La inteligencia artificial (IA) generativa describe algoritmos (como ChatGPT) que se pueden usar para crear contenido nuevo, incluidos audio, código, imágenes, texto, simulaciones y videos. Los más recientes avances en este campo cambiarán drásticamente la forma en la que creamos contenido.
Los sistemas de IA generativa se incluyen en la amplia categoría de aprendizaje automático.
Ejemplos de IA Generativa: ChatGPT y DALL-E
ChatGPT (GPT significa Transformador Preentrenado Generativo, de sus siglas en inglés) es un chatbot gratuito (aunque ya han lanzado la versión profesional de pago), que puede generar una respuesta a casi cualquier pregunta que se le haga. Desarrollado por OpenAI y puesto a disposición del público general en noviembre de 2022, actualmente se considera el mejor chatbot de IA que existe. Además de resolver dudas puede crear código, ayudarte con la trama de un libro, hacerles los deberes a tus hijos, etc…, en general puede crear casi cualquier tipo de contenido que le pidas.
Por su parte, DALL-E 2 es un programa de inteligencia artificial que crea imágenes a partir de descripciones textuales. También ha sido desarrollado por OpenIA.
La popularidad de estas dos herramientas nos ha hecho conscientes de la presencia de la IA en nuestras vidas, algo que quizá antes solo lo eran aquellos que trabajan en industrias en las que se había implementado IA.
Una encuesta de McKinsey de 2022 muestra que la adopción de IA se ha más que duplicado en los últimos cinco años, y la inversión en IA está aumentando a un ritmo acelerado. Está claro que las herramientas de IA generativa como ChatGPT y DALL-E tienen un gran potencial de cambiar la forma en que se realizan una variedad de trabajos. Sin embargo, aún se desconoce el alcance total de ese impacto, al igual que los riesgos.
Lo que sí sabemos es como cómo se construyen los modelos generativos de IA, qué tipo de problemas son más adecuados para resolver y cómo encajan en la categoría más amplia de aprendizaje automático. A continuación te lo contamos.
Introducción al aprendizaje automático
Antes de hablar de IA generativa conviene aclarar algunos conceptos como por ejemplo la diferencia entre inteligencia artificial y aprendizaje automático o machine learning o el funcionamiento de los modelos de machine learning.
Diferencia entre inteligencia artificial y machine learning.
En un artículo previo de nuestro blog (Aclarando conceptos: Inteligencia Artificial, Machine Learning, Deep Learning, Big Data y Ciencia de Datos), al cual te recomendamos que le eches un vistazo, te explicamos más a fondo distintos conceptos relacionados con este campo. Por lo tanto, ahora, para no extendernos nos limitaremos a decir que la IA se refiere a lograr que las máquinas simulen las funciones del cerebro humano mientras que el machine learning es un subconjunto de la IA.
Principales tipos de problemas resueltos con machine learning
De nuevo aquí te recomendamos que eches un vistazo a este otro artículo de nuestro blog: Qué tipos de problemas podemos resolver con técnicas de Aprendizaje Automático, donde se analizan las grandes categorías de problemas que se pueden resolver con técnicas de machine learning además de los diferentes paradigmas de aprendizaje automático que existen.
Tras esta breve introducción pasaremos a hablar de la IA generativa.
Inteligencia Artificial Generativa
Recursos para construir un modelo generativo de IA
La construcción de un modelo de IA generativa no está al alcance de cualquiera. De hecho, tan solo empresas con ingentes recursos como OpenIA, Google o Meta lo han intentado.
El desarrollo y el entrenamiento de los modelos para las herramientas sobre las he hemos hablado, ChatGPT y DALL-E, han supuesto miles de millones de dólares. Este presupuesto se dedicó principalmente, además de a la contratación de los mejores ingenieros de software, al entrenamiento del modelo. Aunque OpenAI no ha publicado los costos exactos, las estimaciones indican que GPT-3 se entrenó en alrededor de 45 terabytes de datos de texto.
Por otro lado, se estima que el coste diario de ejecutar ChatGPT es de 100.000 dólares aproximadamente.
Como hemos dicho antes, estos no son recursos a los que pueda acceder cualquier empresa.
Cómo funciona un modelo generativo de IA
Los modelos generativos de inteligencia artificial se basan en técnicas de aprendizaje no supervisado, una rama del machine learning.
Lo primero que necesita un modelo generativo es un conjunto de datos para aprender. Este conjunto de datos a menudo se compone de datos reales y no sintéticos. Los datos pueden incluir textos, imágenes o sonidos, según lo que desee generar.
Los modelos generativos aprenden del conjunto de datos establecido antes de generar nuevos datos propios. Aprenden de las características naturales de los datos y comprenden las categorías y dimensiones de los conjuntos de datos.
Por ejemplo, los modelos generativos que impulsan los generadores de imágenes de IA comenzarán generando imágenes aproximadas antes de aprender la diferenciación de colores, los bordes, las manchas, los fondos, las texturas, los objetos, la ubicación natural de los objetos, etc. Cuanto más aprenden, mejor generan. imágenes creíbles.
Los modelos generativos se modifican y trabajan hasta que su precisión es muy alta, y pueden generar datos sintéticos que son casi indistinguibles de los datos de la vida real creados por humanos. Cuantos más parámetros se utilicen para entrenar el conjunto de datos, más preciso será el modelo.
Obviamente esto es una visión extremadamente esquemática de un proceso altamente complejo, pero que sirve para hacernos una idea. En el siguiente directo de nuestro canal de YouTube, nuestro tutor José Manuel Alarcón nos habló sobre modelos generativos de difusión como el de DALL-E 2 o Stability Diffusion, mostró su funcionamiento práctico y explicó con mucho más detalle su funcionamiento interno. Si te interesa el tema seguro que te puede resultar revelador:
Aplicaciones de la IA generativa
Si has tenido la ocasión de probar alguna de las herramientas comentadas, te habrás dado cuenta de que los resultados de los modelos generativos de IA pueden ser, o bien indistinguibles del contenido generado por humanos, o bien un tanto extraños y a veces hasta erróneos. Por lo tanto, los resultados no siempre son precisos o apropiados, dependerán de la calidad del modelo.
Entre las aplicaciones más comunes encontramos:
- Imágenes: en relación a las imágenes las aplicaciones son múltiples. Por ejemplo, desde transformar imágenes existentes (convertir una foto en blanco y negro en una en color, una foto diurna en una nocturna o una foto en un cuadro, etc.) a crear una imagen a partir de una descripción de texto.
- Texto: permite la creación de contenido original (artículos, novelas, poemas, eslóganes para anuncios…), traducciones, …
- Vídeos: creación de vídeos a partir por ejemplo de una foto o modificación de vídeos actuales donde además de sustituir el audio original se puede cambiar la escena original, cambiar por completo la cara de la persona que sale en escena, etc.
- Música: creación de piezas originales o modificación de música existente.
Pero además de estos casos conocidos por la amplia mayoría, se puede aplicar IA generativa en:
- La industria bancaria: para detectar casos de fraude o hacer un análisis del riesgo.
- La medicina: puede ayudar a acelerar el proceso a la hora de desarrollar nuevos fármacos o a crear planes de tratamiento personalizados para los pacientes al tener en cuenta su historial médico, síntomas y otros factores o a mejorar la precisión de las imágenes médicas, por comentar algunos ejemplos.
- Educación: puede ayudar a la creación de contenidos nuevos, a la actualización de temas que se han quedado obsoletos o incluso a la tutorización.
Limitaciones o inconvenientes de los modelos de IA generativa
Como ya hemos comentado anteriormente los modelos de IA generativa no siempre dan resultados precisos y lo que es peor, en ocasiones, los resultados no son objetivos, están sesgados por cuestiones de raza, sexo o cualquier otra tendencia mostrada por nuestra sociedad.
Otra de las desventajas de la que hemos hablado antes es el alto coste asociado a su desarrollo y a su uso. Aunque se espera que con el tiempo esta limitación desaparezca o bien se reduzca considerablemente.
Por último, decir que quizá la limitación más importante sea desde el punto de vista ético. Este avance a puesto al alcance de casi cualquiera la creación de contenido falso sin apenas esfuerzo lo cual puede tener consecuencias negativas difíciles de cuantificar.
Fecha de publicación: