La abundancia y diversidad de respuestas a ChatGPT y otras IA generativas, ya sean esc\u00e9pticas o entusiastas, demuestran los cambios que est\u00e1n provocando y el impacto que est\u00e1n teniendo mucho m\u00e1s all\u00e1 de los c\u00edrculos tecnol\u00f3gicos habituales. Esto contrasta fuertemente con las generaciones anteriores de IA, que eran esencialmente predictivas y generalmente objeto de art\u00edculos o tesis confinadas al \u00e1mbito de la investigaci\u00f3n y la innovaci\u00f3n.<\/p>\n<\/div>
Para las empresas, las IA generativas tambi\u00e9n son diferentes de las artificial intelligence anteriores. Si las comparamos con las tecnolog\u00edas m\u00e1s similares, como el procesamiento del lenguaje natural (PLN) para corpus textuales o la visi\u00f3n por ordenador para data audiovisuales, las IA generativas aportan cuatro grandes cambios de los que las empresas se est\u00e1n dando cuenta a medida que experimentan con ellas.<\/p>\n<\/div>
En primer lugar, en comparaci\u00f3n con la IA anterior, la IA generativa acelera significativamente el despliegue de casos de uso en el sentido de que acelera la prueba de concepto. En segundo lugar, abren un nuevo abanico de posibilidades, permitiendo una mejora m\u00e1s f\u00e1cil, eficaz y menos costosa de la data no estructurada. Adem\u00e1s, los resultados obtenidos con la IA generativa son nuevos en t\u00e9rminos de calidad, cantidad y diversidad en comparaci\u00f3n con los modelos utilizados anteriormente. Todos estos factores nos obligan a responder a las mayores expectativas de los usuarios finales, alimentadas por el bombo publicitario que rodea a esta tecnolog\u00eda. A continuaci\u00f3n desarrollamos estos cuatro puntos.<\/p>\n<\/div>
La IA generativa permite probar m\u00e1s r\u00e1pidamente el valor a\u00f1adido de los casos de uso<\/h2><\/div>En el campo de la IA generativa, el despliegue de casos de uso suele ser m\u00e1s r\u00e1pido y menos laborioso que con las IA anteriores. El enfoque adoptado con la IA generativa se compara a menudo con el montaje de Legos, en el que los componentes preexistentes pueden combinarse para crear nuevos resultados. Esta facilidad de experimentaci\u00f3n e implementaci\u00f3n puede permitir ciclos de desarrollo m\u00e1s cortos. Adem\u00e1s, un modo de interacci\u00f3n conversacional con los usuarios tambi\u00e9n acelera la adopci\u00f3n.<\/p>\n<\/div>
Un caso de uso data puede reducirse a un problema empresarial, data, un modelo y una solicitud. Tradicionalmente, la creaci\u00f3n y optimizaci\u00f3n del modelo representa la parte m\u00e1s compleja y lenta del proceso. Con la IA generativa, este paso se simplifica. La IA generativa proporciona modelos preentrenados y listos para usar, lo que permite a las empresas beneficiarse de conocimientos avanzados sin invertir mucho tiempo en desarrollar y perfeccionar los modelos. En la pr\u00e1ctica, los modelos (como el GPT 4.0 de Azure) son accesibles \u201ca la carta\u201d o pueden desplegarse a trav\u00e9s de API (como Gemini Pro BARD de Google). Algunos proveedores ofrecen incluso modelos especialmente afinados para dominios espec\u00edficos, como la generaci\u00f3n de textos jur\u00eddicos, m\u00e9dicos o financieros.<\/p>\n<\/div>
Una vez desplegado el modelo, la \u00fanica tarea que queda por hacer es \u201caterrizar\u201d el modelo de IA generativa, es decir, anclar los resultados generados por el modelo a la informaci\u00f3n del mundo real para constre\u00f1ir al modelo a responder dentro de un per\u00edmetro determinado. Esto implica a menudo a\u00f1adir restricciones o informaci\u00f3n adicional para guiar al modelo hacia la producci\u00f3n de resultados que sean coherentes y relevantes en un contexto espec\u00edfico. Sin embargo, esto dista mucho del tiempo que se tarda en entrenar los modelos de IA que hemos estado utilizando hasta ahora.<\/p>\n<\/div>
Tomemos el ejemplo de un caso de uso de an\u00e1lisis textual de un centro de llamadas para ilustrar nuestro punto de vista. Seg\u00fan un estudio Artefact, para desarrollar este tipo de caso de uso utilizando modelos basados en IA previa, se tardaba generalmente entre tres y cuatro semanas desde el momento en que se recuperaba y se hac\u00eda utilizable la data. Hoy, gracias a la IA generativa, este proceso s\u00f3lo lleva una semana, un factor de aceleraci\u00f3n de m\u00e1s de tres. El principal reto consiste en elegir la clasificaci\u00f3n empresarial adecuada para adaptar el modelo.<\/p>\n<\/div>
La IA generativa ampl\u00eda el alcance de la IA a data antes poco utilizados o mal utilizados<\/h2><\/div>Algunos yacimientos s\u00f3lo son rentables cuando los precios del petr\u00f3leo se disparan. El mismo principio puede aplicarse al data. Ciertos data no estructurados pueden explotarse ahora gracias a la IA generativa, lo que abre todo un nuevo campo de data explotables para entrenar o afinar modelos, y ofrece numerosas perspectivas para aplicaciones especializadas en dominios espec\u00edficos.<\/p>\n<\/div>
Y existe una promesa emergente: la de las IA generativas capaces de manejar y combinar cualquier tipo de data en sus procesos de entrenamiento, obviando el largo y tedioso trabajo de estructurar y mejorar la calidad de la data de la empresa para hacerla utilizable. Una promesa a\u00fan no cumplida, seg\u00fan las observaciones actuales.<\/p>\n<\/div>
La IA generativa no s\u00f3lo se ha beneficiado de un verdadero avance en los mecanismos de atenci\u00f3n. Tambi\u00e9n se ha beneficiado de la potencia cada vez mayor -y necesaria- de las m\u00e1quinas.<\/p>\n<\/div>
Los mecanismos de atenci\u00f3n funcionan un poco como la capacidad de una persona para centrarse en una parte importante de una imagen o un texto cuando intenta comprender o crear algo. Imagine que intenta dibujar un paisaje a partir de una fotograf\u00eda. En lugar de mirar toda la imagen a la vez, se centra en ciertas partes que le parecen importantes, como las monta\u00f1as o los \u00e1rboles. Esto le ayuda a comprender mejor los detalles importantes y a crear un dibujo m\u00e1s preciso. Del mismo modo, los mecanismos de atenci\u00f3n permiten al modelo centrarse en partes espec\u00edficas de una imagen o un texto al generar contenidos. En lugar de procesar toda la entrada a la vez, el modelo puede centrarse en las partes m\u00e1s relevantes e importantes para producir resultados m\u00e1s precisos y significativos. Esto le permite aprender a crear im\u00e1genes, texto u otros tipos de contenido de forma m\u00e1s eficaz y realista.<\/p>\n<\/div>
