Reseña

La inteligencia artificial (IA) y la ciencia de datos han transitado, en un lapso sorprendentemente breve, de ser curiosidades académicas y subdisciplinas de las ciencias de la computación a convertirse en los motores fundamentales de la transformación industrial, social y científica del siglo XXI. Sin embargo, este ascenso vertiginoso ha traído consigo una crisis de identidad epistemológica. A medida que los modelos de aprendizaje automático (Machine Learning, ML) y aprendizaje profundo (Deep Learning, DL) alcanzan capacidades sobrehumanas en tareas específicas —desde el diagnóstico médico hasta la generación de lenguaje natural—, la comunidad científica se enfrenta a una paradoja inquietante: nuestra capacidad para construir sistemas inteligentes ha superado nuestra capacidad para entenderlos y evaluarlos con rigor científico.
Este libro, titulado "Metodología de investigación científica aplicada a la inteligencia artificial y la ciencia de datos: Enfoque general", está orientado a cerrar la brecha entre la ingeniería de software pragmática y la investigación científica rigurosa. La literatura actual sugiere que gran parte de la producción académica en IA, a pesar de su volumen y velocidad, adolece de deficiencias metodológicas graves que amenazan la validez de sus hallazgos, la reproducibilidad de sus experimentos y la seguridad de sus aplicaciones. Nos encontramos en un momento que algunos teóricos han calificado como una era de "alquimia", donde la intuición y el ensayo y error predominan sobre la teoría fundamentada y el diseño experimental controlado.