¿Cómo funciona la Inteligencia Artificial?

Todo el revuelo en torno a la inteligencia artificial (IA) puede hacer que parezca la tendencia tecnológica más novedosa. Pero la verdad es que la IA ha existido desde hace tiempo. Por ejemplo, ¿alguna vez te has preguntado cómo las plataformas de streaming recomiendan vídeos o música que podrían interesarte? Esta función se da gracias a la IA. Durante años, las plataformas de streaming han utilizado herramientas de IA para ofrecer servicios como sistemas de recomendación que mejoran la experiencia del usuario.

Una herramienta de IA se refiere a un programa/software potenciado por IA que puede automatizar o ayudar a los usuarios con una variedad de tareas. Los ejemplos de herramientas de IA están por todas partes, desde los sistemas GPS que sugieren rutas rápidas hasta los sistemas de traducción que interpretan conversaciones en tiempo real. Empresas de todos los tamaños utilizan herramientas de IA para agilizar operaciones y mejorar la calidad de sus productos y servicios. Aunque estas herramientas de IA pueden parecer naturalmente inteligentes,

es importante reconocer que no se enseñan solas. En su lugar, son impulsadas por lo que se conoce como aprendizaje automático.

El aprendizaje automático, o ML (por sus siglas en inglés), es un subconjunto de estrategias de computación de la IA que se centra en desarrollar programas informáticos que puedan analizar datos para tomar decisiones o hacer predicciones. El ML es una capa especializada dentro de la categoría más amplia de la tecnología de IA.

A menudo, es utilizado por herramientas de IA para interpretar datos de manera rápida y eficiente. Los diseñadores de IA construyen programas de ML utilizando un conjunto de entrenamiento, que es una colección de datos utilizada para enseñar a la IA. Básicamente, los conjuntos de entrenamiento proporcionan a los programas de ML ejemplos de qué esperar y cómo responder adecuadamente. Por ejemplo, considera un distribuidor de varias marcas y tipos de coches que usa una herramienta de IA para clasificar los tipos de coches, un diseñador de IA primero debe entrenar un programa de ML para identificar los tipos de coches. Esto se haría proporcionando al programa de ML un conjunto de entrenamiento que incluya miles de imágenes de coches etiquetados según su tipo (urbano, 4×4, deportivo, etc). A medida que el programa de ML procesa estas imágenes, eventualmente aprende a identificar las características de los diferentes tipos de coches.

Habiendo aprendido a hacer esto con ML, la herramienta de IA puede luego identificar tipos de coches que no estaban en su conjunto de entrenamiento y ayudar a los empleados de la empresa de distribución a trabajar de manera más eficiente.

Como mencioné antes, muchas herramientas de IA utilizan ML para aprender y mejorar su rendimiento. Sin embargo, para que los programas de ML funcionen eficazmente, la calidad y relevancia de sus datos de entrenamiento son importantes. Un problema fundamental que hay que tener en cuenta es el potencial sesgo dentro de los datos de entrenamiento. Esto podría causar inadvertidamente que una herramienta de IA produzca resultados inexactos o no intencionados. Por ejemplo, la herramienta de IA que se usó para clasificar tipos de coches podría haber aprendido de datos de entrenamiento que solo contienen imágenes de 4×4’s. Esto haría que la IA fuera menos precisa al identificar coches con diferentes otras características y formas. Cuando se usa adecuadamente, el ML juega un papel clave en el avance de la IA hacia el futuro. Es verdaderamente una técnica increíble y sofisticada con aplicaciones prácticamente infinitas.

La IA generativa redefine la forma de trabajar

Los avances en la IA están transformando la manera en que trabajamos. Centrémonos en uno de los desarrollos clave en el centro de esta transformación: la IA generativa. Como su nombre indica, la IA generativa es

una IA que puede generar nuevo contenido, como texto, imágenes u otros medios.

Una cualidad única de las herramientas de IA generativa es que puedes utilizarlas con lenguaje natural. El lenguaje natural se refiere a la forma en que las personas hablan o escriben cuando se comunican entre sí. Aquí tienes una descripción simplificada de cómo funciona una herramienta de IA generativa con lenguaje natural.