Los mecanismos de atenci\u00f3n se paralelizan muy bien. El uso de m\u00faltiples mecanismos de atenci\u00f3n proporciona una representaci\u00f3n m\u00e1s rica y robusta de data, lo que permite mejorar el rendimiento en diversas tareas como la traducci\u00f3n autom\u00e1tica, la generaci\u00f3n de textos, la s\u00edntesis del habla, la generaci\u00f3n de im\u00e1genes y muchas otras.<\/p>\n<\/div>
Como resultado, casos de uso que parec\u00edan imposibles no hace mucho tiempo se han vuelto ahora totalmente accesibles. Es el caso, por ejemplo, del c\u00e1lculo del tiempo de palabra en los medios de comunicaci\u00f3n durante las campa\u00f1as presidenciales. Hace s\u00f3lo dos a\u00f1os, calcular con precisi\u00f3n el tiempo de palabra de cada candidato era una operaci\u00f3n tediosa. Hoy, gracias al uso de la IA generativa, es posible.<\/p>\n<\/div>
En cuanto a las capacidades de computaci\u00f3n, hace seis a\u00f1os, OpenAI public\u00f3 un an\u00e1lisis que mostraba que, desde 2012, la cantidad de computaci\u00f3n utilizada en las sesiones de entrenamiento de IA m\u00e1s significativas ha ido aumentando exponencialmente, con un tiempo de duplicaci\u00f3n de 3,4 meses (para comparar, la Ley de Moore ten\u00eda un periodo de duplicaci\u00f3n de dos a\u00f1os). Desde 2012, esta medida ha aumentado m\u00e1s de 300.000 veces (un periodo de duplicaci\u00f3n de dos a\u00f1os s\u00f3lo producir\u00eda un aumento de siete veces).<\/p>\n<\/div>
Los modelos de IA generativa suelen requerir enormes cantidades de potencia de c\u00e1lculo para su entrenamiento, sobre todo porque los modelos est\u00e1n dise\u00f1ados para ser generalistas y necesitan grandes cantidades de contenido para entrenarse. Para procesar grandes conjuntos de data y ejecutar complejos algoritmos de optimizaci\u00f3n se necesitan potentes recursos de c\u00e1lculo, como las GPU o TPU de gama alta. La nueva GPU NVIDIA A100 Tensor Core parece proporcionar una aceleraci\u00f3n sin precedentes. Seg\u00fan Nvidia, la A100 ofrece un rendimiento hasta 20 veces superior al de la generaci\u00f3n anterior y puede particionarse en siete instancias de GPU para adaptarse din\u00e1micamente a las demandas cambiantes. Tambi\u00e9n presume, al parecer, del mayor ancho de banda de memoria del mundo, con m\u00e1s de dos terabytes por segundo (TB\/s) para ejecutar los modelos m\u00e1s grandes y los conjuntos data.<\/p>\n<\/div>
Cabe se\u00f1alar que las mejoras en la inform\u00e1tica han sido un elemento clave en el progreso de la artificial intelligence. Mientras esta tendencia contin\u00fae, debemos estar preparados para las implicaciones de los sistemas que superan con creces las capacidades actuales y que ampliar\u00e1n a\u00fan m\u00e1s los l\u00edmites, todo ello sopesando el valor que aportan estos sistemas frente a los costes que suponen, especialmente en t\u00e9rminos de energ\u00eda y medio ambiente. Trataremos estos puntos en un pr\u00f3ximo art\u00edculo.<\/p>\n<\/div>
La IA generativa mejora la diversidad, calidad y cantidad de los resultados obtenidos<\/h2><\/div>La IA generativa se diferencia claramente de la IA anterior por su impacto en los resultados generados por sus modelos. No s\u00f3lo ha aumentado la cantidad de resultados generados, sino tambi\u00e9n su calidad y diversidad. Sin embargo, todos estos aspectos positivos deben atemperarse por una menor reproducibilidad de los modelos de IA generativa.<\/p>\n<\/div>
Si consideramos la imagen de un rompecabezas, el an\u00e1lisis del data puede compararse a su ensamblaje, en el que cada pieza del data representa una pieza que hay que ordenar para revelar una imagen coherente. La IA desempe\u00f1a un papel fundamental al intentar completar el data que falta utilizando la informaci\u00f3n disponible para inferir y recrear esas piezas que faltan. La IA generativa va m\u00e1s all\u00e1 de simplemente completar los data existentes creando nuevos data inspirados en lo que ya existe. Este proceso ampl\u00eda las capacidades de an\u00e1lisis y permite descubrir nueva informaci\u00f3n a partir de los data existentes, lo que pone en primer plano el aspecto generativo.<\/p>\n<\/div>
![](\"https:\/\/www.artefact.com\/\/wp-content\/uploads\/2024\/09\/medium-article-image-by-jb-briot.png\" "\\"imagen")
<\/span><\/div>A diferencia de las generaciones anteriores de IA, que tienden a producir resultados a menudo similares, los modelos de IA generativa son capaces de generar una mayor diversidad de resultados explorando distintas variaciones y alternativas. Esta mayor diversidad permite generar contenidos m\u00e1s ricos y diversificados, pasando de lo cuantitativo a lo cualitativo y abarcando una gama m\u00e1s amplia de necesidades y preferencias.<\/p>\n<\/div>
OpenAI estuvo recientemente en Hollywood para mostrar su \u00faltimo modelo llamado \u201cSora\u201d, capaz de generar v\u00eddeos a partir de texto. \u201cO\u00edr que puede hacer todas estas cosas es una cosa, pero ver realmente las capacidades fue asombroso\u201d, dijo el productor de Hollywood Mike Perry, destacando la diversidad y la calidad de las capacidades que ofrece la IA generativa.<\/p>\n<\/div>
Sin embargo, debido a su capacidad para explorar un espacio m\u00e1s amplio de posibilidades, los modelos de IA generativa pueden ser menos reproducibles que las IA anteriores, y la precisi\u00f3n de los resultados se ve comprometida. En concreto, es m\u00e1s dif\u00edcil reproducir exactamente los mismos resultados cada vez que se ejecuta el modelo, lo que puede plantear retos en t\u00e9rminos de fiabilidad y previsibilidad en determinadas aplicaciones de misi\u00f3n cr\u00edtica.<\/p>\n<\/div>
Esta limitaci\u00f3n constituye un reto importante para las aplicaciones de la IA generativa que requieren respuestas precisas. Y es un \u00e1rea en la que las empresas est\u00e1n trabajando en sus desarrollos actuales: especializar mejor los modelos en dominios muy espec\u00edficos para mejorar la precisi\u00f3n de las respuestas, y combinar la robustez de los modelos basados en reglas o consultas sobre data estructurados con la facilidad de uso e interacci\u00f3n con los usuarios de las IA generativas conectando estas \u00faltimas a las salidas de los primeros.<\/p>\n<\/div>
