Inteligencia Artificial en la Comunicación
Código: 106672 Créditos ECTS: 6| Titulación | Tipo | Curso | Semestre |
|---|---|---|---|
| 2503873 Comunicación Interactiva | OT | 4 | 1 |
Contacto
- Nombre:
- David Villarreal Ignacio
- Correo electrónico:
- david.villarreal@uab.cat
Idiomas de los grupos
Puede consutarlo a través de este enlace. Para consultar el idioma necesitará introducir el CÓDIGO de la asignatura. Tenga en cuenta que la información es provisional hasta el 30 de noviembre del 2023.
Prerrequisitos
Para poder cursar esta asignatura es necesario tener conocimientos básicos de lengua inglesa para afrontar la lectura de la bibliografía.
Objetivos y contextualización
Tener una visión general pero completa de qué es la inteligencia artificial, sus posibilidades y la aplicación de estas tecnologías en el ámbito de la comunicación y la comunicación interactiva.
1. ¿Qué es la IA? Definición, Análisis e Historia de los sistemas de inteligencia artificial.
2. ¿Qué es el Machine Learning y el Deep Learning? Estudio de las redes neuronales.
3. La Inteligencia Artificial Generativa.
4. Trascendencia: Principios éticos e implicaciones sociales de la IA.
5. Startups y nuevos modelos de negocio basados en la IA.
Competencias
- Actuar con responsabilidad ética y con respeto por los derechos y deberes fundamentales, la diversidad y los valores democráticos.
- Actuar en el ámbito de conocimiento propio evaluando las desigualdades por razón de sexo/género.
- Actuar en el ámbito de conocimiento propio valorando el impacto social, económico y medioambiental.
- Buscar, seleccionar y jerarquizar cualquier tipo de fuente y documento útil para la elaboración de mensajes, trabajos académicos, exposiciones, etc.
- Gestionar el tiempo de forma adecuada y ser capaz de planificar tareas a corto, medio y largo plazos.
- Introducir cambios en los métodos y los procesos del ámbito de conocimiento para dar respuestas innovadoras a las necesidades y demandas de la sociedad.
- Promocionar y lanzar nuevos productos y servicios a partir de la extracción y el análisis de datos masivos de los medios de comunicación.
- Que los estudiantes hayan desarrollado aquellas habilidades de aprendizaje necesarias para emprender estudios posteriores con un alto grado de autonomía.
- Que los estudiantes puedan transmitir información, ideas, problemas y soluciones a un público tanto especializado como no especializado.
- Que los estudiantes sepan aplicar sus conocimientos a su trabajo o vocación de una forma profesional y posean las competencias que suelen demostrarse por medio de la elaboración y defensa de argumentos y la resolución de problemas dentro de su área de estudio.
- Reconocer y planificar la infraestructura tecnológica necesaria para la creación, el almacenamiento, el análisis y la distribución de productos multimedia interactivos y del internet social.
Resultados de aprendizaje
- Analizar críticamente los principios, valores y procedimientos que rigen el ejercicio de la profesión.
- Analizar una situación e identificar sus puntos de mejora.
- Compartir las experiencias en grupo como forma de aprendizaje para trabajar posteriormente en grupos multidisciplinares.
- Comunicar haciendo un uso no sexista ni discriminatorio del lenguaje.
- Contrastar y verificar la veracidad de las informaciones aplicando criterios de valoración.
- Describir la infraestructura necesaria para el almacenamiento del big data.
- Diferenciar las variedades de tipos de arquitecturas existentes para trabajar con big data.
- Diferenciar lo sustancial de lo relevante en todos los tipos de documentos de la asignatura.
- Explicar las características de la infraestructura necesaria para la recuperación del big data.
- Explicar el código deontológico, explícito o implícito, del ámbito de conocimiento propio.
- Explicar la infraestructura necesaria para el tratamiento del big data.
- Extraer grandes masas de datos sobre todo de las redes sociales y los nuevos medios digitales.
- Identificar las implicaciones sociales, económicas y medioambientales de las actividades académico-profesionales del ámbito de conocimiento propio.
- Identificar situaciones que necesitan un cambio o mejora.
- Planificar y ejecutar proyectos académicos en el ámbito deL Big data.
- Ponderar los riesgos y las oportunidades de las propuestas de mejora tanto propias como ajenas.
- Presentar los trabajos de la asignatura en los plazos previstos y mostrando la planificación individual y/o grupal aplicada.
- Proponer nuevos métodos o soluciones alternativas fundamentadas.