Primero, proporcionas una entrada. La entrada se refiere a cualquier información o dato que se envía a una computadora para su procesamiento. Muchas herramientas de IA generativa aceptan texto y discursos como entrada, y algunas también aceptan imágenes o archivos de video. A continuación, los datos son procesados por la herramienta de IA. Luego, se genera una salida en forma de texto, imágenes, audio o video. La IA generativa y la capacidad de interactuar con computadoras usando lenguaje natural han introducido un mundo de posibilidades para lo que las personas que no saben de programación pueden crear y solucionar problemas con IA con el uso de instrucciones en lenguaje natural llamadas prompts.

Tipos de IA generativa

Al igual que otros subgrupos de inteligencia artificial están diseñados para tareas específicas, la IA generativa incluye varios tipos de modelos destinados a producir diferentes tipos de contenido.

Generación de texto

La generación de texto es probablemente la forma más discutida de IA; los modelos de IA utilizados en asistentes virtuales se han vuelto muy populares y frecuentemente aparecen en las noticias. Las personas utilizan estos generadores de texto para diversas tareas, desde la elaboración de informes y cartas hasta la creación de guiones y planes de clase.

Generación de imágenes

Herramientas de IA como DALL-E pueden transformar descripciones textuales en imágenes. Equipos de diseño gráfico y desarrollo de productos, así como fotógrafos, pueden utilizarlas de múltiples maneras. Los generadores de imágenes con IA, entrenados con millones de imágenes y descripciones, permiten que cualquiera describa lo que desea y obtenga una nueva imagen rápidamente a partir de esa descripción.

Tanto diseñadores como arquitectos pueden usar esta tecnología para realizar lluvias de ideas y explorar nuevas formas de concebir su trabajo sin invertir horas en cada iteración. Los equipos de publicidad y creadores de contenido independiente pueden producir imágenes llamativas rápidamente, incluso sin tener experiencia en diseño.

Generación de sonido

De forma similar a los generadores de imágenes, los generadores de música con IA se entrenan con grandes conjuntos de datos de música y metadatos. Pueden identificar patrones en los géneros musicales y las obras de artistas específicos, y crear nuevas composiciones basadas en esas características.

Generación de videos

Este tipo de IA generativa combina las capacidades de generación de videos, sonido e imágenes. Se entrena con datos en formatos de audio, video y texto, y ayuda a los creadores de contenido audiovisual a ahorrar tiempo de edición al añadir subtítulos, ajustar el tamaño de los videos para diferentes plataformas e incluso generar nuevo contenido de video a partir de descripciones textuales.

Ejemplos de usos de IA generativa

Por ejemplo, podrías estar promocionando un colegio y necesitas contenido fresco y atractivo, como un cartel o póster para anunciar un el día de puertas abiertas, pero no cuentas con un equipo creativo para dar vida a tus ideas. Con unas pocas instrucciones, la IA generativa puede ayudarte a crear un cartel o póster. Si el contenido generado no cumple con tus expectativas, puedes proporcionar instrucciones adicionales hasta que produzca algo que satisfaga tus necesidades. Recuerda que hay diferencias entre que la IA dé ideas en formato texto sobre cómo debe ser un buen cartel y que la IA haga el cartel directamente. Esto último requiere de capacidad de generar imágenes o infografía a partir de texto.  Este es solo un ejemplo de cómo la IA generativa puede complementar tus habilidades, pero hay muchas otras formas en que puede beneficiarte en tu trabajo.

Otro ejemplo sería cuando la IA generativa puede aumentar tu productividad al ayudarte con tareas como redactar respuestas a correos electrónicos. Puede ayudarte a evitar errores y mejorar tu proceso de toma de decisiones al responder preguntas y generar ideas contigo. Ya trabajes en salud, educación, finanzas, comercio minorista o cualquier otro campo, hay una amplia variedad de herramientas de IA generativa que pueden satisfacer tus necesidades.

