Explorando la IA para la educación en los gobiernos y nuestros estudios de caso en Arabia Saudita y Catar
Con la llegada de la IA, alrededor de 70 países (1) han implementado o comenzado a implementar alguna estrategia de IA. Estas estrategias tienden a afectar a la mayoría de las administraciones gubernamentales y, en particular, a los ministerios de educación. La educación en sí misma aún no se ha visto afectada, y sin embargo, estas nuevas tecnologías ofrecen un potencial enorme y la oportunidad para que los gobiernos logren grandes avances, no solo al proporcionar a sus estudiantes la mejor educación posible, sino también porque podrían reducir drásticamente la carga de trabajo de su personal administrativo y docente.
Como se muestra en la imagen, la incorporación de la IA en los entornos educativos no solo afecta a los estudiantes y educadores, sino que también desempeña un papel crucial en la toma de decisiones basada en datos a nivel institucional y gubernamental. Esto a menudo requiere la integración de sistemas inteligentes que trabajen juntos para maximizar los resultados.
Es importante entender la diferencia entre una herramienta de IA y un sistema impulsado por IA. Por ejemplo, agregar un tutor de IA o una experiencia de aprendizaje personalizada a una institución académica no necesariamente la convierte en un sistema impulsado por IA, al igual que agregar una función de streaming al sitio web de una librería no la transforma en Netflix.
Lo que desbloquea el valor de los sistemas impulsados por IA es la disponibilidad de datos centralizados provenientes de diferentes tipos de fuentes, combinados con herramientas de IA y flujos de trabajo automatizados. Por ejemplo, para identificar a los estudiantes en riesgo, sería necesario profundizar en las evaluaciones psicológicas de los estudiantes, sus actividades extracurriculares, la velocidad de aprendizaje, los maestros actuales, las políticas escolares/gubernamentales y los sistemas de apoyo existentes (mentores, asesores, agentes de IA, etc.), sus calificaciones, etc. Este proceso es muy demandante para los educadores y, aparte de algunas escuelas privadas de élite en el mundo, la mayoría de las escuelas del sistema público no tienen los recursos para tomar decisiones informadas para cada estudiante. Las proporciones de estudiantes por maestro son bastante altas y, aun cuando los datos están disponibles, los maestros no tienen la energía ni el incentivo para hacer un seguimiento individual de cada estudiante.
Aquí es donde entran en juego los sistemas basados en IA. Con la IA generativa, estos sistemas podrían incorporar todos los datos disponibles de todo un país e identificar a los estudiantes en riesgo en tiempo real. Además, podrían informar automáticamente a las partes interesadas clave (administración, escuelas, maestros e incluso familias) generando automáticamente correos electrónicos, informes de estudiantes e intervenciones recomendadas para cada parte interesada. Este es un ejemplo de caso de uso, pero estos sistemas impulsados por IA son capaces de mucho más: organizar horarios de clases, coordinar la asignación de maestros sustitutos a nivel gubernamental, generar cursos personalizados para cada clase o proporcionar orientación académica y recomendaciones sobre el camino educativo y profesional ideal, por nombrar solo algunos ejemplos. Estos sistemas impulsados por IA pueden ayudar a garantizar que el capital humano de un país (sus estudiantes en cualquier momento) tenga las mejores carreras académicas y opciones profesionales posibles.
Hablar de las ventajas y el potencial de estos sistemas basados en IA en un artículo breve no les hará justicia. Sin embargo, vamos a profundizar en algunas de las herramientas de IA que conforman este tipo de sistema. Más específicamente, analizaremos las características de la IA generativa utilizada en un curso específico.
Las últimas herramientas de inteligencia artificial generativa se pueden usar para producir cuadernos de Jupyter, presentaciones de PowerPoint, informes, tareas, cuestionarios, exámenes, videos, calificar respuestas abiertas en un examen, proporcionar retroalimentación personalizada, actuar como un tutor de IA, ofrecer recomendaciones, y mucho más. Los educadores ya no tienen que dedicar tiempo a generar contenido o calificar cada aspecto de las presentaciones estudiantiles, lo que les ahorraría una enorme cantidad de tiempo a diario.
Estos sistemas impulsados por inteligencia artificial no hacen que los maestros sean elementos irrelevantes u obsoletos en el aprendizaje. Los educadores seguirán siendo necesarios para brindar apoyo didáctico y evaluar una amplia gama de habilidades que los sistemas basados en IA no pueden analizar. Los maestros también siguen siendo fundamentales para el desarrollo emocional de los estudiantes. Sin embargo, cuando se trata de las enormes tareas administrativas que los educadores deben realizar, ¿hay algo que la inteligencia artificial no pueda asumir?