Mayores expectativas de los usuarios finales<\/h2><\/div>Cuando se trata de gestionar las expectativas y la relaci\u00f3n de los usuarios finales con la tecnolog\u00eda, la IA generativa presenta varios retos espec\u00edficos. Debido a su capacidad para producir resultados r\u00e1pidamente, la IA generativa puede suscitar expectativas especialmente altas. A la inversa, la aparici\u00f3n de alucinaciones y resultados indeseables puede minar en gran medida la confianza de los usuarios en estas soluciones.<\/p>\n<\/div>
La IA generativa es capaz de producir resultados r\u00e1pidamente y de forma automatizada, lo que puede dar a los usuarios finales la impresi\u00f3n de que la tecnolog\u00eda es capaz de resolver todos sus problemas de forma instant\u00e1nea y eficaz. Esto puede dar lugar a expectativas desproporcionadas sobre las capacidades reales de la IA generativa, y a decepci\u00f3n si los resultados no satisfacen plenamente esas elevadas expectativas.<\/p>\n<\/div>
La IA generativa no es, por supuesto, perfecta y a veces puede producir resultados inesperados o indeseables, como contenidos incoherentes, falsos o inapropiados. La aparici\u00f3n de estos resultados indeseables puede provocar una p\u00e9rdida de confianza del usuario final en la tecnolog\u00eda, poniendo en duda su fiabilidad y utilidad. Tambi\u00e9n puede plantear problemas de seguridad y privacidad data cuando los resultados inesperados comprometen la integridad de la informaci\u00f3n generada por la IA generativa.<\/p>\n<\/div>
En febrero de 2023, el chatbot de Google Bard (rebautizado Gemini) proporcion\u00f3 informaci\u00f3n incorrecta cuando se le pregunt\u00f3 sobre los descubrimientos del telescopio espacial James Webb de la NASA. Afirm\u00f3 err\u00f3neamente que el telescopio hab\u00eda tomado las primeras fotos de un exoplaneta. Esta afirmaci\u00f3n es incorrecta, ya que las primeras fotos de un exoplaneta datan de 2004, mientras que el telescopio James Webb no se lanz\u00f3 hasta 2021 (fuente: equipo de CNET Francia, 2024).<\/p>\n<\/div>
Por lo tanto, es crucial que los usuarios finales de los sistemas de IA generativa sean conscientes de sus limitaciones. Por ello, la mayor\u00eda de las empresas que despliegan estas soluciones se esfuerzan por apoyar a los usuarios en su utilizaci\u00f3n: form\u00e1ndoles en el arte de la incitaci\u00f3n, explic\u00e1ndoles las limitaciones de estos sistemas, aclar\u00e1ndoles qu\u00e9 expectativas pueden o no pueden cumplirse y record\u00e1ndoles las normas aplicables en materia de protecci\u00f3n data.<\/p>\n<\/div>
M\u00e1s de un a\u00f1o despu\u00e9s del lanzamiento de ChatGPT, las expectativas en torno a esta nueva tecnolog\u00eda son m\u00e1s altas que nunca. Sin embargo, el valor asociado a ella a\u00fan no se ha materializado en casos de uso tangibles. En nuestro pr\u00f3ximo art\u00edculo, trataremos temas relacionados con la adopci\u00f3n de la tecnolog\u00eda por parte de las empresas y su difusi\u00f3n por toda la organizaci\u00f3n.<\/p>\n<\/div>
Bajo la direcci\u00f3n de:<\/em><\/p>\n<\/div>- <\/i><\/span>\n
Guillaume Lame - Director Data - Natixis<\/em><\/p>\n<\/div><\/li>- <\/i><\/span>\n
Antoine Le Feuvre - VP Soluciones Digitales - Suez<\/em><\/p>\n<\/div><\/li><\/ul><\/div><\/div><\/div><\/article>
En el campo de la IA generativa, el despliegue de casos de uso suele ser m\u00e1s r\u00e1pido y menos laborioso que con las IA anteriores. El enfoque adoptado con la IA generativa se compara a menudo con el montaje de Legos, en el que los componentes preexistentes pueden combinarse para crear nuevos resultados. Esta facilidad de experimentaci\u00f3n e implementaci\u00f3n puede permitir ciclos de desarrollo m\u00e1s cortos. Adem\u00e1s, un modo de interacci\u00f3n conversacional con los usuarios tambi\u00e9n acelera la adopci\u00f3n.<\/p>\n<\/div>
Un caso de uso data puede reducirse a un problema empresarial, data, un modelo y una solicitud. Tradicionalmente, la creaci\u00f3n y optimizaci\u00f3n del modelo representa la parte m\u00e1s compleja y lenta del proceso. Con la IA generativa, este paso se simplifica. La IA generativa proporciona modelos preentrenados y listos para usar, lo que permite a las empresas beneficiarse de conocimientos avanzados sin invertir mucho tiempo en desarrollar y perfeccionar los modelos. En la pr\u00e1ctica, los modelos (como el GPT 4.0 de Azure) son accesibles \u201ca la carta\u201d o pueden desplegarse a trav\u00e9s de API (como Gemini Pro BARD de Google). Algunos proveedores ofrecen incluso modelos especialmente afinados para dominios espec\u00edficos, como la generaci\u00f3n de textos jur\u00eddicos, m\u00e9dicos o financieros.<\/p>\n<\/div>
Una vez desplegado el modelo, la \u00fanica tarea que queda por hacer es \u201caterrizar\u201d el modelo de IA generativa, es decir, anclar los resultados generados por el modelo a la informaci\u00f3n del mundo real para constre\u00f1ir al modelo a responder dentro de un per\u00edmetro determinado. Esto implica a menudo a\u00f1adir restricciones o informaci\u00f3n adicional para guiar al modelo hacia la producci\u00f3n de resultados que sean coherentes y relevantes en un contexto espec\u00edfico. Sin embargo, esto dista mucho del tiempo que se tarda en entrenar los modelos de IA que hemos estado utilizando hasta ahora.<\/p>\n<\/div>
Tomemos el ejemplo de un caso de uso de an\u00e1lisis textual de un centro de llamadas para ilustrar nuestro punto de vista. Seg\u00fan un estudio Artefact, para desarrollar este tipo de caso de uso utilizando modelos basados en IA previa, se tardaba generalmente entre tres y cuatro semanas desde el momento en que se recuperaba y se hac\u00eda utilizable la data. Hoy, gracias a la IA generativa, este proceso s\u00f3lo lleva una semana, un factor de aceleraci\u00f3n de m\u00e1s de tres. El principal reto consiste en elegir la clasificaci\u00f3n empresarial adecuada para adaptar el modelo.<\/p>\n<\/div>
La IA generativa ampl\u00eda el alcance de la IA a data antes poco utilizados o mal utilizados<\/h2><\/div>Algunos yacimientos s\u00f3lo son rentables cuando los precios del petr\u00f3leo se disparan. El mismo principio puede aplicarse al data. Ciertos data no estructurados pueden explotarse ahora gracias a la IA generativa, lo que abre todo un nuevo campo de data explotables para entrenar o afinar modelos, y ofrece numerosas perspectivas para aplicaciones especializadas en dominios espec\u00edficos.<\/p>\n<\/div>