Un ejemplo es una herramienta de IA conversacional. Una herramienta de IA conversacional es una herramienta de IA generativa que procesa solicitudes de texto y genera respuestas en texto. Puedes usarla para generar ideas, responder preguntas y aumentar tu productividad. 

La IA generativa ha abierto el camino a nuevas y emocionantes fronteras, pero antes de que podamos aprovechar lo que esta tecnología tiene para ofrecer, es esencial investigar las capacidades y limitaciones de la IA en su conjunto. 

¿Cómo se desarrolla la IA?

La IA se refiere a un conjunto de técnicas y programas informáticos diseñados para realizar tareas cognitivas típicas de la inteligencia humana. Existen dos enfoques principales para desarrollar programas de IA:

Técnicas Basadas en Reglas

Estas técnicas consisten en crear programas de IA que operan siguiendo reglas predefinidas para tomar decisiones. Por ejemplo, un filtro de correo no deseado basado en reglas podría bloquear correos electrónicos que contengan palabras clave específicas ya que se ha programado para que detecte dichas palabras clave y, mediante una regla específica programada de antemano, filtra dichos los correos que contienen esa regla, por ejemplo los envía a la carpeta de spam o directamente los bloquea para que no aparezcan en la bandeja de entrada.

Técnicas de Aprendizaje Automático (ML)

Estas técnicas permiten que los programas de IA analicen y aprendan de patrones en los datos para tomar decisiones autónomas. Un filtro de spam basado en aprendizaje automático podría marcar correos sospechosos para que el usuario los revise, en lugar de bloquearlos automáticamente. Si el usuario clasifica ciertos correos como seguros, el filtro aprende y ajusta su lógica para aceptar correos similares en el futuro. La diferencia radica en que esta técnica aunque finalmente usa patrones (que son también reglas), aquí el software crea dichos patrones o reglas de manera automática una vez que tiene suficientes ejemplos de muestra; por ejemplo, un buen número de emails no deseados que han sido marcados como spam o denunciados.  

Las herramientas de IA pueden emplear técnicas basadas en reglas, aprendizaje automático o una combinación de ambas. Generalmente, las técnicas basadas en reglas son ideales para tareas que requieren consistencia, como bloquear mensajes evidentemente fraudulentos. En cambio, el aprendizaje automático es mejor para tareas que requieren adaptabilidad, como identificar correos de confianza que contienen errores tipográficos.

Entrenamiento de IA’s

El aprendizaje automático es un subcampo de la IA que se centra en desarrollar programas capaces de analizar datos para tomar decisiones o hacer predicciones. Los diseñadores de IA prefieren el ML porque no tiene las limitaciones de las técnicas basadas en reglas. Existen tres métodos comunes para entrenar programas de ML:

Aprendizaje supervisado

Este método utiliza un conjunto de datos etiquetados para que el programa de ML aprenda. Un conjunto de entrenamiento etiquetado proporciona contexto y significado. Por ejemplo, un filtro de spam entrenado de forma supervisada utilizará un conjunto de correos etiquetados como «spam» o como «no spam». Este enfoque es ideal cuando se busca un resultado específico.

Aprendizaje no supervisado

Aquí, el programa de ML aprende de un conjunto de datos no etiquetados. Estos datos no tienen etiquetas, lo que permite al ML encontrar patrones en temas, palabras clave o contactos en un conjunto de correos electrónicos. Este método es útil para identificar patrones sin un resultado específico de antemano.

Aprendizaje por refuerzo

El programa de ML aprende mediante ensayo y error para determinar qué acciones llevan al mejor resultado. Recibe recompensas por tomar decisiones que conducen a resultados deseados. Las herramientas de IA conversacional suelen usar el aprendizaje por refuerzo, aprendiendo de la retroalimentación de usuarios y diseñadores para mejorar sus respuestas.

Cada técnica de ML tiene sus ventajas y desventajas. Los diseñadores de IA eligen entre ellas dependiendo del tipo de datos disponibles y del problema a resolver.