Echemos un vistazo al lado del estudiante. Servicios como el aprendizaje personalizado/adaptativo, la tutoría impulsada por IA y la disponibilidad continua de algún tipo de asistencia son cruciales para los estudiantes. Sorprendentemente (a pesar del entusiasmo global en torno a la IA y la inflación de todos los servicios asociados), existen muchas estrategias relativamente económicas para implementar estas tecnologías sin recurrir a modelos de lenguaje grande (LLMs).
IA en la educación a gran escala: estrategias, fases y técnicas de optimización.
Al implementar la inteligencia artificial en la educación a nivel gubernamental, es necesario establecer estrategias y fases para familiarizar al ecosistema con esta tecnología disruptiva. Dependiendo del gobierno y la entidad, es recomendable comenzar delimitando el alcance del proyecto de la siguiente manera:
- Análisis profundo del sistema educativo: se necesita un análisis exhaustivo del sistema educativo actual para identificar áreas donde la inteligencia artificial pueda aportar beneficios inmediatos ("frutos bajos").
- Plan estratégico para la integración de la IA: en esta etapa, se desarrollará una estrategia para la integración de la inteligencia artificial en múltiples niveles del sistema educativo, desde el ministerio hasta las escuelas y universidades locales.
- Participación de los interesados: es necesario involucrar a todos los actores, incluidos docentes, administradores, padres y estudiantes, para garantizar que se satisfagan sus necesidades y facilitar una adopción sin contratiempos.
- Calendario de transformación de la IA y asignación presupuestaria: se debe elaborar un cronograma realista de transformación para todo el sector educativo, acompañado de una planificación presupuestaria y una asignación precisa de los recursos que se movilizarán.
- Plan de implementación: en esta fase, se elabora un plan de implementación claro que especifica roles, responsabilidades y hitos para garantizar una implementación y adopción exitosas.
- Desarrollo de capacidades ejecutivas y formación: es esencial llevar a cabo sesiones de formación específicas para los niveles ejecutivos de las administraciones de educación pública y directores de escuelas con el fin de desarrollar competencias de liderazgo relacionadas con la implementación de la IA. El objetivo final es garantizar que estén capacitados para liderar iniciativas relacionadas con la IA en sus instituciones.
- Marco de seguimiento y evaluación: se establecen métricas y puntos de referencia para evaluar periódicamente el impacto de la integración de la IA y permitir las correcciones necesarias.
Los resultados de la delimitación de un proyecto de implementación de IA educativa se traducen en:
- Una estrategia concreta de inteligencia artificial para la educación adaptada al nivel nacional.
- Un cronograma detallado para la transformación de la IA con una asignación presupuestaria acorde a los objetivos.
- Un plan de implementación claro con roles y funciones definidos y actores identificados.
- Liderazgo capacitado en IA para la educación, capaz de impulsar iniciativas.
- Métricas de responsabilidad para garantizar la implementación y adopción.
Los objetivos educativos y la identificación de las necesidades públicas son una de las principales tareas de las administraciones. Sin embargo, estos no son suficientes para concebir un plan de implementación de la IA. Existen aspectos, como la formación y el ajuste de los sistemas basados en IA, que tienen un impacto tan significativo en los resultados que es recomendable confiar la elaboración del plan de implementación de la IA, así como su dirección técnica, a expertos.
Perfeccionamiento ejecutivo en las administraciones educativas
Uno de los ingredientes críticos para la implementación exitosa de la IA en la educación es la formación y el desarrollo de capacidades en los niveles más altos de la administración educativa.
Estos son los componentes clave de un programa de formación en IA para la educación:
- Introducción a la inteligencia artificial en la educación.
- Alfabetización en gestión de datos.
- Digitalización de la legislación educativa y preparación de formatos que permitan a la IA extraer información automáticamente.
- Aprendizaje personalizado y adaptativo.
- Generación de planes de unidad, planes de lección y hojas de tareas.
- Generación de tareas, exámenes y pruebas.
- Evaluación personalizada y procesos de evaluación automática.
- Monitoreo de la educación pública asistido por IA.
- Retornos de la inversión en IA para la educación (este punto debe personalizarse para cada país o región).
- Estrategia de implementación y plan de ejecución (también personalizado para cada país).
- Evaluación y requisitos de infraestructura:
- Evaluación y medición del impacto.
- Presupuestación y asignación de recursos.
- Asistencia técnica y resolución de problemas.
- Mantenimiento y supervisión de los sistemas de IA.
- Ética, privacidad y seguridad de los datos.
- Gestión del cambio y desarrollo profesional continuo para los educadores.
- Estudios de casos
La formación no es idéntica para todas las partes involucradas. Dependiendo del rol y los niveles de responsabilidad, cada parte tenderá a centrarse en diferentes módulos de la lista.
Estudio de caso: Arabia Saudita
Arabia Saudita ha comenzado a implementar la inteligencia artificial en su sistema educativo y, durante el último año, LiveTech AI ha estado trabajando muy de cerca con KAUST y el Centro Nacional de Inteligencia Artificial para apoyar un despliegue nacional de la IA en la educación del sector público.
Uno de los primeros desafíos fue procesar los libros de texto en árabe. El árabe se considera un idioma de bajos recursos en términos de IA. Un "idioma de bajos recursos" se define como aquel para el cual hay pocos datos disponibles para entrenar modelos de inteligencia artificial. Muchos modelos de OCR tienen dificultades para procesar los libros de texto. Transformar el currículo árabe en formatos que puedan ser asimilados y procesados por la IA es uno de los pasos más críticos en la educación impulsada por la IA.
Después de varias iteraciones, LiveTech logró desarrollar un sistema que procesa automáticamente libros en formato PDF, extrae los objetivos de aprendizaje, problemas prácticos (con sus imágenes), lecciones, glosarios y ejemplos, y los presenta en un formato estructurado.
Luego, los resultados se utilizaron para crear sistemas de aprendizaje personalizado y adaptativo, mejorados con inteligencia artificial generativa para producir repositorios de ejercicios prácticamente ilimitados. Estas actividades proporcionan a cada estudiante un vasto banco de actividades para practicar y satisfacer cualquier necesidad que puedan tener.
La inteligencia artificial generativa también se utilizó para crear un tutor en STEM, complementado con herramientas como Wolfram Alpha para producir una guía que mostraba a los estudiantes cómo resolver problemas paso a paso, en lugar de solo darles las respuestas.
Otras herramientas solicitadas por las administraciones saudíes, y desarrolladas en este proyecto, incluyeron la generación de presentaciones PPTX y planes de lecciones personalizados basados en el rendimiento del aula y el currículo. Esta personalización lleva tiempo, pero es importante. Al preparar un proyecto piloto, se debe tener en cuenta que todo lo que se construya debe ser escalable a nivel nacional. Esto a menudo significa que propuestas como las basadas en OpenAI o en otras APIs pueden no ser sostenibles debido a su alto costo por estudiante.
Estudio de caso: Catar
Por otro lado, Qatar adoptó una estrategia diferente y propuso un enfoque de arriba hacia abajo en lugar de uno de abajo hacia arriba. LiveTech AI ha estado colaborando con su Academia de Qatar desde 2023 para aprovechar el potencial de la inteligencia artificial y ayudar a escalarla a nivel nacional en el país. En este proyecto, ha estado desarrollando una herramienta inteligente que actúa como una capa centralizadora de las muchas plataformas educativas que se utilizan.
Esto permite a los educadores tomar decisiones informadas rápidamente, así como consultar el estado educativo de sus estudiantes, identificar a los estudiantes en riesgo y generar informes.
Este método permite el uso de Generación aumentada por recuperación (Generación aumentada por recuperación) RAG, una técnica que ayuda a producir modelos de IA generativa más robustos mediante el uso de datos extraídos de fuentes externas (en este caso, cualquier documento relacionado o producido en el sistema educativo). La generación mejorada por recuperación hace posible realizar búsquedas inteligentes de información en bases de datos de acceso restringido.
Esta técnica se complementa con herramientas para la generación automática de gráficos, informes y tablas. Esto libera a los educadores, administradores y potencialmente incluso a gobiernos enteros de realizar las tareas más tediosas asociadas con la gestión del sistema educativo.
Mientras LiveTech AI proporciona los conocimientos técnicos, Qatar Academy aporta educadores y administradores experimentados que ayudan a diseñar el producto para solucionar las principales debilidades de las escuelas. Su experiencia proviene directamente de la experiencia de primera mano en los procesos de enseñanza y aprendizaje desde diferentes perspectivas. Esto permite a LiveTech AI personalizar y crear características que desde el primer día están adaptadas a los maestros y administradores de las escuelas, lo que conduce a una mejora de las operaciones y los resultados.
Creemos que este esfuerzo colaborativo entre los especialistas de la industria de la inteligencia artificial y Qatar Academy facilitó la toma de decisiones en momentos críticos del proyecto y es un buen modelo para futuros proyectos que implementen estas tecnologías.
