Por qué la IA generativa va a transformar nuestras vidas
Los primeros ordenadores personales. La llegada de Internet y la web. El correo electrónico. Los teléfonos inteligentes. Estas tecnologías cambiaron nuestras vidas convirtiéndose en imprescindibles en el día a día. Nos encontramos de nuevo en ese momento de descubrimiento tecnológico con la inteligencia artificial (IA) y el aprendizaje automático (AM). La IA y el ML son las tecnologías más transformadoras de nuestro tiempo. Por eso, durante más de 20 años, Amazon ha invertido intensamente en el desarrollo de la IA y el ML, infundiendo estas increíbles capacidades en casi todas las unidades de negocio.
Por qué la IA generativa está en el punto de mira
La IA solía ser el dominio de un pequeño grupo de investigadores y data scientists. Hoy en día, no se puede acceder a ningún medio que no tenga una noticia de referencia a la IA y, en concreto, a la IA generativa. Puede resultar sorprendente, pero los conceptos de IA existen desde los años cincuenta.
Entonces, ¿por qué esta tecnología, que lleva décadas gestándose, despierta ahora tanto interés? Sencillamente, la IA ha alcanzado un punto de inflexión gracias a la convergencia del progreso tecnológico y una mayor comprensión de lo que puede lograr. Si a esto le unimos la proliferación masiva de datos, la disponibilidad de una capacidad de computación altamente escalable y el avance de las tecnologías de ML a lo largo del tiempo, el interés por la IA generativa está finalmente tomando forma.
¿Qué es exactamente la IA generativa? ¿Y en qué se diferencia de otras IA?
Aunque se basa en los mismos conceptos, hay una distinción directa entre las técnicas tradicionales de aprendizaje automático de la IA que lleva años poniendose en práctica y la IA generativa. Como su nombre indica, esta última es un tipo de inteligencia artificial que puede crear nuevos contenidos e ideas. Puede ser texto, imágenes, vídeo, voz e incluso código. Como todas las IA, la IA generativa se alimenta de modelos de aprendizaje automáticos, modelos de ML muy grandes que se entrenan previamente con grandes cantidades de datos y que suelen denominarse modelos básicos o foundation models (FM).
Antes de poner a trabajar los MF, las formas tradicionales de aprendizaje automático permitían tomar entradas sencillas, como valores numéricos, y asignarlas a salidas sencillas, como valores predichos.
Con técnicas de ML más avanzadas, especialmente el aprendizaje profundo, es posible hacer entradas algo más complicadas, como vídeos o imágenes, y asignarlas a salidas relativamente sencillas. Se podría buscar una imagen en un flujo de vídeo que incumpliera las directrices o analizar un documento en busca de opiniones. Con este enfoque, se obtiene información sobre los datos que se proporcionan al modelo, pero no se genera nada nuevo. Con la IA generativa, se pueden aprovechar grandes cantidades de datos y crear nuevos contenidos de todo tipo en el proceso.
Los modelos tradicionales de ML también tienden a ser específicos para cada tarea. Por ejemplo, para hacer traducciones con un modelo de aprendizaje profundo habría que acceder a montones de datos específicos relacionados con servicios de traducción para aprender a traducir del español al alemán. El modelo solo haría el trabajo de traducción, pero no podría, por ejemplo, pasar a generar recetas de paella en alemán. Podría traducir una receta de paella del español al alemán que ya existe, pero no crear una nueva.
Un unicornio en la playa al atardecer
Ahora, con la IA generativa, todo el mundo puede utilizarla sin necesidad de preparar los datos manualmente. Los grandes modelos que impulsan las aplicaciones de IA generativa -esos modelos básicos- se construyen utilizando una arquitectura de red neuronal llamada "Transformer". Llegó a los círculos de la IA alrededor de 2017, y reduce significativamente el proceso de desarrollo.
Con la arquitectura Transformer, los modelos de IA generativa se pueden preentrenar en cantidades masivas de datos no etiquetados de todo tipo: texto, imágenes, audio, etc. No es necesario preparar los datos manualmente y, gracias a la enorme cantidad de preentrenamiento, los modelos pueden utilizarse de inmediato para una amplia variedad de tareas generalizadas. Es como la navaja suiza de la inteligencia artificial.
Un modelo puede aprender en la fase de preentrenamiento, por ejemplo, qué es una puesta de sol, qué aspecto tiene una playa y cuáles son las características particulares de un unicornio. Con un modelo diseñado para tomar texto y generar una imagen, no sólo se puede pedir imágenes de puestas de sol, playas y unicornios, sino que se puede hacer que el modelo genere una imagen de un unicornio en la playa al atardecer. Y con cantidades relativamente pequeñas de datos etiquetados, se puede adaptar el mismo modelo básico a dominios o sectores concretos.
Aplicaciones de la IA Generativa en empresas y organizaciones
La capacidad de personalizar un MF preentrenado para cualquier tarea con solo una pequeña cantidad de datos etiquetados es lo más revolucionario de la IA generativa. También es la razón por la que la IA generativa no está en los consumidores, sino en transformar todos los aspectos del funcionamiento de las empresas y organizaciones y la forma en que atienden a sus clientes.
En la atención sanitaria, el mundo jurídico, el negocio de suscripción de hipotecas, la creación de contenidos, el servicio de atención al cliente, etc., se prevé que los modelos de IA generativa sintonizados por expertos desempeñarán un papel importante.
Por ejemplo, la IA se podría aplicar al procesamiento automatizado de documentos para que simplificara y agilizara la declaración de la renta y que la solicitud de una hipoteca fuera un proceso sencillo que durara días, no semanas.
¿Y si las conversaciones con un profesional sanitario no sólo se transcribieran y anotaran en lenguaje llano, sino que ofrecieran al médico posibles tratamientos y las últimas investigaciones? ¿Y si se pudiera explorar el diseño de un nuevo producto, optimizando su sostenibilidad, coste y precio con sencillas instrucciones? Todo esto no sólo es posible, sino probable con la IA generativa.
Está surgiendo un patrón en la forma en que la IA generativa aparecerá en las empresas a través de cuatro modalidades principales:
Mejora de la experiencia del cliente a través de funciones como: chatbots, asistentes virtuales, centros de contacto inteligentes, personalización y moderación de contenidos.
Aumentar la productividad de los empleados con la búsqueda conversacional, el resumen de texto y la generación de código, entre otros.
Producir todo tipo de contenidos creativos, desde arte y música hasta texto, imágenes, animaciones y vídeo.
Mejorar de las operaciones empresariales con procesamiento inteligente de documentos, asistentes de mantenimiento, control de calidad e inspección visual, y generación de datos sintéticos de formación.
La clave está en elegir las herramientas de IA correctas y combinarlas con el nivel adecuado de juicio y experiencia humana. Estos modelos no van a sustituir al hombre, sólo hacerlo más productivo. Y lo que es más importante, estos modelos deben ajustarse a sus datos de forma segura para que, al final, se adapten a las necesidades de su organización. Sus datos son el elemento diferenciador y el ingrediente clave para crear productos extraordinarios, experiencias de cliente o mejorar las operaciones empresariales.
Fuente: Aboutamazon
