Fundamentos de IA y machine learning

La IA hace referencia a la capacidad de los sistemas computacionales para ejecutar tareas que tradicionalmente han requerido inteligencia humana, como razonar, aprender, adaptarse y tomar decisiones; estas capacidades se desarrollan mediante la implementación de modelos matemáticos, reglas lógicas y algoritmos que simulan funciones cognitivas humanas a partir del procesamiento de datos (AWS, s.f.). Desde su origen, en la década de 1950, la IA ha transitado desde sistemas fundamentados en reglas estáticas hacia tecnologías dinámicas que aprenden de la experiencia y operan con niveles crecientes de autonomía; dicho avance ha sido favorecido por el aumento exponencial del poder de cómputo, la disponibilidad masiva de datos (big data) y el perfeccionamiento de algoritmos, particularmente en los campos del aprendizaje automático y del aprendizaje profundo (deep learning). En la actualidad, la IA se aplica en múltiples contextos, incluyendo el diagnóstico médico, la optimización logística, los asistentes virtuales y los sistemas de recomendación. Estas aplicaciones están transformando de manera sustantiva diversos sectores, al mismo tiempo que plantean importantes desafíos éticos, sociales y normativos que deben ser abordados con responsabilidad.

Una de las clasificaciones más ampliamente aceptadas en el campo de la inteligencia artificial distingue entre IA débil e IA fuerte, según el nivel de autonomía, generalización y comprensión que presentan los sistemas. La IA débil, también denominada Narrow AI, se caracteriza por estar diseñada para ejecutar tareas específicas dentro de un dominio restringido (como el reconocimiento facial, la recomendación de productos o la interacción mediante asistentes virtuales), sin poseer conciencia ni comprensión del significado de sus acciones (Labbe y Wigmore, 2024). Este tipo de IA predomina en el panorama actual y, aunque demuestra alta eficiencia en su área de aplicación, carece de la capacidad para transferir aprendizajes a otros contextos, o bien, adaptarse de forma autónoma a situaciones nuevas.

En contraste, la IA fuerte, conocida como Artificial General Intelligence (AGI), representa una meta más ambiciosa: desarrollar sistemas con capacidades cognitivas comparables a las humanas, capaces de razonar, aprender, planificar y tomar decisiones en una amplia variedad de contextos, incluso en aquellos no contemplados durante su desarrollo. Aunque esta forma de inteligencia artificial aún se encuentra en etapas teóricas o experimentales, ha sido concebida en escenarios como robots quirúrgicos con juicio clínico contextual, así como en vehículos autónomos capaces de navegar entornos complejos sin intervención humana (Pastor, 2023). Esta distinción permite no solo comprender el estado actual de la tecnología, sino también anticipar los desafíos éticos, técnicos y filosóficos asociados con el desarrollo de una inteligencia verdaderamente general.

Otra clasificación relevante, propuesta por autores como Arend Hintze, establece una jerarquía basada en el grado de sofisticación de los sistemas de inteligencia artificial:

Figura 1. Clasificación de la IA, de acuerdo con su grado de sofisticación.
Fuente: Contreras, R. (2025). Tipos de inteligencia artificial y cómo funcionan. Recuperado de https://www.computing.es/a-fondo/tipos-de-inteligencia-artificial/

Uno de los pilares fundamentales en el desarrollo actual de la inteligencia artificial es el aprendizaje automático (ML, del inglés machine learning), un subcampo que confiere a los sistemas computacionales la capacidad de aprender a partir de datos, sin requerir una programación explícita para cada tarea específica. Mediante algoritmos capaces de identificar patrones, correlaciones y estructuras latentes en grandes volúmenes de información, los modelos de ML pueden generar predicciones, tomar decisiones y ajustar su comportamiento en función de la experiencia adquirida. Esta capacidad de aprendizaje adaptativo ha resultado clave para su implementación en diversos sectores: en el ámbito de la salud, se emplea para detectar enfermedades a partir de imágenes médicas; en la industria, para optimizar procesos de mantenimiento predictivo; en el comercio electrónico, para personalizar la oferta de productos, según el comportamiento del consumidor; y, en la educación, para adaptar contenidos en función del perfil de cada estudiante. La creciente disponibilidad de datos masivos (big data), en conjunto con el incremento en la capacidad de cómputo, ha favorecido la expansión del aprendizaje automático; por tanto, se ha consolidado no solo como un componente estructural de los sistemas inteligentes contemporáneos, sino también como un motor esencial de innovación en la economía digital (China, 2023).