Retorno de la inversión de la IA en la educación en el sector público
En términos de eficiencia operativa, la inteligencia artificial puede ahorrar fácilmente a los educadores entre un 25% y un 30% de sus tareas diarias, e incluso más en el caso de gestionar la administración de los ministerios de educación. Sin embargo, la pregunta que probablemente se estén haciendo todas las administraciones es: ¿cuánto costará implementar la IA en la educación a nivel nacional?
Como regla general, hemos encontrado que una inversión de menos del 0.5% del presupuesto de un ministerio de educación puede llevar a un aumento en la eficiencia operativa de más del 25% (una estimación muy conservadora).
Una suscripción a ChatGPT cuesta $20/usuario/mes, lo que la convierte en algo prohibitivamente caro para la educación pública, a pesar del incansable esfuerzo realizado en los últimos años para reducir este costo mediante procedimientos de optimización extrema y modelos/sistemas propietarios. El objetivo que se debe perseguir es hacer que los despliegues de IA a escala nacional sean asequibles para los países menos ricos. Actualmente, estamos cerca de reducir el costo a unos pocos dólares (dígitos únicos) por usuario/año. Por supuesto, este precio variará según las características habilitadas y la infraestructura existente. Esta reducción significativa solo será posible mediante una combinación única de optimización de hardware y software, para crear una solución de IA completamente integrada en todos los niveles del sistema educativo.
En este punto, intentaremos responder a la pregunta: ¿Por qué es tan caro implementar estos sistemas de IA?
Implementación de la IA en la educación
Para ejecutar muchas de las herramientas de IA, se requieren modelos de lenguaje grandes (LLMs) que funcionen con unidades de procesamiento gráfico (GPUs). Esta sección muestra cómo calcular la cantidad de GPUs necesarias para ejecutar las herramientas de IA necesarias para un despliegue nacional.
¿Por qué son importantes las unidades de procesamiento gráfico (GPUs)?
Las unidades de procesamiento gráfico (GPUs) son circuitos electrónicos dedicados a realizar un volumen muy alto de operaciones matemáticas a alta velocidad. Las GPUs ejecutan muchas solicitudes en paralelo, lo que permite un procesamiento de datos más rápido y aumenta la capacidad de las tareas, lo que es crucial para el entrenamiento y la inferencia en modelos de aprendizaje profundo. Múltiples núcleos realizar cálculos simultáneamente, asegurando una baja latencia y alta eficiencia energética. Esta eficiencia es vital para implementaciones a gran escala, ya que reduce los costos y el impacto ambiental. Según NVIDIA, las GPUs son 42 veces más eficientes en energía que las CPUs en tareas de inferencia de IA. Los modelos de IA requieren grandes conjuntos de datos y alta potencia computacional, lo cual es proporcionado eficientemente por las GPUs tanto para el entrenamiento como para la inferencia en tiempo real.
La capacidad de la memoria RAM de las GPUs, conocida como VRAM (Memoria de Acceso Aleatorio de Video), es crucial para determinar el tamaño de los modelos y conjuntos de datos que pueden ser procesados directamente en la GPU sin depender de la memoria principal del sistema. Una mayor capacidad de memoria permite manejar modelos más grandes de manera más eficiente, reduciendo las transferencias de datos y mejorando el rendimiento.
Las tecnologías de memoria avanzadas como HBM (Memoria de Alta Ancho de Banda) proporcionan un rendimiento superior por vatio, ofreciendo hasta tres veces el ancho de banda en comparación con los tipos de memoria convencionales, lo cual es vital en entornos con restricciones de energía para reducir los costos operativos y promover la sostenibilidad. Maximizar la utilización de la GPU optimizando los tamaños de los lotes y aprovechando las tecnologías de memoria avanzadas mejora la eficiencia y el rendimiento general de los sistemas acelerados por GPU, contribuyendo a mejorar el rendimiento y la eficiencia energética.
Ahora que sabemos que la memoria de la GPU influye en el tamaño del modelo y los conjuntos de datos utilizados, ¿cómo medimos el rendimiento de la GPU?
El rendimiento de la GPU se mide en operaciones de punto flotante por segundo (FLOP). La precisión, que varía según el número de bits utilizados, se refiere al nivel de exactitud numérica de los cálculos. El número de bits utilizados determina el grado de precisión con el que se puede representar un valor: la precisión doble (64 bits) proporciona una alta exactitud numérica y un amplio rango de valores, la precisión simple (32 bits) equilibra la precisión y el uso de memoria, y la precisión media (16 bits) proporciona una menor precisión con un ahorro significativo de memoria. Las operaciones de multiplicación y acumulación (MAC), comunes en multiplicaciones de matrices, son equivalentes a 2 FLOP cada una. Los modelos de aprendizaje automático se componen de capas que realizan operaciones como multiplicaciones de matrices y convoluciones. Dependiendo de los FLOP, miden las necesidades computacionales y la eficiencia, lo cual es crítico al optimizar el rendimiento y planificar el despliegue del hardware.
