Del “tamagotchi” a la IA: Machine Learning for Kids

24 febrero 2025

Por Jaime Ricardo Huesca

Dentro de las experiencias que implican el ser docente universitario, nunca imaginé colaborar con mis estudiantes en el diseño de un tamagotchi. Si bien la mayor tendencia en humanidades digitales gira en torno a explorar el potencial de la IA, llama mi atención que el alumnado no es consciente de dónde parte su funcionamiento a pesar de su empleo desmesurado.

En la materia Nuevas tecnologías de la comunicación, analicé con mis estudiantes el papel que juega la tecnología en nuestra vida cotidiana y cómo nos relacionamos con ella. Gran parte del día, al menos quienes nos dedicamos a la academia, lo pasamos frente a una pantalla o, por ratos, en un dispositivo móvil. ¿Me equivoco? ¿Recordarán ustedes la primera vez que entraron en contacto con una computadora o un teléfono inteligente? Imagino que fue una experiencia sorprendente, así como platicar con una IA nos da la sensación de salir de las cavernas.

Pero ¿en qué momento aprendimos esa forma de diálogo con las máquinas? O, al contrario, ¿cuándo las máquinas aprendieron de nuestro diálogo? Si adquirir las bases para comunicarnos es un reto complejo, el presente exige un encuentro con el otro, que no siempre resulta ser humano.

Cuando somos niños, no tenemos conscientes de las estructuras del lenguaje hasta que vamos a la escuela. Ahí reflexionamos sobre su peso y complejidad. Lo mismo sucede con el reconocimiento del otro: en la interacción diaria, lo normalizamos. Quizás, por eso, mis alumnos creyeron que la IA apareció como por arte de magia.  Pero ¿qué tanto aprendieron los dispositivos en el contacto diario con esos “nativos digitales” ? Para aclarar la situación, tocó dialogar sobre machine learning, un tema de necesaria comprensión para distinguir las bases de la IA. 

Es importante iniciar con la siguiente base: trabajar desde las humanidades digitales conlleva a la acción asistida con las máquinas, una colaboración. Podemos valorar al machine learning como ese proceso de enseñanza donde brindamos herramientas teóricas a un colega para desempeñar con autonomía un cúmulo de tareas que le solicitemos a futuro. En pocas palabras, machine learning involucra la formación de un becario digital (uno en potencia que fácilmente nos superará).

Pensar en esta posibilidad suena fácil, pero ¿cómo transmitir este contenido práctico a los estudiantes, más cuando el docente no cuenta con una formación robusta sobre el tema? Un breve sondeo me llevó a Machine Learning for Kids, un sitio que no se limita al público infantil. Este espacio promueve la filosofía de aprender jugando, lo cual se agradece y más cuando refiere a una tarea compleja como el machine learning.

Bajo el entendido “enséñale a una computadora a jugar un juego”, Machine Learning for Kids es un instrumento inductivo en la tarea, presentando un conjunto de “experiencias prácticas” para relacionarse con el aprendizaje automático. Es decir, ofrece paquetes de entrenamiento en diversas áreas básicas del machine learning. Cada actividad incluye documentos que guían paso a paso la construcción de un producto, tanto para estudiantes como orientadores. Algunos ejemplos son la elaboración de un sombrero seleccionador (como en Harry Potter); un traductor de lenguaje alienígena; un identificador de pokemones; un juego de piedra, papel o tijera; sintonizadores de voz, entre otros. Aparte, el aprendizaje se basa en la detección de diversos criterios a definir, los cuales varían entre caras, imágenes, sonidos y texto.

Una ventaja para utilizar esta plataforma es que presenta una versión en español, no exige ningún tipo de instalación y sólo requiere acceso a internet y la descarga de los tutoriales (imágenes 1 y 2).

Imagen 1

Imagen 2

Al abrir las indicaciones, la plataforma ofrece un enlace directo para su aplicación desde Scratch 3, un entorno gratuito de programación dirigido a la educación de infancias. Scrath también se utiliza para el desarrollo de animación, diseño de actividades basadas en la resolución de problemas y más. En este caso, favorece la interacción con machine learning, ya que puedes brindarle indicaciones para aprender y reaccionar ante eventos futuros.

La interacción con Scratch es intuitiva, donde no sólo puedes trabajar con la guía obtenida desde Machine Learning for Kids, también existe la posibilidad de crear tus propios proyectos y dar libertad a los estudiantes de explorar sus opciones, oportunidad que recomiendo no pasar por alto (imagen 3).

Imagen 3

En nuestro caso, descargamos un paquete llamado “Virtual pet” (imagen 4), el cual muestra las indicaciones para construir una mascota virtual que, a partir de la detección de un conjunto de fotografías tomadas desde la webcam, establece patrones de identificación necesarios para que tal mascota no muera de hambre, sed o falta de cariño: un tamagotchi. 

Imagen 4

A pesar de contar con un instructivo para el armado de este ejercicio, mis estudiantes llegaron a perderse con facilidad: estaban aprendiendo la forma de dialogar con la máquina. Como en la adquisición de cualquier idioma o el desarrollo de una habilidad, siempre es necesaria la perseverancia. 

¿Por qué la insistencia de profundizar en el machine learning? Es un punto de necesaria visita antes de aventurarse en el empleo de la IA. Claro, podemos utilizarla deliberadamente, pero nuestra interacción se verá limitada si no tomamos consciencia de las bases de su funcionamiento. 

Resulta crucial enseñar en las aulas sobre el uso adecuado y honesto de la IA para la obtención de resultados efectivos. Como señalé, difundamos el trabajo en colaboración con la computadora; esta experiencia es un ejemplo, nos encontramos en pleno diálogo con la tecnología. Este cambio de perspectiva puede ayudar cuando nuestros estudiantes convivan con una inteligencia artificial. 

La clave también radica en la forma en que nos comunicamos con los entornos mencionados y la generación de promts. Como en la experiencia que expongo, estamos en pleno diálogo con la tecnología y sus nuevos alcances, situación que será más afortunada al conocer los principios del machine learning, aunque esto genere tropiezos. Algunos estamos dando los primeros pasos.

Semblanza: Maestro en Estudios de la Cultura y la Comunicación, así como Licenciado en Lengua y Literatura Hispánicas, ambos grados por la Universidad Veracruzana. Entusiasta por las Humanidades Digitales, se ha enfocado en el estudio de fenómenos poético-discursivos utilizando Voyant Tools, además de promover el uso de esta plataforma en diversos entornos universitarios. Fue miembro de la Sociedad Internacional de Humanidades Hispánicas, actualmente colaborador de la Red de Humanidades Digitales, y parte del comité organizador del Global Digital Humanities Symposium (MSU, 2024).