La era de AI generativa: qué está cambiando

La abundancia y diversidad de las reacciones ante ChatGPT y otras IA generativas, ya sean escépticas o entusiastas, ponen de manifiesto los cambios que están provocando y el impacto que están teniendo mucho más allá de los círculos tecnológicos habituales. Esto contrasta radicalmente con las generaciones anteriores de AI, que eran esencialmente predictivas y solían ser objeto de artículos o tesis limitados al ámbito de la investigación y la innovación.

Para las empresas, AI generativa también AI diferencia de las inteligencias artificiales anteriores. Si las comparamos con las tecnologías más similares, como el procesamiento del lenguaje natural (PLN) para corpus de texto o la visión artificial para data audiovisuales, las IA generativas aportan cuatro cambios fundamentales de los que las empresas se están dando cuenta a medida que las prueban.

En primer lugar, en comparación con AI anterior, AI generativa acelera AI la implementación de casos de uso, en el sentido de que agiliza la prueba de concepto. En segundo lugar, abre un nuevo abanico de posibilidades, permitiendo un aprovechamiento más sencillo, eficiente y económico de data no estructurados. Es más, los resultados obtenidos con AI generativa AI nuevos en términos de calidad, cantidad y diversidad en comparación con los modelos utilizados anteriormente. Todos estos factores implican que debemos hacer frente a las crecientes expectativas de los usuarios finales, alimentadas por el entusiasmo que rodea a esta tecnología. A continuación, desarrollamos estos cuatro puntos.

En el ámbito de AI generativa, la implementación de casos de uso suele ser más rápida y requerir menos trabajo que con las IA anteriores. El enfoque adoptado con AI generativa AI compara a menudo con el montaje de piezas de Lego, en el que se pueden combinar componentes preexistentes para crear nuevos resultados. Esta facilidad para experimentar e implementar puede permitir ciclos de desarrollo más cortos. Además, un modo de interacción conversacional con los usuarios también acelera su adopción.

Un caso data puede resumirse en un problema empresarial, data, un modelo y una indicación. Tradicionalmente, la creación y optimización del modelo representa la parte más compleja y laboriosa del proceso. Con AI generativa, este paso se simplifica. AI generativa AI modelos preentrenados y listos para usar, lo que permite a las empresas beneficiarse de conocimientos especializados avanzados sin tener que invertir mucho tiempo en desarrollar y perfeccionar modelos. En la práctica, se puede acceder a los modelos (como el GPT 4.0 de Azure) «bajo demanda» o se pueden implementar a través de API (como el Gemini Pro BARD de Google). Algunos proveedores incluso ofrecen modelos especialmente ajustados para ámbitos específicos, como la generación de textos jurídicos, médicos o financieros.

Una vez implementado el modelo, la única tarea pendiente es «anclar» el AI generativa, es decir, vincular los resultados generados por el modelo a información del mundo real con el fin de limitar la respuesta del modelo dentro de un perímetro determinado. Esto suele implicar añadir restricciones o información adicional para guiar al modelo hacia la producción de resultados que sean coherentes y relevantes en un contexto específico. Sin embargo, esto dista mucho del tiempo que lleva entrenar los AI que hemos estado utilizando hasta ahora.

Tomemos como ejemplo un caso de uso de análisis literal en un centro de atención telefónica para ilustrar nuestro argumento. Según un Artefact , para desarrollar este tipo de caso de uso utilizando modelos basados en AI tradicional, solía llevar entre tres y cuatro semanas desde el momento data recuperaban los data y se hacían utilizables. Hoy en día, gracias a AI generativa, este proceso solo lleva una semana, lo que supone una aceleración de más de tres veces. El principal reto consiste en elegir la clasificación empresarial adecuada para adaptar el modelo.

Algunos yacimientos petrolíferos solo resultan rentables cuando los precios del petróleo se disparan. El mismo principio se puede aplicar a data. Ahora data extraer ciertos data no estructurados gracias a AI generativa, lo que abre un campo completamente nuevo de data aprovechables data entrenar o ajustar modelos, y ofrece numerosas perspectivas para aplicaciones especializadas en ámbitos específicos.

Y hay una promesa que está cobrando fuerza: la de las IA generativas, capaces de gestionar y combinar cualquier tipo de data sus procesos de entrenamiento, evitando así el laborioso y tedioso trabajo de estructurar y mejorar la calidad dedata Compañia data que sean utilizables. Una promesa que, a juzgar por lo que se observa actualmente, aún no se ha cumplido.