Y existe una promesa emergente: la de las IA generativas capaces de manejar y combinar cualquier tipo de data en sus procesos de entrenamiento, obviando el largo y tedioso trabajo de estructurar y mejorar la calidad de la data de la empresa para hacerla utilizable. Una promesa a\u00fan no cumplida, seg\u00fan las observaciones actuales.<\/p>\n<\/div>
La IA generativa no s\u00f3lo se ha beneficiado de un verdadero avance en los mecanismos de atenci\u00f3n. Tambi\u00e9n se ha beneficiado de la potencia cada vez mayor -y necesaria- de las m\u00e1quinas.<\/p>\n<\/div>
Los mecanismos de atenci\u00f3n funcionan un poco como la capacidad de una persona para centrarse en una parte importante de una imagen o un texto cuando intenta comprender o crear algo. Imagine que intenta dibujar un paisaje a partir de una fotograf\u00eda. En lugar de mirar toda la imagen a la vez, se centra en ciertas partes que le parecen importantes, como las monta\u00f1as o los \u00e1rboles. Esto le ayuda a comprender mejor los detalles importantes y a crear un dibujo m\u00e1s preciso. Del mismo modo, los mecanismos de atenci\u00f3n permiten al modelo centrarse en partes espec\u00edficas de una imagen o un texto al generar contenidos. En lugar de procesar toda la entrada a la vez, el modelo puede centrarse en las partes m\u00e1s relevantes e importantes para producir resultados m\u00e1s precisos y significativos. Esto le permite aprender a crear im\u00e1genes, texto u otros tipos de contenido de forma m\u00e1s eficaz y realista.<\/p>\n<\/div>
Los mecanismos de atenci\u00f3n se paralelizan muy bien. El uso de m\u00faltiples mecanismos de atenci\u00f3n proporciona una representaci\u00f3n m\u00e1s rica y robusta de data, lo que permite mejorar el rendimiento en diversas tareas como la traducci\u00f3n autom\u00e1tica, la generaci\u00f3n de textos, la s\u00edntesis del habla, la generaci\u00f3n de im\u00e1genes y muchas otras.<\/p>\n<\/div>
Como resultado, casos de uso que parec\u00edan imposibles no hace mucho tiempo se han vuelto ahora totalmente accesibles. Es el caso, por ejemplo, del c\u00e1lculo del tiempo de palabra en los medios de comunicaci\u00f3n durante las campa\u00f1as presidenciales. Hace s\u00f3lo dos a\u00f1os, calcular con precisi\u00f3n el tiempo de palabra de cada candidato era una operaci\u00f3n tediosa. Hoy, gracias al uso de la IA generativa, es posible.<\/p>\n<\/div>
En cuanto a las capacidades de computaci\u00f3n, hace seis a\u00f1os, OpenAI public\u00f3 un an\u00e1lisis que mostraba que, desde 2012, la cantidad de computaci\u00f3n utilizada en las sesiones de entrenamiento de IA m\u00e1s significativas ha ido aumentando exponencialmente, con un tiempo de duplicaci\u00f3n de 3,4 meses (para comparar, la Ley de Moore ten\u00eda un periodo de duplicaci\u00f3n de dos a\u00f1os). Desde 2012, esta medida ha aumentado m\u00e1s de 300.000 veces (un periodo de duplicaci\u00f3n de dos a\u00f1os s\u00f3lo producir\u00eda un aumento de siete veces).<\/p>\n<\/div>
Los modelos de IA generativa suelen requerir enormes cantidades de potencia de c\u00e1lculo para su entrenamiento, sobre todo porque los modelos est\u00e1n dise\u00f1ados para ser generalistas y necesitan grandes cantidades de contenido para entrenarse. Para procesar grandes conjuntos de data y ejecutar complejos algoritmos de optimizaci\u00f3n se necesitan potentes recursos de c\u00e1lculo, como las GPU o TPU de gama alta. La nueva GPU NVIDIA A100 Tensor Core parece proporcionar una aceleraci\u00f3n sin precedentes. Seg\u00fan Nvidia, la A100 ofrece un rendimiento hasta 20 veces superior al de la generaci\u00f3n anterior y puede particionarse en siete instancias de GPU para adaptarse din\u00e1micamente a las demandas cambiantes. Tambi\u00e9n presume, al parecer, del mayor ancho de banda de memoria del mundo, con m\u00e1s de dos terabytes por segundo (TB\/s) para ejecutar los modelos m\u00e1s grandes y los conjuntos data.<\/p>\n<\/div>
Cabe se\u00f1alar que las mejoras en la inform\u00e1tica han sido un elemento clave en el progreso de la artificial intelligence. Mientras esta tendencia contin\u00fae, debemos estar preparados para las implicaciones de los sistemas que superan con creces las capacidades actuales y que ampliar\u00e1n a\u00fan m\u00e1s los l\u00edmites, todo ello sopesando el valor que aportan estos sistemas frente a los costes que suponen, especialmente en t\u00e9rminos de energ\u00eda y medio ambiente. Trataremos estos puntos en un pr\u00f3ximo art\u00edculo.<\/p>\n<\/div>
La IA generativa mejora la diversidad, calidad y cantidad de los resultados obtenidos<\/h2><\/div>La IA generativa se diferencia claramente de la IA anterior por su impacto en los resultados generados por sus modelos. No s\u00f3lo ha aumentado la cantidad de resultados generados, sino tambi\u00e9n su calidad y diversidad. Sin embargo, todos estos aspectos positivos deben atemperarse por una menor reproducibilidad de los modelos de IA generativa.<\/p>\n<\/div>
Si consideramos la imagen de un rompecabezas, el an\u00e1lisis del data puede compararse a su ensamblaje, en el que cada pieza del data representa una pieza que hay que ordenar para revelar una imagen coherente. La IA desempe\u00f1a un papel fundamental al intentar completar el data que falta utilizando la informaci\u00f3n disponible para inferir y recrear esas piezas que faltan. La IA generativa va m\u00e1s all\u00e1 de simplemente completar los data existentes creando nuevos data inspirados en lo que ya existe. Este proceso ampl\u00eda las capacidades de an\u00e1lisis y permite descubrir nueva informaci\u00f3n a partir de los data existentes, lo que pone en primer plano el aspecto generativo.<\/p>\n<\/div>
<\/span><\/div>A diferencia de las generaciones anteriores de IA, que tienden a producir resultados a menudo similares, los modelos de IA generativa son capaces de generar una mayor diversidad de resultados explorando distintas variaciones y alternativas. Esta mayor diversidad permite generar contenidos m\u00e1s ricos y diversificados, pasando de lo cuantitativo a lo cualitativo y abarcando una gama m\u00e1s amplia de necesidades y preferencias.<\/p>\n<\/div>