El potencial transformador del aprendizaje automático no reside solo en su capacidad para resolver problemas complejos, sino también en la diversidad de enfoques que ofrece, en función del tipo de datos disponibles y de la estructura del proceso de entrenamiento; dicha variedad metodológica permite adaptar los modelos a distintos escenarios, niveles de incertidumbre y requerimientos operativos. En este sentido, el aprendizaje automático no constituye un paradigma único, sino un campo conformado por diversas estrategias que responden a contextos específicos, desde la predicción precisa basada en datos etiquetados hasta la exploración de patrones ocultos en grandes volúmenes de información no clasificada. A continuación, se presentan las principales formas de aprendizaje automático, cada una con características, aplicaciones y ventajas particulares:

Figura 2. Tipos de aprendizaje automático.
Fuentes: China, C. (2023). Cinco tipos de machine learning que debe conocer. Recuperado de https://www.ibm.com/mx-es/think/topics/machine-learning-types
Soria, E., Sánchez, M., Gamero, R., Castillo, B., y Cano, P. (2023). Sistemas de aprendizaje automático. Colombia: Ra-Ma, Ediciones de la U.

En los últimos años, una de las ramas del aprendizaje automático que ha adquirido mayor relevancia es el aprendizaje profundo (DL, del inglés deep learning), el cual se basa en el uso de redes neuronales artificiales estructuradas en múltiples capas. Inspiradas en la arquitectura del cerebro humano, estas redes se distinguen por su capacidad para procesar grandes volúmenes de datos a través de representaciones jerárquicas; en cada capa, el sistema extrae características progresivamente más complejas y abstractas, así que permite identificar patrones de alta dimensionalidad sin requerir una intervención humana explícita en la definición de variables. Gracias a esta propiedad, el aprendizaje profundo ha posibilitado avances significativos en áreas como la visión por computadora, el reconocimiento de voz, el procesamiento del lenguaje natural (NLP, del inglés Natural Language Processing) y la generación automática de contenido; de esta manera, se ha constituido en la base tecnológica de sistemas como asistentes virtuales, traductores automáticos y modelos generativos de texto e imagen.

Para ilustrar con mayor claridad el lugar que ocupa el DL dentro del ecosistema de la inteligencia artificial, es posible recurrir a una representación gráfica; en ella, se evidencia que el aprendizaje profundo conforma un subconjunto especializado del aprendizaje automático, el cual, a su vez, se inscribe dentro del campo más amplio y abarcador de la inteligencia artificial. Esta organización jerárquica permite comprender cómo estas disciplinas se encuentran interrelacionadas, aunque diferenciadas por su nivel de complejidad, autonomía y capacidad de generalización:

Figura 3. Áreas de la inteligencia artificial.

El desarrollo de herramientas avanzadas como GPT (OpenAI), Gemini (Google) o Claude (Anthropic) constituye uno de los avances más evidentes y disruptivos del aprendizaje profundo en la actualidad; denominados modelos fundacionales o modelos de lenguaje de gran escala (LLM, del inglés Learning Management System), estas herramientas han demostrado una capacidad sobresaliente para generar texto coherente, sostener conversaciones con relevancia contextual, redactar y depurar código, traducir idiomas, resumir documentos extensos, así como para interpretar imágenes y responder preguntas vinculadas con ellas. Su funcionamiento se basa en redes neuronales profundas, entrenadas con volúmenes masivos de datos, de tal manera que pueden identificar estructuras lingüísticas complejas y adaptarse a múltiples dominios temáticos. Al propiciar una interacción más natural y eficiente entre personas y sistemas inteligentes, dichas plataformas están transformando múltiples sectores: desde la atención al cliente y la educación personalizada, hasta la investigación científica y la creación de contenidos. Asimismo, su rápida adopción ha dado lugar a nuevas posibilidades en materia de automatización inteligente, asistencia cognitiva y procesamiento avanzado del conocimiento; por tanto, han consolidado al DL como una tecnología esencial en la evolución contemporánea de la inteligencia artificial (Soria et al., 2023).