Aplicación de tipos de aprendizaje en IA Generativa

Los avances en el aprendizaje automático han facilitado la aparición de la IA generativa, que puede crear contenido nuevo, como texto e imágenes. Esta IA combina aprendizaje supervisado, no supervisado y por refuerzo para producir contenido original.

Por ejemplo, las herramientas de IA conversacional integran los tres enfoques. El aprendizaje supervisado proporciona datos básicos de diálogo; el aprendizaje no supervisado permite interpretar matices lingüísticos; y el aprendizaje por refuerzo mejora las respuestas basadas en la interacción con usuarios, permitiendo conversaciones más naturales.

La capacidad de la IA generativa para innovar ofrece múltiples beneficios en diversos sectores, como el marketing, la ingeniería, la educación y la fabricación. Entre estos beneficios se incluyen:

• Mayor eficiencia: la IA generativa automatiza tareas rutinarias, permitiendo a los empleados enfocarse en otras prioridades.
• Experiencias personalizadas: la IA puede adaptar sus interacciones según las necesidades y preferencias individuales.
• Mejores decisiones: la IA puede analizar grandes volúmenes de datos rápidamente para extraer insights valiosos.

Estos son solo algunos ejemplos de cómo la IA generativa puede transformar el entorno laboral y educativo.

Potencial y limitaciones de la IA

Así como no necesitas ser chef para usar un cuchillo de cocina, tampoco necesitas ser un experto en informática para usar la inteligencia artificial (IA) de manera efectiva. Sin embargo, comprender los conceptos básicos de lo que la IA puede hacer te ayudará a aprovechar al máximo esta tecnología.

Las herramientas de IA actuales pueden mejorar significativamente tu trabajo. Pueden generar contenido, como ayudar a un equipo de marketing a crear un artículo atractivo para un blog sobre un nuevo destino turístico. También pueden analizar información rápidamente, como resumir los puntos clave de una larga cadena de correos electrónicos. Además, pueden responder preguntas de manera detallada y matizada. En general, la IA puede simplificar tus tareas diarias y permitirte enfocarte en otros aspectos de tu trabajo.

Aunque la IA puede realizar diversas tareas, algunas requieren un toque humano, como el manejo de asuntos delicados. Estas limitaciones son críticas en ciertos contextos. Por ejemplo, la IA no puede aprender de forma independiente; necesita que las personas actualicen continuamente sus datos de entrenamiento. Las deficiencias en los datos de entrenamiento pueden reflejar o amplificar sesgos, lo que lleva a resultados desvirtuados o injustos.

Otra limitación importante es que la IA puede producir inexactitudes, conocidas como alucinaciones. Las alucinaciones son salidas de la IA que no son verdaderas. Estas inexactitudes pueden variar desde errores menores, como una oración incoherente, hasta distorsiones significativas. Imagina a un responsable de compras que utiliza una herramienta de IA para analizar los datos de inventario trimestrales. La herramienta de IA podría identificar un descenso en la demanda de un producto específico y recomendar su eliminación del catálogo. Sin embargo, ¿qué pasaría si hubiera un factor estacional que afectara las ventas y que no se tuviera en cuenta en el análisis de la IA? Alucinaciones como esta pueden llevar a decisiones erróneas si el usuario no revisa cuidadosamente el resultado de la herramienta de IA.

¿Por qué se dan la alucinaciones en la IA generativa?

Las alucinaciones en la inteligencia artificial generativa son el resultado de varios factores, como los sesgos presentes en los conjuntos de datos, los algoritmos de aprendizaje automático que aún no son perfectos, y la interpretación excesiva de patrones en los datos. Estos problemas destacan la necesidad de mejorar los modelos y emplear conjuntos de datos bien equilibrados para garantizar resultados precisos. Mira la siguiente imagen generada por IA, ¿ves algo raro?:

Principales causas de las alucinaciones

Las alucinaciones surgen debido a múltiples razones, cada una revelando desafíos y limitaciones inherentes a los sistemas actuales. A continuación, se presentan cinco causas principales:

• Capacidad de razonamiento lógico automático limitada. A diferencia de los humanos, que emplean su conocimiento y lógica para evitar declaraciones incorrectas, las IAs conversacionales se basan en patrones estadísticos de palabras, lo que les impide verificar la veracidad o la lógica en sus resultados.
• Conocimiento limitado del mundo. Las IAs no poseen un entendimiento completo ni el sentido común humano, lo que restringe su capacidad para generar texto fundamentado en la realidad.
• Antropomorfismo. Existe la tendencia a atribuir características humanas a las IAs, lo cual puede generar una confianza excesiva en su precisión, olvidando que su comprensión no es equivalente al conocimiento y entendimiento humano real (aún).
• Entrenamiento automatizado. Las IAs se entrenan con procesos automatizados en grandes conjuntos de datos sin supervisión humana directa, lo que permite la inclusión de información errónea sin filtros de verificación.

La investigación reciente se ha centrado en identificar contenido alucinado generado por IAs, un desafío dado que estos modelos pueden producir texto que se confunde fácilmente con información veraz. Las estrategias para detectar estas alucinaciones buscan distinguir entre contenido que parece plausible pero es incorrecto, y texto que es objetivamente coherente.

¿Cómo controlar las alucinaciones?

Hay una diferencia entre el que diseña la IA y el que la usa. Para abordar el desafío de las alucinaciones en el diseño del software se utilizan técnicas avanzadas combinadas con el juicio humano para mejorar la precisión y confiabilidad.

• Evaluación de confianza. Crear métricas que reflejen la certeza del modelo en la precisión de su texto, donde puntuaciones bajas podrían indicar alucinaciones.
• Análisis de coherencia. Examinar la coherencia lógica del texto tanto internamente como en relación con conocimientos aceptados, identificando inconsistencias que puedan sugerir alucinaciones.
• Verificación de fuentes externas. Comparar afirmaciones con fuentes de datos externas para comprobar su veracidad, basándose en la fiabilidad de dichas fuentes.
• Aprendizaje semisupervisado. Usar un conjunto limitado de ejemplos etiquetados de alucinaciones para enseñar a los modelos a identificar casos similares en el futuro.
• Intervención humana. Incluir evaluadores humanos para identificar alucinaciones, aprovechando su capacidad intuitiva y lógica.
• Verificación formal. Aplicar reglas lógicas formales para demostrar la coherencia o inconsistencia de las declaraciones generadas.
• Formación multitarea. Entrenar modelos en tareas de detección de alucinaciones junto con el modelado del lenguaje para mejorar su capacidad de identificación.
• Intervenciones causales. Manipular el modelo para observar cambios en el contenido generado bajo condiciones verdaderas o falsas, revelando posibles vulnerabilidades.

La mayoría de estas técnicas solo se pueden ejecutar a nivel de diseño y programación de las IAs. En el uso diario, el usuario tiene un alcance limitado para corregir alucinaciones más allá de la comprobación y ajuste de los chats conversacionales si la aplicación lo permite. Es por tanto que la supervisión humana es crucial aún para un uso seguro de las IAs. 

Importancia de la supervisión humana

Dada las limitaciones de la IA, la supervisión humana sobre el contenido generado por la IA es crucial para garantizar que la información sea precisa y ética. La gestión efectiva de la IA en el lugar de trabajo requiere la colaboración entre roles técnicos y no técnicos para asegurar que la salida de la IA y los procesos de toma de decisiones estén alineados con valores que beneficien a las personas. En última instancia, un enfoque inclusivo que mantenga la supervisión humana sobre estas herramientas es la clave para moldear un futuro más prometedor donde la IA trabaje para todos.

Referencias

• Russell, S. J., & Norvig, P. (2020). Artificial Intelligence: A Modern Approach (4th ed.). Pearson. Link: https://aima.cs.berkeley.edu/
• Mitchell, T. M. (1997). Machine Learning. McGraw-Hill. Link: http://www.cs.cmu.edu/~tom/mlbook.html
• Goodfellow, I., Bengio, Y., & Courville, A. (2016). Deep Learning. MIT Press. Link: https://www.deeplearningbook.org/