Aquí hay una fórmula para calcular los FLOP/s de la GPU:
GPU FLOP/s = clock_frequency x cores x FLOPS_per_clock_cycle x float_point_accuracy
Consideraciones importantes
Es importante tener en cuenta los siguientes aspectos al planificar los requisitos de computación:
- Teórico versus el rendimiento real: El FLOP/s real puede ser menor que el calculado debido a variaciones en la velocidad del reloj (número de ciclos que la CPU ejecuta por segundo) y la eficiencia operativa.
- Variabilidad en las operaciones El número de operaciones de punto flotante por ciclo de reloj puede variar según el tipo de operación.
Tiempo de inferencia
Soporte de marcos y bibliotecas Herramientas como el CUDA Toolkit de NVIDIA y cuDNN ofrecen diversas API para ayudar con el perfilado y la estimación de FLOP/s en la GPU.
Cálculo del tiempo de inferencia: El tiempo de inferencia se puede determinar mediante la fórmula:
Inference time = (FLOPS of the model) / (FLOPS/s of the GPU)
Cálculo del número de GPUs requeridas
Ahora que sabemos cómo obtener el tiempo de procesamiento en función del tamaño del modelo (es decir, los FLOPS del modelo), podemos calcular rápidamente el número de GPUs necesarias para el despliegue de la IA en un sistema educativo nacional. Esto depende de los siguientes 6 criterios:
- Tamaño y complejidad del modelo Los modelos más grandes y complejos requieren más poder de cómputo.
- Concurrencia de usuarios El número de usuarios que interactúan con la IA simultáneamente.
- Frecuencia de solicitudes El número de solicitudes realizadas por cada usuario por minuto.
- Requisitos de latencia El retraso aceptable entre la solicitud del usuario y la respuesta de la IA.
- Procesamiento por lotes vs. procesamiento en tiempo real Si las tareas de IA se procesan por lotes o necesitan procesamiento en tiempo real.
- Especificaciones de GPU Las características de rendimiento de las GPUs utilizadas.
El número total de GPUs se calcula de la siguiente manera:
Concurrent_users×Petitions_per_user_per_Minute×Average_processing_time_per_request (in seconds)
Capacidad de la GPU (solicitudes/segundo)
El numerador indica la demanda total de procesamiento en solicitudes por segundo. Luego se puede dividir por la capacidad de la GPU (solicitudes por segundo) para determinar el número de GPUs requeridas.
El tiempo promedio de procesamiento por solicitud se puede calcular dividiendo los FLOPs del modelo entre los FLOPs por segundo (FLOP/s) de la GPU, como se muestra arriba.
Con esta información, cualquier administración educativa podrá estimar sus propias necesidades según el tamaño del modelo que planea usar y los requisitos de su país.
Conclusión
Implementar la IA en la educación a nivel nacional requiere una estrategia que abarque el desarrollo de habilidades, así como la infraestructura de software y hardware. Hemos abordado las cuatro categorías esenciales y resumido los requisitos que afectan a todas las administraciones educativas. Implementar sistemas impulsados por IA tiene el potencial de generar enormes rendimientos sobre la inversión y puede mejorar significativamente no solo la eficiencia operativa, sino también los resultados para los administradores, educadores y estudiantes.
Las posibilidades del uso responsable de la IA en la educación no deberían estar disponibles solo para los estudiantes con más recursos. En este artículo hemos intentado mostrar qué variables deben tenerse en cuenta para permitir que los sistemas públicos lleven a cabo una transformación profunda de la educación.
El desafío es considerable pero manejable. En un contexto como el actual, en el que muchas narrativas sobre el uso y las posibilidades de la IA promueven visiones excluyentes que amplifican las divisiones digitales y económicas, este artículo aboga por una mejora urgente, pero creemos que realista, de los sistemas educativos.
Creemos que los riesgos de perder estas oportunidades son mayores que las ganancias en una Iberoamérica que necesita a toda costa recuperar las lecciones aprendidas y convertirse en un referente de prosperidad y productividad.
Referencias
- OECD (2024). National AI policies and strategies. Retrieved from https://oecd.ai/en/dashboards/overview.
- Harris, D. (2023). “What’s Up? Watts Down – More Science, Less Energy”.
- Extraido de GPUs Lead in Energy Efficiency, DoE Center Says | NVIDIA Blogs