En los últimos años, el auge de la IA ha sido impulsado por tres factores clave: el incremento del poder computacional, particularmente mediante el uso de unidades de procesamiento gráfico (GPU, del inglés Graphics Processing Unit); la disponibilidad masiva de datos procedentes de diversas fuentes digitales, como redes sociales, sensores de IoT y plataformas móviles; y el desarrollo de herramientas de código abierto, así como de plataformas accesibles que han democratizado la construcción de modelos inteligentes.

Como resultado, la IA está cada vez más presente en la vida cotidiana: aplicaciones como el reconocimiento de voz en dispositivos móviles, los sistemas de recomendación en servicios de streaming y las plataformas de detección de fraudes en servicios financieros constituyen ejemplos habituales del modo en que el aprendizaje automático transforma sectores completos. En este contexto, la relación entre IA y ML es de naturaleza simbiótica: la inteligencia artificial plantea el objetivo general de replicar las capacidades cognitivas humanas, mientras que el aprendizaje automático ofrece el camino técnico para alcanzarlo. Esta sinergia no solo permite automatizar tareas, sino también ampliar la capacidad de comprender datos, tomar decisiones complejas y generar conocimiento de manera cada vez más eficiente.

Cloud computing e internet de las cosas (IoT)

La computación en la nube y el IoT se han consolidado como tecnologías habilitadoras esenciales para el crecimiento y la sofisticación de las soluciones de inteligencia artificial; su convergencia ha favorecido la creación de entornos digitales más interconectados, adaptativos y eficientes, capaces de generar, procesar y utilizar datos en tiempo real. Esta sinergia ha impulsado aplicaciones en diversos sectores, como la manufactura inteligente (industria 4.0), la gestión urbana mediante ciudades inteligentes, la agricultura de precisión, la logística automatizada y los sistemas de salud conectados; en dichas áreas, la toma de decisiones depende de la integración continua entre los datos generados por sensores y la capacidad computacional para analizarlos y responder de forma autónoma.

En particular, la computación en la nube posibilita el acceso remoto y bajo demanda a recursos computacionales (como procesamiento, almacenamiento y servicios de red) por medio de plataformas distribuidas en internet. Este modelo elimina la necesidad de invertir en infraestructura local costosa y rígida; además, permite que las organizaciones escalen sus operaciones tecnológicas con agilidad y eficiencia. Más allá de su alta disponibilidad, resiliencia operativa y modelo de pago por uso, la nube también ofrece entornos seguros y permanentemente actualizados para desplegar algoritmos de inteligencia artificial y sistemas de Big Data, tanto en la fase de entrenamiento como en su implementación en entornos productivos. De este modo, se ha convertido en un componente estructural del ecosistema digital contemporáneo, en cuanto democratiza el acceso a capacidades de cómputo avanzadas y acelera la innovación en todos los niveles organizacionales (Joyanes, 2022).

Debido a su versatilidad, la computación en la nube no se concibe como una solución única, sino como un conjunto de modelos configurables según las necesidades operativas, el grado de control requerido y los niveles de seguridad exigidos por cada organización. Esta diversidad responde a la heterogeneidad de los entornos donde se implementan soluciones basadas en inteligencia artificial y big data, los cuales van desde startups que demandan escalabilidad inmediata hasta instituciones gubernamentales que priorizan la soberanía de los datos. Comprender las distintas configuraciones disponibles resulta esencial para alinear las capacidades tecnológicas con los objetivos estratégicos, optimizar recursos y garantizar la continuidad operativa. Entre las principales modalidades, se encuentran las siguientes:

