen la matriz de confusion y el classification_report, y se conecta el excelente resultado obtenido con la historia real de sesgo de genero en el reconocimiento de voz de Google que investigo Rachael Tatman en 2016.
Sesion 2 del Proyecto Rachael Tatman: analisis visual con boxplots de las propiedades acusticas meanfun y meanfreq para comprobar si separan bien las voces masculinas de las femeninas, y preparacion del reparto de entrenamiento y prueba con train_test_split.
Sesion 1 del Proyecto Rachael Tatman, centrado en el sesgo de genero en el reconocimiento de voz: presentacion de la investigadora Rachael Tatman y su hallazgo real sobre el reconocimiento de voz de Google, y carga del dataset Gender Recognition by Voice de Kaggle, ya balanceado y con las propiedades acusticas precalculadas.