• Algoritmos de aprendizaje autónomo: automatización del análisis estadístico
• Aplicaciones y limitaciones de los algoritmos de aprendizaje autónomo: datos, contexto, calidad de la aproximación
• La toma de decisiones: la necesitad de causalidad en el análisis empírico

• Características y calidad de los datos
• Análisis descriptivo y comparación con los resultados de la IA
• Evaluación de la calidad de los resultados de la aplicación de la IA

• Herramientas de búsqueda de talento
• Uso, abuso y extracción de información privada
• Programas de contratación de referidos

• Diseño y uso de encuestas
• Selección automatizada de candidatos para entrevistas (contratación)
• Análisis de entrevistas: la IA vs. los humanos

• Discriminación estadística y por preferencia
• Programas, reglas y políticas como el origen de discriminación
• Detección de los distintos tipos de discriminación

• Selección de métricas y metas
• Efecto de incentivos sobre la motivación, la postulación y la retención
• Efectos de incentivos: inesperados, secundarios y problemáticos

• Definición y principios básicos de la IA: Conceptos clave, tipos de IA (IA débil vs. IA fuerte) y técnicas fundamentales.
• Algoritmos y modelos de aprendizaje automático: Introducción a algoritmos de clasificación, regresión y clustering.
• Data science y análisis predictivo: Cómo se utilizan los datos para hacer predicciones y decisiones informadas en el comercio.

• Automatización de procesos comerciales: Ejemplos de automatización en inventarios, logística y atención al cliente.
• Análisis de comportamiento del cliente: Uso de IA para segmentación de clientes y personalización de ofertas.
• Optimización de precios y promociones: Técnicas de IA para ajustar precios y diseñar campañas promocionales basadas en datos.

• Plataformas de IA y machine learning: Análisis de herramientas como TensorFlow, PyTorch y Scikit-learn.
• Herramientas de visualización de datos: Software para la representación gráfica de datos y resultados de IA, como Tableau y Power BI.
• Sistemas de gestión de datos: Tecnologías para la integración y gestión de grandes volúmenes de datos, como bases de datos NoSQL y big data.

• Estrategias de implementación: Pasos para integrar soluciones de IA en las operaciones comerciales.
• Gestión del cambio organizacional: Cómo preparar a la organización y al personal para la adopción de nuevas tecnologías.
• Desafíos y soluciones en la implementación: Problemas comunes durante la implementación de IA y cómo superarlos.

• Privacidad y protección de datos: Normativas y mejores prácticas para manejar datos sensibles y personales.
• Transparencia y explicabilidad de los modelos de IA: Cómo asegurar que los modelos de IA sean comprensibles y transparentes.
• Sesgos y discriminación en algoritmos: Identificación y mitigación de sesgos en los sistemas de IA.

• Indicadores clave de desempeño (KPI) para IA: Métricas para evaluar el éxito de las implementaciones de IA.
• Análisis de resultados y retroalimentación: Métodos para analizar los resultados de las aplicaciones de IA y ajustar estrategias.
• Ciclo de mejora continua: Enfoques para la actualización y optimización constante de las soluciones de IA basadas en resultados y feedback.

La clase en vivo tiene por objetivo profundizar sobre los contenidos del curso, así como aterrizar algunas de las metodologías y conceptos expuestos aplicándolos a situaciones reales. Se espera que esta clase permita a los alumnos complementar el aprendizaje de las clases online y resolver las dudas que pudieran surgir durante el desarrollo del curso.

A lo largo del curso, los alumnos realizarán un trabajo grupal que consiste en proponer un proyecto de implementación de IA en su organización que esté alineado con la estrategia. Deberán identificar el problema que la IA ayudará a resolver, aplicarán el Canvas IA para analizar las predicciones y decisiones que se mejorarán con el proyecto, evaluarán la disponibilidad de datos que necesita el algoritmo, debatirán sobre los riesgos o potenciales consecuencias negativas del proyecto, analizarán cómo la estructura organizacional se verá afectada por esta implementación, y estimarán los efectos en el corto, mediano y largo plazo. El trabajo estará organizado en varias etapas, diseñadas para realizarse de manera transversal e integrada al curso.

• ¿Qué es IA? Definiciones: IA, ML, DL, etc.
• Tipos de IA
• Big data

• ¿Qué son las predicciones?
• Efecto del menor costo en la capacidad predictiva
• Efecto de mejores predicciones
• ¿Prediciendo el juicio humano?

• ¿Cómo tomamos decisiones?
• ¿Qué nos aporta la IA en la toma de decisiones?
• ¿Humanos y máquinas juntos?

• Aumento en el volumen de datos
• ¿Qué se entiende por big data?
• ¿Por qué los datos son el nuevo petróleo?
• ¿Qué tan crítico es el big data en la estrategia?

• Aumentando la competitividad de los negocios con IA
• Construyendo estrategia con IA
• Aplicaciones de IA en distintas áreas de la organización

• Riesgos asociados a la IA
• ¿Cuándo llegará la IA superinteligente?
• Una mirada general a la IA en las industrias
• Aporte de la IA en la sociedad: construyendo un futuro mejor

• Inteligencia artificial
• Historia de una tecnología y un concepto
• Qué es (y qué ha sido) la inteligencia artificial
• Cómo funcionan los modelos de redes neuronales

• Inteligencia artificial generativa
• Actuales desafíos existentes
• Usos y abusos de la IA.

• Clasificación de la IA
• Problemas críticos de la IA
• Derechos de autor, responsabilidad y sesgos

• Modelos regulatorios posibles
• Derecho comparado: UE, EE.UU., China.
• Potenciales problemas de la IA

• Bases de licitud
• Principios de tratamiento
• Derechos de los titulares

• Nueva y antigua ley de protección de datos en Chile
• Derecho comparado: protección de datos
• La regulación actual: ¿Es suficiente?