 

Figura 4. Configuraciones de nube.
Fuente: Mingo, I. (2025). Cloud computing: tipos, beneficios y claves para elegir la mejor solución. Recuperado de https://www.incentro.com/es-ES/blog/tipos-de-cloud-computing

Además de los distintos tipos de arquitectura, la computación en la nube contempla diversos modelos de servicio que determinan el grado de control, responsabilidad y funcionalidad asumido tanto por el proveedor como por el usuario final; dicha clasificación resulta particularmente relevante en entornos donde se desarrollan soluciones de IA y big data, ya que cada modelo implica distintos niveles de abstracción tecnológica, desde el acceso a recursos computacionales básicos hasta la utilización directa de aplicaciones integrales. En contextos como el IoT o las ciudades inteligentes, donde se requiere procesar grandes volúmenes de datos en tiempo real, algunas organizaciones optan por modelos que faciliten una implementación ágil con baja carga operativa, mientras que otras demandan un mayor control sobre la infraestructura subyacente. La selección del modelo adecuado depende, por tanto, de factores como la escala del proyecto, la rapidez en el desarrollo, los requerimientos de seguridad y la capacidad institucional de gestión tecnológica. En este marco, se distinguen tres modalidades principales de servicios en la nube:

 

Figura 5. Modelos de distribución de computación en la nube.
Fuente: Joyanes, L. (2022). Computación en la nube. Estrategias de Cloud Computing en las empresas (2ª ed.). México: Alfaomega.

En el ecosistema actual de la computación en la nube, destacan diversos proveedores globales que ofrecen soluciones integradas para el desarrollo e implementación de inteligencia artificial, big data y aplicaciones de alto rendimiento; entre los más reconocidos, se encuentran Amazon Web Services (AWS), Microsoft Azure, Google Cloud Platform (GCP) e IBM Cloud. Cada uno de estos actores proporciona una combinación específica de servicios, herramientas, modelos de costos y capacidades de integración, factores que inciden directamente en la elección de la plataforma; esta decisión no debe considerarse solo técnica, sino estratégica, ya que puede determinar el éxito de los proyectos de transformación digital. Los criterios de selección más comunes incluyen la compatibilidad con sistemas existentes, escalabilidad, cumplimiento normativo, disponibilidad regional y oferta de módulos especializados, como algoritmos de aprendizaje automático, procesamiento de datos en tiempo real o redes neuronales preentrenadas.

Paralelamente, el IoT se ha consolidado como una tecnología clave para ampliar el alcance operativo de la inteligencia artificial; dicho paradigma permite la interconexión de objetos físicos (como sensores, electrodomésticos, vehículos, maquinaria industrial o dispositivos médicos) mediante redes digitales, de tal manera que habilita la recolección, intercambio y procesamiento de datos en tiempo real. La información generada por estos dispositivos puede ser interpretada por algoritmos de inteligencia artificial y aprendizaje automático, con el fin de automatizar decisiones, optimizar procesos o emitir recomendaciones fundamentadas en patrones previamente detectados (IBM, 2023). De este modo, el IoT actúa como un puente entre el entorno físico y los sistemas digitales inteligentes, fortaleciendo la capacidad de respuesta de las plataformas en la nube.

El desarrollo del IoT ha sido posible gracias a la convergencia de avances tecnológicos que han mejorado su viabilidad, eficiencia y escalabilidad. Entre los más relevantes, destacan los siguientes:

Figura 6. Avances tecnológicos que han permitido el desarrollo de la IoT.
Fuente: Joyanes, L. (2022). Computación en la nube. Estrategias de Cloud Computing en las empresas (2ª ed.). México: Alfaomega.

En los entornos industriales, se utiliza el término internet industrial de las cosas (IIoT) para referirse a la aplicación específica de tecnologías IoT en procesos de manufactura, energía y automatización; dicho enfoque integra sensores inteligentes, comunicación máquina a máquina (M2M) y redes 5G para habilitar la monitorización en tiempo real, el mantenimiento predictivo y una mayor autonomía operativa. Gracias a estas capacidades, las fábricas inteligentes pueden optimizar sus procesos con niveles superiores de eficiencia, adaptabilidad y seguridad.

