AI_Card en el borde: para la enseñanza-aprendizaje de redes neuronales e inteligencia artificial
DOI:
https://doi.org/10.26507/rei.v21n42.1444Palabras clave:
Redes Neuronales, inteligencia artificial generativa, calidad de la educación, LLM, Inteligencia artificial en el bordeResumen
Este artículo reporta una prueba de concepto desarrollada con dos muestras intencionales —seis estudiantes de grado undécimo sin formación previa en programación y dieciocho profesionales de distintas áreas— y declara tres contribuciones: (1) el diseño y la construcción de un hardware educativo de bajo costo que integra en un único módulo el microcontrolador ESP32-S3, cámara DVP, punto de acceso Wi-Fi, microSD y trece salidas GPIO para actuadores; (2) el desarrollo de D_T_I_AI.py, un software unificado que ejecuta de forma local y sin conexión a Internet el pipeline completo Datos–Entrenamiento–Inferencia, entrena y compara automáticamente tres arquitecturas (MLP, CNN y CNN con regularización avanzada) e incorpora un módulo de análisis multimodal con modelos de lenguaje multimodal (LMM) servidos por Ollama; y (3) los hallazgos preliminares de la prueba de concepto, que sugieren que participantes sin formación previa en programación logran completar el ciclo de construcción de data-sets, entrenamiento, contraste por inferencia y control de actuadores físicos dentro de sesiones acotadas de trabajo.
Biografía del autor/a
Ferney Cortés Garnica, Secretaría de educación de Bogotá
Licenciado en Electrónica de la Universidad Pedagógica Nacional de Colombia (2006), Especialista en Matemática Aplicada de la Universidad Sergio Arboleda (2009), Magíster en Didáctica de las Ciencias de la Universidad Autónoma de Colombia (2016) y Doctor en Educación de la Universidad de Baja California, México (2022). Se desempeña como docente investigador en la Secretaría de Educación de Bogotá y en PIXIE.
Kevin Daniel Martínez Ospino, Colegio Manuel Cepeda Vargas IED
Técnico en sistemas informáticos del SENA (2024) y Tecnólogo en sistemas informáticos del Politécnico Santafé de Bogotá (2026) actualmente se desempeña como asistente de investigación en la Institución Educativa Manuel Cepeda Vargas IED.
Referencias bibliográficas
UNESCO, “Consenso de Beijing sobre la inteligencia artificial y la educación”, 2019, pp. 27-38 https://unesdoc.unesco.org/ark:/48223/pf0000368303
UNESCO, “Inteligencia artificial y educación. Guía para las personas a cargo de formular políticas” 2021. [En línea]. Disponible en: https://unesdoc.unesco.org/ark:/48223/pf0000379376
UNESCO, “Marco de competencias para docentes en materia de IA”, 2025 https://unesdoc.unesco.org/ark:/48223/pf0000393813?locale=es
UNESCO, “Marco de competencias para estudiantes en materia de IA”, 2025 https://unesdoc.unesco.org/ark:/48223/pf0000391105
Departamento Nacional de Planeación, “Documento CONPES 4144”, 2025, https://colaboracion.dnp.gov.co/CDT/Conpes/Econ%C3%B3micos/4144.pdf
D. Situnayake, & J. Plunkett, “AI at the edge: Solving real-world problems with embedded machine learning”. O’Reilly Media, 2023.
P. Warden y D. Situnayake, “TinyML: Machine learning with TensorFlow Lite on Arduino and ultra-low-power microcontrollers”. O’Reilly Media, 2020.
K. Sharma et al., “Revolutionizing education with Edge AI”, En “Edge Artificial Intelligence,” Cap. 26, 2025 https://doi.org/10.1002/9781394355037.ch26
V. Janapa Reddi et al., "Widening access to applied machine learning with TinyML", arXiv:2106.04008, 2021. https://arxiv.org/pdf/2106.04008
B. Plancher y V. Janapa Reddi, "TinyMLedu: The tiny machine learning open education initiative", en Proc. 53rd ACM Technical Symposium on Computer Science Education (SIGCSE 2022), vol. 2, 2022, p. 1159. https://doi.org/10.1145/3478432.3499093
B. Plancher et al., "TinyML4D: Scaling embedded machine learning education in the developing world", Proceedings of the AAAI Symposium Series, vol. 3, n.º 1, 2024. https://ojs.aaai.org/index.php/AAAI-SS/article/view/31265/33425
S. Hymel et al., "Edge Impulse: An MLOps platform for tiny machine learning", en Proceedings of Machine Learning and Systems (MLSys), 2023. https://arxiv.org/pdf/2212.03332
I. T. Sanusi, S. S. Oyelere, H. Vartiainen, J. Suhonen y M. Tukiainen, "A systematic review of teaching and learning machine learning in K-12 education," Education and Information Technologies, vol. 28, n.º 5, pp. 5967–5997, 2023. https://link.springer.com/article/10.1007/s10639-022-11416-7
O. Spantidi, "Theory is cool but so are microcontrollers: Computer science student reactions to Arduino TinyML", en Proc. 57th ACM Technical Symposium on Computer Science Education (SIGCSE TS 2026), 2026. https://doi.org/10.1145/3770762.3772499
[15] V. Caravella, S. Yassine y S. N. Kadry, "Test the capability of Arduino TinyML for machine learning", en EAI ROSENET 2023, Springer, 2024, pp. 161-175. https://doi.org/10.1007/978-3-031-64495-5_12
J. Lin, L. Zhu, W.-M. Chen, W.-C. Wang y S. Han, "Tiny machine learning: Progress and futures", IEEE Circuits and Systems Magazine, 2023. https://arxiv.org/pdf/2403.19076
[17] Congreso de la República de Colombia, “Ley 1581 de 2012, por la cual se dictan disposiciones generales para la protección de datos personales”, 2012, https://www.funcionpublica.gov.co/eva/gestornormativo/norma_pdf.php?i=49981
Ministerio de Educación Nacional de Colombia, “Orientaciones curriculares para el área de Tecnología e Informática en educación básica y media”, 2022, https://www.colombiaaprende.edu.co/sites/default/files/files_public/2022-11/Orientaciones_Curricures_Tecnologia.pdf
Cómo citar
Descargas
Descargas
Publicado
Número
Sección
Licencia
Se autoriza la reproducción total o parcial de los documentos publicados en la Revista siempre y cuando se cite la fuente y el autor.
| Estadísticas de artículo | |
|---|---|
| Vistas de resúmenes | |
| Vistas de PDF | |
| Descargas de PDF | |
| Vistas de HTML | |
| Otras vistas | |
