# Teachable Machine vs EchidnaML: ¿cuál elegir según tu aula?

A continuación, presentamos distintas plataformas para trabajar el machine learning o aprendizaje supervisado.

<table border="1" id="bkmrk-learning-ml-%28echidna"><colgroup><col></col><col></col><col></col><col></col></colgroup><thead><tr><td>  
</td><td>Learning ML (Echidna en local)</td><td>Learningml 2.0</td><td>Teachable machine</td></tr></thead><tbody><tr><td>Uso</td><td>Local</td><td>https://learningml.org/lml-editor/</td><td>https://teachablemachine.withgoogle.com/</td></tr><tr><td>Tipo de herramienta</td><td>Aplicación de escritorio integrada</td><td>Plataforma web de Machine Learning educativo</td><td>Plataforma web de aprendizaje automático</td></tr><tr><td>Conexión a internet</td><td>No necesaria</td><td>Necesaria</td><td>Necesaria</td></tr><tr><td>Programación</td><td>Programación por bloques basada en Scratch (EchidnaBlocks)</td><td>Integración con Scratch/EchidnaScratch</td><td>No incluye entorno de programación propio</td></tr><tr><td>Integración con Hardware</td><td>Directa con placas Echidna</td><td>Sí, mediante herramientas web y enlace con la placa</td><td>No directa (solo exportación a otros sistemas)</td></tr><tr><td>Tipos de modelos de IA</td><td>Texto, imágenes y datos numéricos</td><td>Texto, imágenes y datos numéricos</td><td>Imágenes, audio y poses (movimiento corporal</td></tr><tr><td>Entrenamiento de modelos</td><td>En el propio ordenador</td><td>En la plataforma web</td><td>En el navegador del usuario</td></tr><tr><td>Privacidad y datos</td><td>Los datos se procesan localmente en el ordenador</td><td>Los datos se procesan en servidores web</td><td>Procesamiento principalmente en el navegador (modelo Cliente)\*</td></tr><tr><td>Integración con robótica</td><td>Muy alta</td><td>Alta</td><td>Baja</td></tr></tbody></table>

<p class="callout info">**Acerca de la privacidad de teachable machine:**  
Los modelos creados en Teachable Machine se entrenan localmente en el navegador del usuario y pueden alojarse en Google Drive o en los servidores de Google (mediante una URL pública) al exportarlos. Respecto a la privacidad, las imágenes de entrenamiento no se comparten ni se suben a servidores por defecto durante el proceso de entrenamiento.   
  
**¿Dónde se alojan los modelos?**  
Entrenamiento (Local): Todo el proceso de entrenamiento ocurre dentro de la pestaña de tu navegador (client-side) utilizando TensorFlow.js.  
Almacenamiento del proyecto: Puedes guardar tus proyectos (clases e imágenes) en tu cuenta personal de Google Drive.  
Publicación/Alojamiento: Al hacer clic en "Upload my model" (subir mi modelo), Google aloja el modelo entrenado en sus servidores y genera una URL compartible.  
Descarga: Puedes descargar el modelo entrenado (como TensorFlow.js, TensorFlow o TensorFlow Lite) para usarlo de manera totalmente local.   
  
**¿Se comparten las imágenes de entrenamiento?**  
Privacidad por defecto: Las imágenes de tu webcam o los archivos que subes no abandonan tu ordenador durante el entrenamiento.  
Guardado en Drive: Si eliges guardar tu proyecto en Google Drive, las imágenes se guardan allí, pero siguen siendo de tu propiedad.  
Publicación de modelo: Cuando publicas el modelo para obtener una URL, **solo se sube el modelo matemático (el programa que predice), no las imágenes de ejemplo que utilizaste para entrenarlo.**   
  
En resumen, Teachable Machine es seguro y diseñado para la privacidad, manteniendo los datos de entrenamiento en tu equipo a menos que decidas explícitamente guardarlos en la nube.   
</p>

#### CreateAI: la IA de micro:bit para reconocer movimiento

**CreateAI** es una herramienta web del ecosistema de la placa **<span class="hover:entity-accent entity-underline inline cursor-pointer align-baseline"><span class="whitespace-normal">BBC micro:bit</span></span>** que permite crear modelos de **aprendizaje automático basados en movimiento**.

La idea principal es utilizar el **acelerómetro de la micro:bit** para recoger datos de movimiento y entrenar un modelo capaz de reconocer patrones físicos.

##### Cómo funciona

El proceso de trabajo sigue tres fases principales:

1. **Recoger datos (Collect data)**  
    El alumnado realiza movimientos con la micro:bit (por ejemplo: aplaudir, saludar o saltar). El acelerómetro registra los datos.
2. **Entrenar el modelo (Test model)**  
    La herramienta utiliza esos datos para entrenar un modelo de aprendizaje automático que aprende a distinguir los movimientos.
3. **Programar con el modelo (Code)**  
    El modelo se integra en el entorno **MakeCode** mediante bloques específicos de Machine Learning.

---

##### Qué tipo de proyectos permite

Con CreateAI el alumnado puede crear proyectos como:

- un interruptor que enciende luces cuando detecta un aplauso,
- un temporizador que reconoce actividades físicas,
- un contador de pasos o movimientos,
- juegos que responden a gestos.

En esencia, el sistema permite que la placa **interprete el movimiento del cuerpo humano como una entrada inteligente**, convirtiendo gestos físicos en eventos programables.

---

##### Valor educativo

CreateAI es especialmente interesante en el aula porque:

- introduce el **concepto de entrenamiento de modelos de IA**,
- trabaja **datos reales recogidos por sensores**,
- conecta **inteligencia artificial y computación física**,
- y permite comprender la importancia de **los datos de entrenamiento**.

Esto lo convierte en una herramienta muy potente para enseñar **machine learning de forma tangible**, ya que el alumnado puede ver cómo la máquina aprende directamente de sus propios movimientos.