La inteligencia artificial (IA) es una tecnología que permite a ordenadores y máquinas simular el aprendizaje, la comprensión, la resolución de problemas, la toma de decisiones, la creatividad y la autonomía humanos.
Las aplicaciones y dispositivos con IA pueden ver y reconocer objetos, entender y responder al lenguaje humano, aprender de información y experiencias nuevas, ofrecer recomendaciones a medida y actuar de forma autónoma, sin intervención humana (el ejemplo clásico es el coche autónomo).
Hoy la atención se centra en la IA generativa, capaz de crear texto, imágenes, vídeo y otros contenidos originales. Para entenderla conviene conocer antes las tecnologías en las que se apoya: el aprendizaje automático y el aprendizaje profundo.
Aprendizaje automático
La IA se entiende como una serie de conceptos superpuestos que han surgido a lo largo de más de 70 años. Justo bajo el paraguas de la IA está el aprendizaje automático (ML): crear modelos entrenando algoritmos con datos para hacer predicciones o tomar decisiones, sin programar explícitamente cada tarea.
Hay muchas técnicas: regresión lineal y logística, árboles de decisión, bosques aleatorios, máquinas de vectores de soporte (SVM), k vecinos más cercanos (KNN), agrupamiento y otras, cada una adecuada para distintos problemas y datos.
Una de las más conocidas es la red neuronal, modelada según la estructura y el funcionamiento del cerebro humano: capas interconectadas de nodos (neuronas) que procesan datos complejos y detectan patrones en grandes volúmenes de información.
La forma más simple es el aprendizaje supervisado, que usa conjuntos de datos etiquetados para clasificar datos o predecir resultados: el modelo aprende la relación entre entradas y salidas para predecir con datos nuevos.
Aprendizaje profundo
El aprendizaje profundo es un subconjunto del aprendizaje automático que usa redes neuronales de muchas capas (redes neuronales profundas), que imitan la capacidad de decisión del cerebro. Tienen una capa de entrada, al menos tres capas ocultas (a menudo cientos) y una de salida, frente a las una o dos capas ocultas del aprendizaje automático clásico.
Esas capas permiten el aprendizaje no supervisado: extraen características de datos masivos, no etiquetados y desestructurados, y generan sus propias predicciones. Por eso es ideal para el procesamiento del lenguaje natural, la visión por computador y otras tareas de patrones complejos, y la mayoría de las aplicaciones de IA cotidianas usan alguna forma de aprendizaje profundo. También permite:
- Aprendizaje semisupervisado: combina datos etiquetados y no etiquetados para clasificación y regresión.
- Aprendizaje autosupervisado: genera etiquetas implícitas a partir de datos no estructurados.
- Aprendizaje por refuerzo: aprende por ensayo y error y funciones de recompensa.
- Aprendizaje por transferencia: aplica lo aprendido en una tarea a otra relacionada.
IA generativa
La IA generativa se refiere a modelos de aprendizaje profundo que crean contenido original y complejo, como texto largo, imágenes de alta calidad, vídeo o audio realista, a partir de una petición del usuario. Codifican una representación simplificada de sus datos de entrenamiento y la usan para crear obras similares, pero no idénticas. Su auge coincide con tres tipos de modelos:
- Autocodificadores variacionales (VAE), de 2013, que generan distintos tipos de contenido a partir de una instrucción.
- Modelos de difusión, de 2014, que añaden «ruido» a las imágenes hasta hacerlas irreconocibles y luego lo eliminan para generar imágenes originales.
- Transformadores, entrenados con datos secuenciales para generar secuencias largas (palabras, formas, fotogramas, código); son el núcleo de la mayoría de las herramientas generativas actuales.
Cómo funciona la IA generativa
Funciona en tres etapas: entrenamiento, ajuste fino, y generación, evaluación y nuevo ajuste.
- Entrenamiento: se crea un modelo base, normalmente un gran modelo de lenguaje (LLM), entrenando un algoritmo con enormes volúmenes de datos sin etiquetar. Resulta una red con miles de millones de parámetros. Es muy costoso, con miles de GPU y semanas de cálculo, por lo que los proyectos abiertos permiten saltarse este paso.
- Ajuste fino: se adapta el modelo a una tarea concreta con datos etiquetados específicos o con aprendizaje por refuerzo a partir de comentarios humanos (RLHF), donde las personas valoran las respuestas del modelo.
- Generación, evaluación y nuevo ajuste: se evalúan las salidas y se sigue afinando, a veces cada semana, mientras el modelo base se actualiza con menos frecuencia.
Otra opción es la generación aumentada por recuperación (RAG), que amplía el modelo con fuentes más allá de sus datos de entrenamiento para mejorar la precisión.
Agentes de IA e IA agéntica
Un agente de IA es un programa autónomo capaz de realizar tareas y alcanzar objetivos en nombre de un usuario o sistema, diseñando su propio flujo de trabajo y usando herramientas disponibles. La IA agéntica es un sistema de varios agentes coordinados para tareas más complejas. A diferencia de los chatbots, muestran autonomía, orientación a objetivos y adaptación. Una IA generativa puede decirte el mejor momento para un viaje; un agente, además, puede reservar el vuelo y el hotel.
Beneficios de la inteligencia artificial
- Automatizar tareas repetitivas, tanto digitales como físicas, para centrarse en trabajo más creativo.
- Más información de los datos, más rápido.
- Mejor toma de decisiones, con predicciones más rápidas y precisas.
- Menos errores humanos, por ejemplo con cirugía asistida por IA.
- Disponibilidad 24/7 y rendimiento constante.
- Menos riesgos al automatizar tareas peligrosas.
Casos de uso
- Atención al cliente: chatbots y asistentes virtuales con PLN e IA generativa.
- Detección de fraude: análisis de patrones de transacciones para señalar anomalías.
- Marketing personalizado: experiencias y campañas a medida.
- Recursos humanos: selección de currículos y entrevistas iniciales.
- Desarrollo de aplicaciones: generación de código y modernización de sistemas heredados.
- Mantenimiento predictivo: predecir fallos de equipos con datos de sensores.
Desafíos y riesgos
- Riesgos de datos: envenenamiento, manipulación, sesgo y ciberataques.
- Riesgos del modelo: robo, ingeniería inversa y manipulación no autorizada.
- Riesgos operativos: deriva del modelo, sesgo y fallos de gobernanza.
- Riesgos éticos y legales: violaciones de privacidad y resultados sesgados.
Ética y gobernanza de la IA
La ética de la IA estudia cómo maximizar su impacto positivo y minimizar riesgos, mediante un sistema de gobernanza. Sus valores comunes:
- Explicabilidad e interpretabilidad: procesos que permiten entender y confiar en los resultados de un algoritmo.
- Equidad e inclusión: la discriminación estadística es inaceptable cuando otorga ventaja sistemática a unos grupos y perjudica a otros.
- Robustez y seguridad: manejar condiciones excepcionales sin causar daños.
- Responsabilidad y transparencia: responsabilidades claras y usuarios que puedan evaluar el servicio y sus límites.
- Privacidad y cumplimiento: marcos como el RGPD exigen principios de privacidad.
IA débil e IA fuerte
La IA débil (o estrecha) está diseñada para una tarea concreta, como Alexa, Siri o los chatbots. La IA fuerte (inteligencia artificial general, AGI) comprendería, aprendería y aplicaría conocimiento en muchas tareas al nivel humano o superior; hoy es teórica y no se conoce ningún sistema cercano.
Historia de la inteligencia artificial
La idea de una «máquina pensante» se remonta a la antigua Grecia. Con la computación electrónica, estos son los hitos principales:
- 1950: Alan Turing publica «Computing Machinery and Intelligence» y plantea la prueba de Turing.
- 1956: John McCarthy acuña el término «inteligencia artificial».
- 1967: Frank Rosenblatt construye el Mark 1 Perceptron, basado en una red neuronal que aprende por ensayo y error.
- 1980: las redes neuronales con retropropagación se vuelven comunes.
- 1997: Deep Blue de IBM vence al campeón mundial de ajedrez Garry Kasparov.
- 2011: IBM Watson vence a los campeones de Jeopardy!.
- 2016: AlphaGo de DeepMind vence al campeón de Go Lee Sedol.
- 2022: los grandes modelos de lenguaje, como ChatGPT, cambian el rendimiento y las capacidades de la IA.
- Hoy: los modelos multimodales ofrecen experiencias más ricas y los modelos más pequeños también avanzan.
Ahora que dominas los fundamentos de este mundo apasionante, es hora de ponerlos en práctica.
¿Listo para convertir tus palabras en una voz que cautive?
Moknah hoy
Moknah convierte texto en voz natural en más de 130 idiomas, con unas 600 voces en dos motores: Standard, con emociones y dialectos, y Advanced, que diriges describiendo la interpretación con palabras. Para árabe hay tres procesadores de texto: Básico, Tashkeel y AI Poet. Puedes probar estas tecnologías en Moknah: Text to Speech en más de 130 idiomas, Dubbing y Voice Cloning.
Empieza hoy tu viaje por el mundo del contenido de audio.
Prueba Moknah gratis, sin tarjeta: escribe tu texto, elige una voz y escucha el resultado en segundos. Consulta los planes en la página de precios.
Fuente: IBM.COM
Lecturas relacionadas
- ¿Qué es una voz de IA?
- Tecnología de texto a voz
- Explorando el panorama de la IA: opiniones de expertos y aplicaciones prácticas
¿Listo para dar voz a tus textos? Descubre los planes de Moknah