- Proponer proyectos y acciones que estén de acuerdo con los principios de responsabilidad ética y de respeto por los derechos y deberes fundamentales, la diversidad y los valores democráticos.
- Proponer proyectos y acciones que incorporen la perspectiva de género.
- Proponer proyectos y acciones viables que potencien los beneficios sociales, económicos y medioambientales.
- Solucionar problemas básicos en big data.
- Valorar el impacto de las dificultades, los prejuicios y las discriminaciones que pueden incluir las acciones o proyectos, a corto o medio plazo, en relación con determinadas personas o colectivos.
Contenido
1. Qué es la Inteligencia Artificial (IA) y sus características.
1.1 ¿Qué es la IA?
1.2 Historia de la IA
1.3 Tendencias en la comunicación (hiper-targetización) y en la comunicación interactiva
2. Procesos de obtención de datos:
2.1 Big data: generación y fuentes de datos a través de las redes sociales
2.2 Datos estructurados
2.3 Datos no-estructurados
3. Machine Learning (ML) y Deep Learning (DL):
3.1 ML: Aprendizaje supervisado (Clasificación y Regresión)
3.2 ML: Aprendizaje no-supervisado (Reducción y Clustering)
3.3 DL y Aprendizaje reforzado
3.4 La XAI y las cajas negras
3.5 Redes Neuronales, Deep Learning, Reducción de la Dimensionalidad y otros conceptos importantes
4. Producción de una obra audiovisual a través de la IA Generativa:
4.1 Creación de una historia
4.2 Creación de imágenes
4.3 Creación de vídeo
4.4 Creación de música
4.5 Creación de voces en off
4.6 La IA en la postproducción
5. Transcendencia: Principios éticos e implicaciones socials de la IA:
5.1 Ética
5.2 Legislación
5.3 Implicaciones Sociales
6. Startups y nuevos modelos de negocio basados en IA
6.1 Las grandes tecnólogicas (Google, Meta, Apple, Amazon)
6.2 Networksy nodos
6.3 Startups del sector de la comunicación basadas en IA
6.4 Startups del sector de la comunicación catalanas basadas en IA
6.5 Futuros modelos de negocio basados en IA
7. Data-driven Marketing
7.1 Netflix Data-Driven Content Machine
Metodología
La adquisición de conocimientos se realizará a través de diversos procedimientos metodológicos que incluyen diferentes tipos de actividades, agrupadas en: clases magistrales, prácticas y seminarios.
En las sesiones teóricas se realizará la exposición de los contenidos del programa, propiciando de este modo los elementos necesarios para llevar a cabo los ejercicios prácticos en los laboratorios.
Por lo que respecta a las prácticas, servirán para aplicar en casos reales los conocimientos adquiridos en las sesiones teóricas. En los seminarios, se favorece la reflexión crítica y el debate sobre el análisis de casos reales y modelos.
El calendario detallado y el contenido de las diferentes sesiones, se expondrá el día de presentación de la asignatura y se colgará también en el campus virtual donde el alumnado podrá encontrar la descripción detallada de los ejercicios y prácticas, así como los diversos materiales docentes y cualquier información necesaria para el adecuado seguimiento de la asignatura. En caso de cambio de modalidad docente por razones sanitarias, el profesorado informará de los cambios que se producirán en la programación de la asignatura y las metodologías docentes.
Nota: la presencialidad es obligatoria. En caso de no poder asistir alguna de las clases, el estudiante deberá justificarlo con un certificado oficial.
Nota: se reservarán 15 minutos de una clase, dentro del calendario establecido por el centro/titulación, para que el alumnado rellene las encuestas de evaluación de la actuación del profesorado y de evaluación de la asignatura/módulo.
Nota: se reservarán 15 minutos de una clase dentro del calendario establecido por el centro o por la titulación para que el alumnado rellene las encuestas de evaluación de la actuación del profesorado y de evaluación de la asignatura o módulo.
Actividades
| Título | Horas | ECTS | Resultados de aprendizaje |
|---|---|---|---|
| Tipo: Dirigidas | |||
| Clases magistrales con soporte TIC | 15 | 0,6 | 1, 2, 6, 7, 10, 11, 9, 13, 14, 23 |
| Prácticas de laboratorio | 12 | 0,48 | 2, 3, 12, 13, 14, 15, 16, 18, 21, 22 |
| Seminarios | 21 | 0,84 | 1, 2, 4, 5, 8, 13, 14, 16, 17, 18, 19, 20, 21, 23 |
| Tipo: Supervisadas | |||
| Examen de teoria | 3 | 0,12 | 1, 6, 7, 10, 13, 22, 23 |
| Tutorias (actividad presencial o en grupo orientada a resolver problemas de aprendizaje) | 10 | 0,4 | 2, 4, 8, 14, 17 |
| Tipo: Autónomas | |||
| Estudio: lectura y síntesis de documentos científicos | 56 | 2,24 | 1, 2, 7, 13, 14, 19, 23 |
Evaluación
Las competencias de esta asignatura se evalúan con diferentes actividades:
- Prueba teórica (40% de la nota final)
- Presentaciones grupales prácticas (40% de la nota final)
- Entrega de trabajos individuales (10% de la nota final)
- Asistencia (10% de la nota final)
La nota final será la suma de la puntuación obtenida en cada una de estas partes.
Es imprescindible realizar las tres pruebas de evaluación para superar la asignatura.
Se realizará la ponderación de las tres partes evaluables, aunque una de ellas esté suspendida. Pero no se realizará la ponderación si dos están suspendidas.
El sistema de evaluación de esta asignatura se corresponde a evaluación continua.
SISTEMA DE RECUPERACIÓN OPTATIVO:
El alumnado tendrá derecho a la recuperación de la asignatura sólo si se ha evaluado el conjunto de actividades. Sólo podrán recuperarse las prácticas de laboratorio suspendidas y la prueba escrita. Por tanto, quedan excluidas de recuperación todas las actividades no presentadas. Los seminarios no son recuperables y por tanto no son reevaluables.
Si el examen se suspende con menos de un 3,5, el estudiante no tendrá derecho a reevaluación.
La nota máxma en las prácticas de laboratorio recuperadas será de 5 sobre 10.
La nota obtenida en la recuperación de la prueba escrita será la nota final de este apartado, con independencia de si ésta es mejor o peor que la primera prueba realizada.
Asistencia: La asistencia a las clases de seminarios y prácticas de laboratorio es obligatoria. La ausencia no justificada del alumnado en estas sesiones comporta un "no presentado" en la nota del seminario o práctica específica, y por tanto no será recuperable.
En caso de que el estudiante realice cualquier irregularidad que pueda conducir a una variación significativa de la calificación de un acto de evaluación, se calificará con 0 este acto de evaluación, con independencia del proceso disciplinario que pueda instruirse. En caso de que se produzcan diversas irregularidades en los actos de evaluación de una misma asignatura, la calificación final de esta asignatura será 0.
La metodología docente y la evaluación propuestas pueden experimentar alguna modificación en función de las restricciones a la presencialidad que impongan las autoridades sanitarias.
Esta asignatura no contempla el sistema de evaluación única.
Actividades de evaluación continuada
| Título | Peso | Horas | ECTS | Resultados de aprendizaje |
|---|---|---|---|---|
| Asistencia a clase | 10% | 15 | 0,6 | 2, 3, 14, 15, 17, 22 |
| Entrega de trabajos individuales | 10% | 0 | 0 | 3, 5, 6, 8, 7, 11, 9, 12, 14, 16, 17, 18, 19, 20, 21, 22 |
| Examen de teoría | 40% | 3 | 0,12 | 1, 5, 6, 7, 10, 13, 22, 23 |
| Presentaciones grupales de prácticas | 40% | 15 | 0,6 | 2, 3, 4, 6, 7, 11, 9, 12, 14, 15, 18, 21 |
Bibliografía
Cappello M. (ed.), New actors and risks in online advertising, IRIS Special, European Audiovisual Observatory, Strasbourg, 2022. © European Audiovisual Observatory (Council of Europe), Strasbourg, July 2022
Hageback, Niklas. AI for Creativity, Taylor & Francis Group, 2021. ProQuest Ebook Central, http://ebookcentral.proquest.com/lib/uab/detail.action?docID=6688906.
Latorre, José Ignacio. Ética para máquinas, Ariel, 2019.
Ryszard S. Michalski, Jaime G. Carbonell y Tom M. Mitchell. Machine Learning: An Artificial Intelligence Approach, Morgan Kaufmann. 2014.
Venkatesan, Raj, and Jim Lecinski. The AI Marketing Canvas : A Five-Stage Road Map to Implementing Artificial Intelligence in Marketing, Stanford University Press, 2021.
En las sesiones teóricas se proporcionará bibliografía específica si se corresponde.
Software
Editor de texto orientado a código