OpenAI estuvo recientemente en Hollywood para mostrar su \u00faltimo modelo llamado \u201cSora\u201d, capaz de generar v\u00eddeos a partir de texto. \u201cO\u00edr que puede hacer todas estas cosas es una cosa, pero ver realmente las capacidades fue asombroso\u201d, dijo el productor de Hollywood Mike Perry, destacando la diversidad y la calidad de las capacidades que ofrece la IA generativa.<\/p>\n<\/div>
Sin embargo, debido a su capacidad para explorar un espacio m\u00e1s amplio de posibilidades, los modelos de IA generativa pueden ser menos reproducibles que las IA anteriores, y la precisi\u00f3n de los resultados se ve comprometida. En concreto, es m\u00e1s dif\u00edcil reproducir exactamente los mismos resultados cada vez que se ejecuta el modelo, lo que puede plantear retos en t\u00e9rminos de fiabilidad y previsibilidad en determinadas aplicaciones de misi\u00f3n cr\u00edtica.<\/p>\n<\/div>
Esta limitaci\u00f3n constituye un reto importante para las aplicaciones de la IA generativa que requieren respuestas precisas. Y es un \u00e1rea en la que las empresas est\u00e1n trabajando en sus desarrollos actuales: especializar mejor los modelos en dominios muy espec\u00edficos para mejorar la precisi\u00f3n de las respuestas, y combinar la robustez de los modelos basados en reglas o consultas sobre data estructurados con la facilidad de uso e interacci\u00f3n con los usuarios de las IA generativas conectando estas \u00faltimas a las salidas de los primeros.<\/p>\n<\/div>
Mayores expectativas de los usuarios finales<\/h2><\/div>Cuando se trata de gestionar las expectativas y la relaci\u00f3n de los usuarios finales con la tecnolog\u00eda, la IA generativa presenta varios retos espec\u00edficos. Debido a su capacidad para producir resultados r\u00e1pidamente, la IA generativa puede suscitar expectativas especialmente altas. A la inversa, la aparici\u00f3n de alucinaciones y resultados indeseables puede minar en gran medida la confianza de los usuarios en estas soluciones.<\/p>\n<\/div>
La IA generativa es capaz de producir resultados r\u00e1pidamente y de forma automatizada, lo que puede dar a los usuarios finales la impresi\u00f3n de que la tecnolog\u00eda es capaz de resolver todos sus problemas de forma instant\u00e1nea y eficaz. Esto puede dar lugar a expectativas desproporcionadas sobre las capacidades reales de la IA generativa, y a decepci\u00f3n si los resultados no satisfacen plenamente esas elevadas expectativas.<\/p>\n<\/div>
La IA generativa no es, por supuesto, perfecta y a veces puede producir resultados inesperados o indeseables, como contenidos incoherentes, falsos o inapropiados. La aparici\u00f3n de estos resultados indeseables puede provocar una p\u00e9rdida de confianza del usuario final en la tecnolog\u00eda, poniendo en duda su fiabilidad y utilidad. Tambi\u00e9n puede plantear problemas de seguridad y privacidad data cuando los resultados inesperados comprometen la integridad de la informaci\u00f3n generada por la IA generativa.<\/p>\n<\/div>
En febrero de 2023, el chatbot de Google Bard (rebautizado Gemini) proporcion\u00f3 informaci\u00f3n incorrecta cuando se le pregunt\u00f3 sobre los descubrimientos del telescopio espacial James Webb de la NASA. Afirm\u00f3 err\u00f3neamente que el telescopio hab\u00eda tomado las primeras fotos de un exoplaneta. Esta afirmaci\u00f3n es incorrecta, ya que las primeras fotos de un exoplaneta datan de 2004, mientras que el telescopio James Webb no se lanz\u00f3 hasta 2021 (fuente: equipo de CNET Francia, 2024).<\/p>\n<\/div>
Por lo tanto, es crucial que los usuarios finales de los sistemas de IA generativa sean conscientes de sus limitaciones. Por ello, la mayor\u00eda de las empresas que despliegan estas soluciones se esfuerzan por apoyar a los usuarios en su utilizaci\u00f3n: form\u00e1ndoles en el arte de la incitaci\u00f3n, explic\u00e1ndoles las limitaciones de estos sistemas, aclar\u00e1ndoles qu\u00e9 expectativas pueden o no pueden cumplirse y record\u00e1ndoles las normas aplicables en materia de protecci\u00f3n data.<\/p>\n<\/div>
M\u00e1s de un a\u00f1o despu\u00e9s del lanzamiento de ChatGPT, las expectativas en torno a esta nueva tecnolog\u00eda son m\u00e1s altas que nunca. Sin embargo, el valor asociado a ella a\u00fan no se ha materializado en casos de uso tangibles. En nuestro pr\u00f3ximo art\u00edculo, trataremos temas relacionados con la adopci\u00f3n de la tecnolog\u00eda por parte de las empresas y su difusi\u00f3n por toda la organizaci\u00f3n.<\/p>\n<\/div>
Bajo la direcci\u00f3n de:<\/em><\/p>\n<\/div>- <\/i><\/span>\n
Guillaume Lame - Director Data - Natixis<\/em><\/p>\n<\/div><\/li>- <\/i><\/span>\n
Antoine Le Feuvre - VP Soluciones Digitales - Suez<\/em><\/p>\n<\/div><\/li><\/ul><\/div><\/div><\/div><\/article>
Algunos yacimientos s\u00f3lo son rentables cuando los precios del petr\u00f3leo se disparan. El mismo principio puede aplicarse al data. Ciertos data no estructurados pueden explotarse ahora gracias a la IA generativa, lo que abre todo un nuevo campo de data explotables para entrenar o afinar modelos, y ofrece numerosas perspectivas para aplicaciones especializadas en dominios espec\u00edficos.<\/p>\n<\/div>
Y existe una promesa emergente: la de las IA generativas capaces de manejar y combinar cualquier tipo de data en sus procesos de entrenamiento, obviando el largo y tedioso trabajo de estructurar y mejorar la calidad de la data de la empresa para hacerla utilizable. Una promesa a\u00fan no cumplida, seg\u00fan las observaciones actuales.<\/p>\n<\/div>
La IA generativa no s\u00f3lo se ha beneficiado de un verdadero avance en los mecanismos de atenci\u00f3n. Tambi\u00e9n se ha beneficiado de la potencia cada vez mayor -y necesaria- de las m\u00e1quinas.<\/p>\n<\/div>
Los mecanismos de atenci\u00f3n funcionan un poco como la capacidad de una persona para centrarse en una parte importante de una imagen o un texto cuando intenta comprender o crear algo. Imagine que intenta dibujar un paisaje a partir de una fotograf\u00eda. En lugar de mirar toda la imagen a la vez, se centra en ciertas partes que le parecen importantes, como las monta\u00f1as o los \u00e1rboles. Esto le ayuda a comprender mejor los detalles importantes y a crear un dibujo m\u00e1s preciso. Del mismo modo, los mecanismos de atenci\u00f3n permiten al modelo centrarse en partes espec\u00edficas de una imagen o un texto al generar contenidos. En lugar de procesar toda la entrada a la vez, el modelo puede centrarse en las partes m\u00e1s relevantes e importantes para producir resultados m\u00e1s precisos y significativos. Esto le permite aprender a crear im\u00e1genes, texto u otros tipos de contenido de forma m\u00e1s eficaz y realista.<\/p>\n<\/div>
Los mecanismos de atenci\u00f3n se paralelizan muy bien. El uso de m\u00faltiples mecanismos de atenci\u00f3n proporciona una representaci\u00f3n m\u00e1s rica y robusta de data, lo que permite mejorar el rendimiento en diversas tareas como la traducci\u00f3n autom\u00e1tica, la generaci\u00f3n de textos, la s\u00edntesis del habla, la generaci\u00f3n de im\u00e1genes y muchas otras.<\/p>\n<\/div>
Como resultado, casos de uso que parec\u00edan imposibles no hace mucho tiempo se han vuelto ahora totalmente accesibles. Es el caso, por ejemplo, del c\u00e1lculo del tiempo de palabra en los medios de comunicaci\u00f3n durante las campa\u00f1as presidenciales. Hace s\u00f3lo dos a\u00f1os, calcular con precisi\u00f3n el tiempo de palabra de cada candidato era una operaci\u00f3n tediosa. Hoy, gracias al uso de la IA generativa, es posible.<\/p>\n<\/div>
En cuanto a las capacidades de computaci\u00f3n, hace seis a\u00f1os, OpenAI public\u00f3 un an\u00e1lisis que mostraba que, desde 2012, la cantidad de computaci\u00f3n utilizada en las sesiones de entrenamiento de IA m\u00e1s significativas ha ido aumentando exponencialmente, con un tiempo de duplicaci\u00f3n de 3,4 meses (para comparar, la Ley de Moore ten\u00eda un periodo de duplicaci\u00f3n de dos a\u00f1os). Desde 2012, esta medida ha aumentado m\u00e1s de 300.000 veces (un periodo de duplicaci\u00f3n de dos a\u00f1os s\u00f3lo producir\u00eda un aumento de siete veces).<\/p>\n<\/div>
Los modelos de IA generativa suelen requerir enormes cantidades de potencia de c\u00e1lculo para su entrenamiento, sobre todo porque los modelos est\u00e1n dise\u00f1ados para ser generalistas y necesitan grandes cantidades de contenido para entrenarse. Para procesar grandes conjuntos de data y ejecutar complejos algoritmos de optimizaci\u00f3n se necesitan potentes recursos de c\u00e1lculo, como las GPU o TPU de gama alta. La nueva GPU NVIDIA A100 Tensor Core parece proporcionar una aceleraci\u00f3n sin precedentes. Seg\u00fan Nvidia, la A100 ofrece un rendimiento hasta 20 veces superior al de la generaci\u00f3n anterior y puede particionarse en siete instancias de GPU para adaptarse din\u00e1micamente a las demandas cambiantes. Tambi\u00e9n presume, al parecer, del mayor ancho de banda de memoria del mundo, con m\u00e1s de dos terabytes por segundo (TB\/s) para ejecutar los modelos m\u00e1s grandes y los conjuntos data.<\/p>\n<\/div>
Cabe se\u00f1alar que las mejoras en la inform\u00e1tica han sido un elemento clave en el progreso de la artificial intelligence. Mientras esta tendencia contin\u00fae, debemos estar preparados para las implicaciones de los sistemas que superan con creces las capacidades actuales y que ampliar\u00e1n a\u00fan m\u00e1s los l\u00edmites, todo ello sopesando el valor que aportan estos sistemas frente a los costes que suponen, especialmente en t\u00e9rminos de energ\u00eda y medio ambiente. Trataremos estos puntos en un pr\u00f3ximo art\u00edculo.<\/p>\n<\/div>
La IA generativa mejora la diversidad, calidad y cantidad de los resultados obtenidos<\/h2><\/div>La IA generativa se diferencia claramente de la IA anterior por su impacto en los resultados generados por sus modelos. No s\u00f3lo ha aumentado la cantidad de resultados generados, sino tambi\u00e9n su calidad y diversidad. Sin embargo, todos estos aspectos positivos deben atemperarse por una menor reproducibilidad de los modelos de IA generativa.<\/p>\n<\/div>
Si consideramos la imagen de un rompecabezas, el an\u00e1lisis del data puede compararse a su ensamblaje, en el que cada pieza del data representa una pieza que hay que ordenar para revelar una imagen coherente. La IA desempe\u00f1a un papel fundamental al intentar completar el data que falta utilizando la informaci\u00f3n disponible para inferir y recrear esas piezas que faltan. La IA generativa va m\u00e1s all\u00e1 de simplemente completar los data existentes creando nuevos data inspirados en lo que ya existe. Este proceso ampl\u00eda las capacidades de an\u00e1lisis y permite descubrir nueva informaci\u00f3n a partir de los data existentes, lo que pone en primer plano el aspecto generativo.<\/p>\n<\/div>
<\/span><\/div>A diferencia de las generaciones anteriores de IA, que tienden a producir resultados a menudo similares, los modelos de IA generativa son capaces de generar una mayor diversidad de resultados explorando distintas variaciones y alternativas. Esta mayor diversidad permite generar contenidos m\u00e1s ricos y diversificados, pasando de lo cuantitativo a lo cualitativo y abarcando una gama m\u00e1s amplia de necesidades y preferencias.<\/p>\n<\/div>
OpenAI estuvo recientemente en Hollywood para mostrar su \u00faltimo modelo llamado \u201cSora\u201d, capaz de generar v\u00eddeos a partir de texto. \u201cO\u00edr que puede hacer todas estas cosas es una cosa, pero ver realmente las capacidades fue asombroso\u201d, dijo el productor de Hollywood Mike Perry, destacando la diversidad y la calidad de las capacidades que ofrece la IA generativa.<\/p>\n<\/div>
Sin embargo, debido a su capacidad para explorar un espacio m\u00e1s amplio de posibilidades, los modelos de IA generativa pueden ser menos reproducibles que las IA anteriores, y la precisi\u00f3n de los resultados se ve comprometida. En concreto, es m\u00e1s dif\u00edcil reproducir exactamente los mismos resultados cada vez que se ejecuta el modelo, lo que puede plantear retos en t\u00e9rminos de fiabilidad y previsibilidad en determinadas aplicaciones de misi\u00f3n cr\u00edtica.<\/p>\n<\/div>
Esta limitaci\u00f3n constituye un reto importante para las aplicaciones de la IA generativa que requieren respuestas precisas. Y es un \u00e1rea en la que las empresas est\u00e1n trabajando en sus desarrollos actuales: especializar mejor los modelos en dominios muy espec\u00edficos para mejorar la precisi\u00f3n de las respuestas, y combinar la robustez de los modelos basados en reglas o consultas sobre data estructurados con la facilidad de uso e interacci\u00f3n con los usuarios de las IA generativas conectando estas \u00faltimas a las salidas de los primeros.<\/p>\n<\/div>