La combinación entre el IoT y la computación en la nube ha posibilitado soluciones transformadoras en diversos ámbitos de la vida cotidiana y productiva: en las ciudades inteligentes, las redes de sensores permiten gestionar de manera eficiente el tráfico, la iluminación pública y el consumo de recursos; en el sector logístico, estas tecnologías se integran para optimizar rutas de transporte, monitorear entregas en tiempo real y mejorar la trazabilidad de los productos; por su parte, en los ecosistemas domésticos, los asistentes virtuales y electrodomésticos inteligentes aprenden del comportamiento de los usuarios y se adaptan a sus preferencias, de tal manera que promueven entornos más cómodos, automatizados y sostenibles.

En conjunto, la convergencia entre la nube y el IoT proporciona el entorno técnico propicio para el despliegue de soluciones basadas en inteligencia artificial; así, se consolida una infraestructura digital distribuida, flexible y adaptable.

Aplicaciones prácticas de IA

El potencial de la IA se manifiesta con mayor claridad al analizar su capacidad de integración en los sistemas complejos que configuran la vida económica, social y cultural contemporánea. A diferencia de otras innovaciones tecnológicas del pasado, la IA no se limita a una función específica ni a un ámbito determinado; por el contrario, actúa como una tecnología de propósito general, es decir, implica que sus principios y mecanismos pueden adaptarse y escalarse a múltiples dominios. Esta cualidad le permite funcionar como una infraestructura cognitiva que complementa y amplifica las capacidades humanas, automatiza procesos, optimiza recursos y facilita la toma de decisiones fundamentada en evidencia empírica. Uno de los factores centrales que explica su creciente relevancia radica en su capacidad para procesar grandes volúmenes de datos de manera eficiente; en un entorno cada vez más interconectado y digitalizado, donde se generan datos a velocidades sin precedentes, la IA constituye una herramienta indispensable para transformar esa información en conocimiento accionable. Mediante algoritmos de aprendizaje automático y aprendizaje profundo, los sistemas de IA pueden detectar patrones no evidentes, inferir relaciones complejas y adaptarse a nuevas condiciones sin intervención humana directa, de tal forma que amplía su campo de aplicación y refuerza su valor estratégico.

En el ámbito empresarial y del comercio electrónico, la IA ha redefinido la relación entre consumidores y proveedores. Los sistemas de recomendación personalizados, desarrollados mediante algoritmos de aprendizaje automático, procesan el historial de navegación, las preferencias de compra y el comportamiento del usuario para sugerir productos y servicios con precisión; de esta manera, han mejorado significativamente la experiencia del cliente e incrementado la conversión comercial; por su parte, los asistentes virtuales y los chatbots inteligentes utilizan procesamiento del lenguaje natural para ofrecer atención automatizada, resolver consultas y proporcionar soporte continuo durante las 24 horas del día, lo que permite reducir tanto los tiempos de respuesta como los costos operativos (Thacker, 2024). En la gestión interna de las empresas, la predicción de la demanda y la optimización de inventarios se han beneficiado considerablemente del uso de IA, ya que permiten anticipar cambios en el mercado, ajustar niveles de stock en tiempo real y minimizar pérdidas por desabastecimiento o sobreacumulación.

En el siguiente episodio de Transformación digital, se mencionan algunos ejemplos de cómo la IA ha impactado en este escenario:

 

En el sector de la salud, la IA está abriendo nuevas posibilidades para la medicina de precisión. El diagnóstico asistido por inteligencia artificial permite analizar imágenes médicas, historiales clínicos y datos fisiológicos para identificar enfermedades de forma más rápida y precisa, mientras que los modelos predictivos ayudan a detectar patrones de riesgo antes de que se manifiesten los síntomas, lo cual facilita una atención médica preventiva (Reardon, 2023); asimismo, los sistemas inteligentes pueden personalizar tratamientos a partir de los datos individuales de cada paciente, optimizando la efectividad terapéutica y reduciendo efectos adversos, lo que constituye un avance significativo hacia una medicina más individualizada y eficiente.

