Customize Consent Preferences

We use cookies to help you navigate efficiently and perform certain functions. You will find detailed information about all cookies under each consent category below.

The cookies that are categorized as "Necessary" are stored on your browser as they are essential for enabling the basic functionalities of the site. ... 

Always Active

Necessary cookies are required to enable the basic features of this site, such as providing secure log-in or adjusting your consent preferences. These cookies do not store any personally identifiable data.

No cookies to display.

Functional cookies help perform certain functionalities like sharing the content of the website on social media platforms, collecting feedback, and other third-party features.

No cookies to display.

Analytical cookies are used to understand how visitors interact with the website. These cookies help provide information on metrics such as the number of visitors, bounce rate, traffic source, etc.

No cookies to display.

Performance cookies are used to understand and analyze the key performance indexes of the website which helps in delivering a better user experience for the visitors.

No cookies to display.

Advertisement cookies are used to provide visitors with customized advertisements based on the pages you visited previously and to analyze the effectiveness of the ad campaigns.

No cookies to display.

La historia de LearningML

En diciembre de 2018, Jesús Moreno León, entonces jefe del departamento de «Experimentación en el Aula» del INTEF, me propuso elaborar un recurso didáctico sobre Inteligencia Artificial. Basado en una herramienta que había descubierto: Machine Learning for Kids (ML4K) de Dave Lane. Un trabajador de IBM que ha desarrollado dicha herramienta dentro del programa de voluntariado de IBM. La experiencia fue fascinante y me entusiasmó descubrir que algo tan complejo como el Machine Learning, podía ser explicado con eficacia en la escuela.

Decidí explorar este tema y construir el prototipo de una aplicación similar a ML4K, pero con una condición importante: que no fuera necesario crear una cuenta para su uso. Puede parecer una tontería, pero es algo que dificulta bastante la fluidez de la herramienta en el ambiente escolar.

El primer problema que surgió, fue que los algoritmos de Machine Learning debían ejecutarse localmente en el propio navegador web del usuario. Utilizar alguna de las plataformas de IA ofrecidas por compañías grandes como IBM, o más modestas como ClarifAI, implica necesariamente la creación de una cuenta.

¿Podremos ejecutar «pesados» algoritmos de machine learning en el navegador web?

Investigué esa posibilidad, y… ¡El resultado fue alentador! Descubrí la sencilla librería Brain.js, con la que realicé el primer prototipo para el reconocimiento de textos. Y la potentísima, profesional y no tan sencilla librería Tensorflow.js, con la que implementé el reconocimiento de imágenes. La conclusión fue clara: es posible ejecutar algoritmos de Machine Learning sin necesidad de depender de servicios de terceros. La ejecución de algoritmos en el navegador web funciona. Aún más, teniendo en cuenta que la herramienta a desarrollar tiene una finalidad pedagógica y no vamos a usar cantidades masivas de datos como puede ocurrir en aplicaciones específicas de Machine Learning.

Poco después, de la mano de Jesús Moreno, conocí a Gregorio Robles y Marcos Román, dos investigadores que, junto con el primero, llevan varios años realizando interesantes aportaciones al mundo del Computing Education Research. Ellos vieron, por un lado, la posibilidad de construir una herramienta útil para trabajar el pensamiento computacional. Y por otro, la semilla para realizar una tesis en este campo. Me alentaron a iniciar esta intensa pero gratificante tarea. Y, aprovechando la oportunidad, me lancé (de nuevo) al mundo de la investigación. Y digo «de nuevo», porque hace más de 20 años que lo abandoné debido a circunstancias que ahora no vienen a cuento.

Algo más de un año después, tenemos una primera versión operativa de LearningML con la que se pueden construir modelos de Machine Learning y programar aplicaciones con Scratch capaces de reconocer textos e imágenes.

Ahora toca mostrarla a docentes, estudiantes e investigadores para que prueben y comprueben si lo que estamos haciendo es un buen recurso para fomentar el pensamiento computacional y sirve para aprender contenidos sobre inteligencia artificial de manera práctica. Y con el deseo de que así sea, continuaremos trabajando en mejorar LearningML.