Mayores expectativas de los usuarios finales<\/h2><\/div>Cuando se trata de gestionar las expectativas y la relaci\u00f3n de los usuarios finales con la tecnolog\u00eda, la IA generativa presenta varios retos espec\u00edficos. Debido a su capacidad para producir resultados r\u00e1pidamente, la IA generativa puede suscitar expectativas especialmente altas. A la inversa, la aparici\u00f3n de alucinaciones y resultados indeseables puede minar en gran medida la confianza de los usuarios en estas soluciones.<\/p>\n<\/div>
La IA generativa es capaz de producir resultados r\u00e1pidamente y de forma automatizada, lo que puede dar a los usuarios finales la impresi\u00f3n de que la tecnolog\u00eda es capaz de resolver todos sus problemas de forma instant\u00e1nea y eficaz. Esto puede dar lugar a expectativas desproporcionadas sobre las capacidades reales de la IA generativa, y a decepci\u00f3n si los resultados no satisfacen plenamente esas elevadas expectativas.<\/p>\n<\/div>
La IA generativa no es, por supuesto, perfecta y a veces puede producir resultados inesperados o indeseables, como contenidos incoherentes, falsos o inapropiados. La aparici\u00f3n de estos resultados indeseables puede provocar una p\u00e9rdida de confianza del usuario final en la tecnolog\u00eda, poniendo en duda su fiabilidad y utilidad. Tambi\u00e9n puede plantear problemas de seguridad y privacidad data cuando los resultados inesperados comprometen la integridad de la informaci\u00f3n generada por la IA generativa.<\/p>\n<\/div>
En febrero de 2023, el chatbot de Google Bard (rebautizado Gemini) proporcion\u00f3 informaci\u00f3n incorrecta cuando se le pregunt\u00f3 sobre los descubrimientos del telescopio espacial James Webb de la NASA. Afirm\u00f3 err\u00f3neamente que el telescopio hab\u00eda tomado las primeras fotos de un exoplaneta. Esta afirmaci\u00f3n es incorrecta, ya que las primeras fotos de un exoplaneta datan de 2004, mientras que el telescopio James Webb no se lanz\u00f3 hasta 2021 (fuente: equipo de CNET Francia, 2024).<\/p>\n<\/div>
Por lo tanto, es crucial que los usuarios finales de los sistemas de IA generativa sean conscientes de sus limitaciones. Por ello, la mayor\u00eda de las empresas que despliegan estas soluciones se esfuerzan por apoyar a los usuarios en su utilizaci\u00f3n: form\u00e1ndoles en el arte de la incitaci\u00f3n, explic\u00e1ndoles las limitaciones de estos sistemas, aclar\u00e1ndoles qu\u00e9 expectativas pueden o no pueden cumplirse y record\u00e1ndoles las normas aplicables en materia de protecci\u00f3n data.<\/p>\n<\/div>
M\u00e1s de un a\u00f1o despu\u00e9s del lanzamiento de ChatGPT, las expectativas en torno a esta nueva tecnolog\u00eda son m\u00e1s altas que nunca. Sin embargo, el valor asociado a ella a\u00fan no se ha materializado en casos de uso tangibles. En nuestro pr\u00f3ximo art\u00edculo, trataremos temas relacionados con la adopci\u00f3n de la tecnolog\u00eda por parte de las empresas y su difusi\u00f3n por toda la organizaci\u00f3n.<\/p>\n<\/div>
Bajo la direcci\u00f3n de:<\/em><\/p>\n<\/div>- <\/i><\/span>\n
Guillaume Lame - Director Data - Natixis<\/em><\/p>\n<\/div><\/li>- <\/i><\/span>\n
Antoine Le Feuvre - VP Soluciones Digitales - Suez<\/em><\/p>\n<\/div><\/li><\/ul><\/div><\/div><\/div><\/article>
La IA generativa se diferencia claramente de la IA anterior por su impacto en los resultados generados por sus modelos. No s\u00f3lo ha aumentado la cantidad de resultados generados, sino tambi\u00e9n su calidad y diversidad. Sin embargo, todos estos aspectos positivos deben atemperarse por una menor reproducibilidad de los modelos de IA generativa.<\/p>\n<\/div>
Si consideramos la imagen de un rompecabezas, el an\u00e1lisis del data puede compararse a su ensamblaje, en el que cada pieza del data representa una pieza que hay que ordenar para revelar una imagen coherente. La IA desempe\u00f1a un papel fundamental al intentar completar el data que falta utilizando la informaci\u00f3n disponible para inferir y recrear esas piezas que faltan. La IA generativa va m\u00e1s all\u00e1 de simplemente completar los data existentes creando nuevos data inspirados en lo que ya existe. Este proceso ampl\u00eda las capacidades de an\u00e1lisis y permite descubrir nueva informaci\u00f3n a partir de los data existentes, lo que pone en primer plano el aspecto generativo.<\/p>\n<\/div>
<\/span><\/div>A diferencia de las generaciones anteriores de IA, que tienden a producir resultados a menudo similares, los modelos de IA generativa son capaces de generar una mayor diversidad de resultados explorando distintas variaciones y alternativas. Esta mayor diversidad permite generar contenidos m\u00e1s ricos y diversificados, pasando de lo cuantitativo a lo cualitativo y abarcando una gama m\u00e1s amplia de necesidades y preferencias.<\/p>\n<\/div>
OpenAI estuvo recientemente en Hollywood para mostrar su \u00faltimo modelo llamado \u201cSora\u201d, capaz de generar v\u00eddeos a partir de texto. \u201cO\u00edr que puede hacer todas estas cosas es una cosa, pero ver realmente las capacidades fue asombroso\u201d, dijo el productor de Hollywood Mike Perry, destacando la diversidad y la calidad de las capacidades que ofrece la IA generativa.<\/p>\n<\/div>
Sin embargo, debido a su capacidad para explorar un espacio m\u00e1s amplio de posibilidades, los modelos de IA generativa pueden ser menos reproducibles que las IA anteriores, y la precisi\u00f3n de los resultados se ve comprometida. En concreto, es m\u00e1s dif\u00edcil reproducir exactamente los mismos resultados cada vez que se ejecuta el modelo, lo que puede plantear retos en t\u00e9rminos de fiabilidad y previsibilidad en determinadas aplicaciones de misi\u00f3n cr\u00edtica.<\/p>\n<\/div>
Esta limitaci\u00f3n constituye un reto importante para las aplicaciones de la IA generativa que requieren respuestas precisas. Y es un \u00e1rea en la que las empresas est\u00e1n trabajando en sus desarrollos actuales: especializar mejor los modelos en dominios muy espec\u00edficos para mejorar la precisi\u00f3n de las respuestas, y combinar la robustez de los modelos basados en reglas o consultas sobre data estructurados con la facilidad de uso e interacci\u00f3n con los usuarios de las IA generativas conectando estas \u00faltimas a las salidas de los primeros.<\/p>\n<\/div>