La inteligencia artificial también representa un elemento estratégico en la transformación de los sistemas actuales de movilidad y transporte, al incorporar capacidades analíticas, sensoriales y decisionales que posibilitan la automatización de procesos, la anticipación de comportamientos y la coordinación de flujos en tiempo real. Su implementación en infraestructuras físicas y plataformas digitales está modificando sustancialmente la forma en que se planifican, gestionan y optimizan los desplazamientos de personas, bienes y servicios, en contextos crecientemente dinámicos e interconectados. Estos son algunos de los avances más importantes en este ámbito:

Figura 7. Aplicaciones de la IA en sistemas actuales de movilidad y transporte.
Fuente: Peralta, F. (2025). Inteligencia Artificial aplicada al Transporte y Logística. Recuperado de https://driv.in/blog/inteligencia-artificial-transporte

El sector financiero también ha experimentado una transformación profunda gracias a la IA: la detección de fraudes se ha vuelto más eficaz mediante modelos capaces de identificar transacciones anómalas con alta precisión, analizando múltiples variables en tiempo real; por su parte, la gestión de inversiones ha sido automatizada gracias a plataformas conocidas como robo-advisors, las cuales construyen y ajustan carteras de inversión según los objetivos y perfiles de riesgo de los usuarios, reduciendo la barrera de entrada a los servicios financieros personalizados. Además, la evaluación crediticia asistida por IA permite tomar decisiones más informadas, ya que no solo considera historiales financieros, sino también datos contextuales y conductuales.

Una tendencia emergente es la inteligencia artificial generativa, la cual utiliza modelos fundacionales de gran escala para producir contenido textual, visual o audiovisual, con un alto nivel de calidad. Estos modelos están transformando áreas como la educación, el periodismo, el diseño gráfico y el desarrollo de software; en paralelo, la Edge AI ha posibilitado la ejecución de modelos de inteligencia artificial directamente en dispositivos locales, como sensores o teléfonos inteligentes, sin necesidad de conexión permanente a la nube, lo cual resulta esencial en contextos donde el tiempo de respuesta resulta crítico y el acceso a internet se ve limitado.

A medida que la inteligencia artificial se expande, también se vuelve más urgente abordar los desafíos asociados con su uso responsable. Aspectos como el sesgo algorítmico, la privacidad de los datos, la transparencia en la toma de decisiones automatizadas y la rendición de cuentas en sistemas críticos son objeto de creciente atención en los debates éticos sobre la IA. A ello, se suma el impacto ambiental derivado del entrenamiento de modelos de gran escala; esto ha impulsado la discusión sobre la necesidad de desarrollar una inteligencia artificial más sostenible desde el punto de vista energético y de recursos.

Frente a este panorama, resulta fundamental que el diseño, desarrollo e implementación de tecnologías inteligentes se orienten por principios de equidad, sostenibilidad y responsabilidad social. Solo bajo estas condiciones será posible aprovechar el potencial transformador de la inteligencia artificial para generar un impacto positivo, inclusivo y duradero en la sociedad.

Revisa el video sobre el tema.

La comprensión de los fundamentos de la inteligencia artificial y del aprendizaje automático, así como su vinculación con tecnologías como la computación en la nube y el IoT, proporciona una visión precisa del papel estratégico que estas innovaciones desempeñan en la transformación digital contemporánea. El dominio conceptual de estos elementos no solo fortalece la capacidad para analizar y aplicar soluciones tecnológicas en contextos reales, también prepara para anticipar los desafíos éticos, sociales y técnicos asociados con su implementación.

En esta experiencia educativa, descubriste que la IA ha dejado de ser una posibilidad futura para consolidarse como un agente activo en múltiples sectores: salud, finanzas, comercio, industria, movilidad y educación; además, conociste sus aplicaciones actuales y exploraste cómo su evolución ha otorgado herramientas esenciales para asumir una postura crítica, informada y proactiva frente a un entorno en transformación constante. Esta visión integrada constituye la base para fomentar competencias clave del siglo XXI, como la alfabetización digital, el pensamiento computacional, la toma de decisiones fundamentada en datos y la innovación orientada por criterios éticos y sociales.