AI generativa no solo AI beneficiado de un auténtico avance en los mecanismos de atención, sino también de la potencia cada vez mayor —y necesaria— de las máquinas.

Los mecanismos de atención funcionan de forma similar a la capacidad que tiene una persona para centrarse en una parte importante de una imagen o un texto cuando intenta comprender o crear algo. Imagina que intentas dibujar un paisaje a partir de una fotografía. En lugar de mirar la imagen completa de una sola vez, te centras en ciertas partes que parecen importantes, como las montañas o los árboles. Esto te ayuda a comprender mejor los detalles importantes y a crear un dibujo más preciso. De manera similar, los mecanismos de atención permiten al modelo centrarse en partes específicas de una imagen o un texto al generar contenido. En lugar de procesar toda la información de entrada de una sola vez, el modelo puede centrarse en las partes más relevantes e importantes para producir resultados más precisos y significativos. Esto le permite aprender a crear imágenes, texto u otros tipos de contenido de forma más eficiente y realista.

Los mecanismos de atención se prestan muy bien a la paralelización. El uso de múltiples mecanismos de atención ofrece una representación más rica y sólida de data, lo que se traduce en un mejor rendimiento en diversas tareas, como la traducción automática, la generación de texto, la síntesis de voz, la generación de imágenes y muchas otras.

Como resultado, casos de uso que parecían imposibles hace poco tiempo son ahora totalmente accesibles. Este es el caso, por ejemplo, del cálculo del tiempo de intervención en los medios de comunicación durante las campañas presidenciales. Hace tan solo dos años, calcular con precisión el tiempo de intervención de cada candidato era una tarea tediosa. Hoy en día, gracias al uso de AI generativa, es posible.

En cuanto a la capacidad de cálculo, hace seis años OpenAI publicó un análisis que mostraba que, desde 2012, la cantidad de recursos computacionales utilizados en los procesos AI más importantes ha ido aumentando de forma exponencial, con un tiempo de duplicación de 3,4 meses (a modo de comparación, la Ley de Moore tenía un periodo de duplicación de dos años). Desde 2012, esta medida se ha multiplicado por más de 300 000 (un periodo de duplicación de dos años solo produciría un aumento de siete veces).

AI generativa suelen requerir una enorme potencia de cálculo para su entrenamiento, sobre todo porque están diseñados para ser generalistas y necesitan grandes cantidades de contenido para su entrenamiento. Se necesitan potentes recursos informáticos, como GPU o TPU de gama alta, para procesar grandes conjuntos de datos y ejecutar complejos algoritmos de optimización. La nueva GPU NVIDIA A100 Tensor Core parece ofrecer una aceleración sin precedentes. Según NVIDIA, la A100 Servicios hasta 20 veces superior al de la generación anterior y puede dividirse en siete instancias de GPU para adaptarse dinámicamente a las demandas cambiantes. Según se informa, también cuenta con el ancho de banda de memoria más rápido del mundo, con más de dos terabytes por segundo (TB/s) para ejecutar los modelos y conjuntos de datos más grandes.

Cabe señalar que los avances en el ámbito informático han sido un elemento clave en el progreso de Inteligencia Artificial. Mientras esta tendencia continúe, debemos estar preparados para las implicaciones que tendrán unos sistemas que superarán con creces las capacidades actuales y que ampliarán aún más los límites, al tiempo que sopesamos el valor que aportan estos sistemas frente a los costes que generan, especialmente en lo que respecta a la energía y el medio ambiente. Analizaremos estos puntos en un próximo artículo.

AI generativa se diferencia AI de AI anterior AI su impacto en los resultados generados por sus modelos. No solo ha aumentado la cantidad de resultados generados, sino también su calidad y diversidad. Sin embargo, todos estos aspectos positivos deben matizarse teniendo en cuenta la menor reproducibilidad de AI generativa.

Si pensamos en un rompecabezas, data puede compararse con su montaje, en el que cada data una pieza que hay que colocar para revelar una imagen coherente. AI un papel fundamental a la hora de intentar completar los data que faltan data la data disponible data deducir y recrear esas piezas que faltan. AI generativa AI más allá de simplemente completar data existentes data crea nuevos data en lo que ya existe. Este proceso amplía las capacidades de análisis y permite descubrir nueva información a partir de data existentes, poniendo de relieve el aspecto generativo.