Mayores expectativas de los usuarios finales<\/h2><\/div>Cuando se trata de gestionar las expectativas y la relaci\u00f3n de los usuarios finales con la tecnolog\u00eda, la IA generativa presenta varios retos espec\u00edficos. Debido a su capacidad para producir resultados r\u00e1pidamente, la IA generativa puede suscitar expectativas especialmente altas. A la inversa, la aparici\u00f3n de alucinaciones y resultados indeseables puede minar en gran medida la confianza de los usuarios en estas soluciones.<\/p>\n<\/div>
La IA generativa es capaz de producir resultados r\u00e1pidamente y de forma automatizada, lo que puede dar a los usuarios finales la impresi\u00f3n de que la tecnolog\u00eda es capaz de resolver todos sus problemas de forma instant\u00e1nea y eficaz. Esto puede dar lugar a expectativas desproporcionadas sobre las capacidades reales de la IA generativa, y a decepci\u00f3n si los resultados no satisfacen plenamente esas elevadas expectativas.<\/p>\n<\/div>
La IA generativa no es, por supuesto, perfecta y a veces puede producir resultados inesperados o indeseables, como contenidos incoherentes, falsos o inapropiados. La aparici\u00f3n de estos resultados indeseables puede provocar una p\u00e9rdida de confianza del usuario final en la tecnolog\u00eda, poniendo en duda su fiabilidad y utilidad. Tambi\u00e9n puede plantear problemas de seguridad y privacidad data cuando los resultados inesperados comprometen la integridad de la informaci\u00f3n generada por la IA generativa.<\/p>\n<\/div>
En febrero de 2023, el chatbot de Google Bard (rebautizado Gemini) proporcion\u00f3 informaci\u00f3n incorrecta cuando se le pregunt\u00f3 sobre los descubrimientos del telescopio espacial James Webb de la NASA. Afirm\u00f3 err\u00f3neamente que el telescopio hab\u00eda tomado las primeras fotos de un exoplaneta. Esta afirmaci\u00f3n es incorrecta, ya que las primeras fotos de un exoplaneta datan de 2004, mientras que el telescopio James Webb no se lanz\u00f3 hasta 2021 (fuente: equipo de CNET Francia, 2024).<\/p>\n<\/div>
Por lo tanto, es crucial que los usuarios finales de los sistemas de IA generativa sean conscientes de sus limitaciones. Por ello, la mayor\u00eda de las empresas que despliegan estas soluciones se esfuerzan por apoyar a los usuarios en su utilizaci\u00f3n: form\u00e1ndoles en el arte de la incitaci\u00f3n, explic\u00e1ndoles las limitaciones de estos sistemas, aclar\u00e1ndoles qu\u00e9 expectativas pueden o no pueden cumplirse y record\u00e1ndoles las normas aplicables en materia de protecci\u00f3n data.<\/p>\n<\/div>
M\u00e1s de un a\u00f1o despu\u00e9s del lanzamiento de ChatGPT, las expectativas en torno a esta nueva tecnolog\u00eda son m\u00e1s altas que nunca. Sin embargo, el valor asociado a ella a\u00fan no se ha materializado en casos de uso tangibles. En nuestro pr\u00f3ximo art\u00edculo, trataremos temas relacionados con la adopci\u00f3n de la tecnolog\u00eda por parte de las empresas y su difusi\u00f3n por toda la organizaci\u00f3n.<\/p>\n<\/div>
Bajo la direcci\u00f3n de:<\/em><\/p>\n<\/div>- <\/i><\/span>\n
Guillaume Lame - Director Data - Natixis<\/em><\/p>\n<\/div><\/li>- <\/i><\/span>\n
Antoine Le Feuvre - VP Soluciones Digitales - Suez<\/em><\/p>\n<\/div><\/li><\/ul><\/div><\/div><\/div><\/article>
Cuando se trata de gestionar las expectativas y la relaci\u00f3n de los usuarios finales con la tecnolog\u00eda, la IA generativa presenta varios retos espec\u00edficos. Debido a su capacidad para producir resultados r\u00e1pidamente, la IA generativa puede suscitar expectativas especialmente altas. A la inversa, la aparici\u00f3n de alucinaciones y resultados indeseables puede minar en gran medida la confianza de los usuarios en estas soluciones.<\/p>\n<\/div>
La IA generativa es capaz de producir resultados r\u00e1pidamente y de forma automatizada, lo que puede dar a los usuarios finales la impresi\u00f3n de que la tecnolog\u00eda es capaz de resolver todos sus problemas de forma instant\u00e1nea y eficaz. Esto puede dar lugar a expectativas desproporcionadas sobre las capacidades reales de la IA generativa, y a decepci\u00f3n si los resultados no satisfacen plenamente esas elevadas expectativas.<\/p>\n<\/div>
La IA generativa no es, por supuesto, perfecta y a veces puede producir resultados inesperados o indeseables, como contenidos incoherentes, falsos o inapropiados. La aparici\u00f3n de estos resultados indeseables puede provocar una p\u00e9rdida de confianza del usuario final en la tecnolog\u00eda, poniendo en duda su fiabilidad y utilidad. Tambi\u00e9n puede plantear problemas de seguridad y privacidad data cuando los resultados inesperados comprometen la integridad de la informaci\u00f3n generada por la IA generativa.<\/p>\n<\/div>
En febrero de 2023, el chatbot de Google Bard (rebautizado Gemini) proporcion\u00f3 informaci\u00f3n incorrecta cuando se le pregunt\u00f3 sobre los descubrimientos del telescopio espacial James Webb de la NASA. Afirm\u00f3 err\u00f3neamente que el telescopio hab\u00eda tomado las primeras fotos de un exoplaneta. Esta afirmaci\u00f3n es incorrecta, ya que las primeras fotos de un exoplaneta datan de 2004, mientras que el telescopio James Webb no se lanz\u00f3 hasta 2021 (fuente: equipo de CNET Francia, 2024).<\/p>\n<\/div>
Por lo tanto, es crucial que los usuarios finales de los sistemas de IA generativa sean conscientes de sus limitaciones. Por ello, la mayor\u00eda de las empresas que despliegan estas soluciones se esfuerzan por apoyar a los usuarios en su utilizaci\u00f3n: form\u00e1ndoles en el arte de la incitaci\u00f3n, explic\u00e1ndoles las limitaciones de estos sistemas, aclar\u00e1ndoles qu\u00e9 expectativas pueden o no pueden cumplirse y record\u00e1ndoles las normas aplicables en materia de protecci\u00f3n data.<\/p>\n<\/div>
M\u00e1s de un a\u00f1o despu\u00e9s del lanzamiento de ChatGPT, las expectativas en torno a esta nueva tecnolog\u00eda son m\u00e1s altas que nunca. Sin embargo, el valor asociado a ella a\u00fan no se ha materializado en casos de uso tangibles. En nuestro pr\u00f3ximo art\u00edculo, trataremos temas relacionados con la adopci\u00f3n de la tecnolog\u00eda por parte de las empresas y su difusi\u00f3n por toda la organizaci\u00f3n.<\/p>\n<\/div>
Bajo la direcci\u00f3n de:<\/em><\/p>\n<\/div> Guillaume Lame - Director Data - Natixis<\/em><\/p>\n<\/div><\/li> Antoine Le Feuvre - VP Soluciones Digitales - Suez<\/em><\/p>\n<\/div><\/li><\/ul><\/div><\/div><\/div><\/article>
![](\"https:\/\/artefact.com\/\/wp-content\/uploads\/2021\/03\/medium.png\" "\\"medio\\"")
<\/span><\/div>