Para concluir, reflexiona en torno a las siguientes preguntas:

• ¿Cómo puede la inteligencia artificial complementar proyectos personales o profesionales en el corto y mediano plazo?
• Al diseñar o implementar soluciones basadas en IA, ¿qué precauciones deben considerarse para prevenir sesgos, errores o efectos no deseados?
• En la regulación futura del desarrollo y uso de tecnologías de inteligencia artificial, ¿qué aspectos éticos y sociales deben priorizarse?

Asegúrate de:

• Comprender los fundamentos de la IA y del ML para asimilar sus definiciones, clasificaciones y principales técnicas de entrenamiento algorítmico.
• Identificar las características y beneficios de los modelos de servicio en la computación en la nube (IaaS, PaaS y SaaS), así como sus diferentes tipos de implementación (pública, privada, híbrida y comunitaria), para elegir las opciones más adecuadas.
• Reconocer el funcionamiento del IoT y su papel como fuente generadora de datos para alimentar sistemas de IA en diversos contextos.
• Relacionar las aplicaciones prácticas de la IA con distintos sectores, como la salud, el comercio, la industria, el transporte y las finanzas, para destacar su impacto positivo en dichas áreas.
• Reflexionar sobre los desafíos éticos y sociales que implica el uso masivo de tecnologías de inteligencia artificial para reconocer la necesidad de regulaciones, sostenibilidad y equidad digital.

• AWS. (s.f.). ¿Qué es la inteligencia artificial (IA)? Recuperado de https://aws.amazon.com/es/what-is/artificial-intelligence/
• China, C. (2023). Cinco tipos de machine learning que debe conocer. Recuperado de https://www.ibm.com/mx-es/think/topics/machine-learning-types
• Contreras, R. (2025). Tipos de inteligencia artificial y cómo funcionan. Recuperado de https://www.computing.es/a-fondo/tipos-de-inteligencia-artificial/
• IBM. (2023). What is the Internet of Things (IoT)? Recuperado de https://www.ibm.com/think/topics/internet-of-things
• Joyanes, L. (2022). Computación en la nube. Estrategias de cloud computing en organizaciones y empresas (2ª ed.). México: Alfaomega.
  ISBN eBook: 9788426735355.
• Labbe, M., y Wigmore, I. (2024). What is narrow AI (weak AI)? Recuperado de https://www.techtarget.com/searchenterpriseai/definition/narrow-AI-weak-AI
• Mingo, I. (2025). Cloud computing: tipos, beneficios y claves para elegir la mejor solución. Recuperado de https://www.incentro.com/es-ES/blog/tipos-de-cloud-computing
• Pastor, J. (2023). Qué es la Inteligencia Artificial General (AGI), la tecnología que apunta a revolucionar nuestro mundo por completo. Recuperado de https://www.xataka.com/basics/que-inteligencia-artificial-general-agi-tecnologia-que-apunta-a-revolucionar-nuestro-mundo-completo
• Peralta, F. (2025). Inteligencia Artificial aplicada al Transporte y Logística. Recuperado de https://driv.in/blog/inteligencia-artificial-transporte
• Reardon, S. (2023). AI Chatbots Can Diagnose Medical Conditions at Home. How Good Are They? Recuperado de https://www.scientificamerican.com/article/ai-chatbots-can-diagnose-medical-conditions-at-home-how-good-are-they/
• Soria, E., Sánchez, M., Gamero, R., Castillo, B., y Cano, P. (2023). Sistemas de aprendizaje automático. Colombia: Ra-Ma, Ediciones de la U.
  ISBN: 9789587925692.
• Thacker, K. (2024). Así es como 2700 líderes manejan la IA en el comercio. Recuperado de https://www.salesforce.com/mx/blog/ai-in-ecommerce/