A diferencia de las generaciones anteriores de AI, que suelen producir resultados a menudo similares, AI generativa son capaces de generar una mayor diversidad de resultados al explorar diferentes variaciones y alternativas. Esta mayor diversidad permite generar contenidos más ricos y variados, pasando de lo cuantitativo a lo cualitativo y abarcando una gama más amplia de necesidades y preferencias.

OpenAI estuvo recientemente en Hollywood para presentar su último modelo, llamado «Sora», capaz de generar vídeos a partir de texto. «Una cosa es oír que puede hacer todo eso, pero ver sus capacidades en la práctica fue asombroso», afirmó el productor de Hollywood Mike Perry, destacando la diversidad y la calidad de las capacidades que ofrece AI generativa.

Sin embargo, debido a su capacidad para explorar un abanico más amplio de posibilidades, AI generativa pueden ser menos reproducibles que las IA anteriores, lo que compromete la precisión de los resultados. En concreto, resulta más difícil reproducir exactamente los mismos resultados cada vez que se ejecuta el modelo, lo que puede plantear dificultades en cuanto a la fiabilidad y la previsibilidad en determinadas aplicaciones de importancia crítica.

Esta limitación supone un gran reto para las aplicaciones de AI generativa AI requieren respuestas precisas. Y es un ámbito en el que las empresas están trabajando en sus desarrollos actuales: especializar mejor los modelos en ámbitos muy específicos para mejorar la precisión de las respuestas, y combinar la solidez de los modelos basados en reglas o las consultas sobre data estructurados data la facilidad de uso y la interacción con los usuarios de las IA generativas, conectando estas últimas a los resultados de los primeros.

En lo que respecta a la gestión de las expectativas y la relación de los usuarios finales con la tecnología, AI generativa AI varios retos específicos. Debido a su capacidad para producir resultados rápidamente, AI generativa AI generar expectativas especialmente elevadas. Por el contrario, la aparición de «alucinaciones» y de resultados indeseables puede socavar en gran medida la confianza de los usuarios en estas soluciones.

AI generativa AI capaz de producir resultados de forma rápida y automatizada, lo que puede dar a los usuarios finales la impresión de que esta tecnología es capaz de resolver todos sus problemas de forma instantánea y eficaz. Esto puede generar expectativas desmesuradas sobre las capacidades reales de AI generativa y provocar decepción si los resultados no satisfacen plenamente esas altas expectativas.

Por supuesto, AI generativa no AI perfecta y, en ocasiones, puede producir resultados inesperados o indeseables, como contenidos incoherentes, falsos o inapropiados. La aparición de tales resultados indeseables puede provocar una pérdida de confianza de los usuarios finales en la tecnología, lo que pone en duda su fiabilidad y utilidad. También puede suscitar inquietudes sobre data y la privacidad data cuando los resultados inesperados comprometen la integridad de la información generada por AI generativa.

En febrero de 2023, el chatbot de Google Bard (rebautizado como Gemini) proporcionó información incorrecta cuando se le preguntó por los descubrimientos del telescopio espacial James Webb de la NASA. Afirmó erróneamente que el telescopio había tomado las primeras fotos de un exoplaneta. Esta afirmación es incorrecta, ya que las primeras fotos de un exoplaneta se remontan a 2004, mientras que el telescopio James Webb no se lanzó hasta 2021 (fuente: equipo de CNET Francia, 2024).

Por lo tanto, es fundamental que los usuarios finales de AI generativa sean conscientes de sus limitaciones. Por ello, la mayoría de las empresas que implementan estas soluciones se esfuerzan por ayudar a los usuarios en su uso: formándolos en el arte de formular indicaciones, explicándoles las limitaciones de estos sistemas, aclarando qué expectativas pueden satisfacerse y cuáles no, y recordándoles las normas aplicables en materia de data .

Más de un año después del lanzamiento de ChatGPT, las expectativas respecto a esta nueva tecnología siguen siendo tan altas como siempre. Sin embargo, el valor que se le atribuye aún no se ha materializado en casos de uso concretos. En nuestro próximo artículo, abordaremos temas relacionados con la adopción de esta tecnología por parte de las empresas y cómo se está extendiendo por toda la organización.

Bajo la dirección de: