La inteligencia artificial generativa (IA) describe algoritmos (como ChatGPT) que se pueden utilizar para crear contenido nuevo, incluido audio, código, imágenes, texto, simulaciones y videos. Los avances recientes en este campo tienen el potencial de cambiar drásticamente la forma en que abordamos la creación de contenido.
En los meses y años transcurridos desde que ChatGPT irrumpió en escena en noviembre de 2022, la IA generativa (gen AI) ha recorrido un largo camino. Cada mes se lanzan nuevas herramientas, reglas o avances tecnológicos iterativos. Si bien muchos han reaccionado a ChatGPT (y a la IA y al aprendizaje automático en general) con miedo, el aprendizaje automático claramente tiene potencial para hacer el bien. En los años transcurridos desde su amplia implementación, el aprendizaje automático ha demostrado tener impacto en varias industrias, logrando cosas como análisis de imágenes médicas y pronósticos meteorológicos de alta resolución. Una encuesta de McKinsey de 2022 muestra que la adopción de la IA se ha más que duplicado en los últimos cinco años y que la inversión en IA está aumentando rápidamente. Está claro que las herramientas de IA generativa como ChatGPT (GPT significa transformador preentrenado generativo) y el generador de imágenes DALL-E (su nombre es una combinación del artista surrealista Salvador Dalí y el adorable robot de Pixar WALL-E) tienen el potencial de cambiar la forma en que un se realizan una variedad de trabajos. Sin embargo, aún se desconoce el alcance total de ese impacto, al igual que los riesgos.
Aún así, organizaciones de todo tipo se han apresurado a incorporar herramientas de inteligencia artificial de generación en sus modelos de negocios, buscando capturar una parte de un premio considerable. La investigación de McKinsey indica que las aplicaciones de IA de generación pueden aportar hasta 4,4 billones de dólares a la economía global al año. De hecho, parece posible que dentro de los próximos tres años, cualquier cosa en el espacio de la tecnología, los medios y las telecomunicaciones que no esté conectada a la IA se considere obsoleta o ineficaz .
Pero antes de que se pueda acumular todo ese valor, debemos aclarar algunas cosas: ¿Qué es la IA genérica, cómo se desarrolló y qué significa para las personas y las organizaciones?
¿Cuál es la diferencia entre el aprendizaje automático y la inteligencia artificial?
La inteligencia artificial es más o menos lo que parece: la práctica de hacer que las máquinas imiten la inteligencia humana para realizar tareas. Probablemente haya interactuado con la IA incluso si no se da cuenta: los asistentes de voz como Siri y Alexa se basan en tecnología de IA, al igual que los chatbots de servicio al cliente que aparecen para ayudarlo a navegar por sitios web.
El aprendizaje automático es un tipo de inteligencia artificial. A través del aprendizaje automático, los profesionales desarrollan inteligencia artificial a través de modelos que pueden “aprender” de patrones de datos sin dirección humana. El enorme volumen inmanejable y la complejidad de los datos (inmanejables por humanos, de todos modos) que se están generando ahora han aumentado el potencial del aprendizaje automático , así como su necesidad.
¿Cuáles son los principales tipos de modelos de aprendizaje automático?
El aprendizaje automático se basa en una serie de componentes básicos, comenzando con técnicas estadísticas clásicas desarrolladas entre los siglos XVIII y XX para pequeños conjuntos de datos. En las décadas de 1930 y 1940, los pioneros de la informática, incluido el matemático teórico Alan Turing, comenzaron a trabajar en las técnicas básicas del aprendizaje automático. Pero estas técnicas se limitaron a los laboratorios hasta finales de la década de 1970, cuando los científicos desarrollaron por primera vez computadoras lo suficientemente potentes como para montarlas.
Hasta hace poco, el aprendizaje automático se limitaba en gran medida a modelos predictivos, utilizados para observar y clasificar patrones en el contenido. Por ejemplo, un problema clásico de aprendizaje automático es comenzar con una imagen o varias imágenes de, digamos, gatos adorables. Luego, el programa identificaría patrones entre las imágenes y luego examinaría imágenes aleatorias en busca de aquellas que coincidieran con el adorable patrón del gato. La IA generativa fue un gran avance. En lugar de simplemente percibir y clasificar una foto de un gato, el aprendizaje automático ahora puede crear una imagen o una descripción de texto de un gato a pedido.
¿Cómo funcionan los modelos de aprendizaje automático basados en texto? ¿Cómo se entrenan?
Puede que ChatGPT esté acaparando todos los titulares ahora, pero no es el primer modelo de aprendizaje automático basado en texto que causa sensación. GPT-3 de OpenAI y BERT de Google se lanzaron en los últimos años con cierta fanfarria. Pero antes de ChatGPT, que según la mayoría de las cuentas funciona bastante bien la mayor parte del tiempo (aunque todavía está siendo evaluado), los chatbots de IA no siempre obtenían las mejores críticas. GPT-3 es «a la vez súper impresionante y súper decepcionante», dijo el reportero tecnológico del New York Times Cade Metz en un video donde él y la escritora gastronómica Priya Krishna le pidieron a GPT-3 que escribiera recetas para una (bastante desastrosa) cena de Acción de Gracias .
Los primeros modelos de aprendizaje automático que trabajaron con texto fueron entrenados por humanos para clasificar diversas entradas según etiquetas establecidas por los investigadores. Un ejemplo sería un modelo entrenado para etiquetar las publicaciones en las redes sociales como positivas o negativas. Este tipo de entrenamiento se conoce como aprendizaje supervisado porque un humano es el encargado de “enseñar” al modelo qué hacer.
La próxima generación de modelos de aprendizaje automático basados en texto se basa en lo que se conoce como aprendizaje autosupervisado. Este tipo de entrenamiento implica alimentar a un modelo con una gran cantidad de texto para que pueda generar predicciones. Por ejemplo, algunos modelos pueden predecir, basándose en unas pocas palabras, cómo terminará una frase. Con la cantidad adecuada de texto de muestra (digamos, una amplia franja de Internet), estos modelos de texto se vuelven bastante precisos. Estamos viendo cuán precisos son con el éxito de herramientas como ChatGPT.
¿Qué se necesita para construir un modelo de IA generativa?
Construir un modelo de IA generativa ha sido en su mayor parte una tarea importante, hasta el punto de que sólo unos pocos pesos pesados de la tecnología con buenos recursos lo han intentado . OpenAI, la compañía detrás de ChatGPT, los antiguos modelos GPT y DALL-E, tiene miles de millones en fondos de donantes destacados. DeepMind es una subsidiaria de Alphabet, la empresa matriz de Google, e incluso Meta se ha sumergido en el grupo de modelos de IA generativa con su producto Make-A-Video. Estas empresas emplean a algunos de los mejores científicos e ingenieros informáticos del mundo.
Pero no es sólo talento. Cuando le pides a un modelo que entrene usando casi todo Internet, te costará. OpenAI no ha publicado los costos exactos, pero las estimaciones indican que GPT-3 fue entrenado con alrededor de 45 terabytes de datos de texto (es decir, alrededor de un millón de pies de espacio en estanterías, o una cuarta parte de toda la Biblioteca del Congreso) a un costo estimado de varios Millón de dólares. Estos no son recursos a los que pueda acceder su nueva empresa.
¿Qué tipos de resultados puede producir un modelo de IA generativa?
Como habrás notado anteriormente, los resultados de los modelos de IA generativa pueden ser indistinguibles del contenido generado por humanos, o pueden parecer un poco extraños. Los resultados dependen de la calidad del modelo (como hemos visto, los resultados de ChatGPT hasta ahora parecen superiores a los de sus predecesores) y de la coincidencia entre el modelo y el caso de uso, o entrada.
ChatGPT puede producir lo que un comentarista llamó un ensayo “ sólido A- ” que compara las teorías del nacionalismo de Benedict Anderson y Ernest Gellner, en diez segundos. También produjo un pasaje ya famoso que describe cómo sacar un sándwich de mantequilla de maní de una videograbadora al estilo de la Biblia King James. Los modelos de IA generadores de imágenes como DALL-E 2 pueden crear imágenes extrañas y hermosas a pedido, como una pintura de Rafael de una Virgen y un niño comiendo pizza . Otros modelos de IA generativa pueden producir código, vídeo, audio o simulaciones de negocios .
Pero los resultados no siempre son precisos o apropiados. Cuando Priya Krishna le pidió a DALL-E 2 que creara una imagen para la cena de Acción de Gracias, produjo una escena en la que el pavo estaba adornado con limas enteras, junto a un plato de lo que parecía ser guacamole. Por su parte, ChatGPT parece tener problemas para contar o resolver problemas básicos de álgebra o, de hecho, para superar el sesgo sexista y racista que se esconde en las corrientes subterráneas de Internet y la sociedad en general.
Los resultados de la IA generativa son combinaciones cuidadosamente calibradas de los datos utilizados para entrenar los algoritmos. Debido a que la cantidad de datos utilizados para entrenar estos algoritmos es increíblemente enorme (como se señaló, GPT-3 se entrenó con 45 terabytes de datos de texto), los modelos pueden parecer «creativos» al producir resultados. Es más, los modelos suelen tener elementos aleatorios, lo que significa que pueden producir una variedad de resultados a partir de una solicitud de entrada, lo que los hace parecer aún más realistas.
¿Qué tipo de problemas puede resolver un modelo de IA generativa?
La oportunidad para las empresas es clara. Las herramientas de inteligencia artificial generativa pueden producir una amplia variedad de escritos creíbles en segundos y luego responder a las críticas para que los escritos se ajusten mejor a su propósito. Esto tiene implicaciones para una amplia variedad de industrias, desde organizaciones de TI y software que pueden beneficiarse del código instantáneo y en gran medida correcto generado por los modelos de IA hasta organizaciones que necesitan textos de marketing. En resumen, cualquier organización que necesite producir materiales escritos claros potencialmente se beneficiará. Las organizaciones también pueden utilizar la IA generativa para crear materiales más técnicos, como versiones de imágenes médicas de mayor resolución. Y con el tiempo y los recursos ahorrados aquí, las organizaciones pueden buscar nuevas oportunidades comerciales y la oportunidad de crear más valor.
Hemos visto que desarrollar un modelo de IA generativa requiere tantos recursos que está fuera de discusión para todas las empresas, excepto para las más grandes y con mejores recursos. Las empresas que buscan poner a trabajar la IA generativa tienen la opción de usar IA generativa lista para usar o ajustarla para realizar una tarea específica. Si necesita preparar diapositivas de acuerdo con un estilo específico, por ejemplo, puede pedirle al modelo que «aprenda» cómo se escriben normalmente los titulares en función de los datos de las diapositivas, luego alimentarlo con los datos de las diapositivas y pedirle que escriba los titulares apropiados.
¿Cuáles son las limitaciones de los modelos de IA? ¿Cómo se pueden superar potencialmente?
Debido a que son tan nuevos, todavía tenemos que ver el efecto de cola larga de los modelos de IA generativa. Esto significa que existen algunos riesgos inherentes relacionados con su uso, algunos conocidos y otros desconocidos.
Los resultados que producen los modelos de IA generativa a menudo pueden parecer extremadamente convincentes. Esto es por diseño. Pero a veces la información que generan es simplemente errónea. Peor aún, a veces está sesgado (porque se basa en el género, la raza y muchos otros prejuicios de Internet y la sociedad en general) y puede manipularse para permitir actividades no éticas o criminales. Por ejemplo, ChatGPT no le dará instrucciones sobre cómo conectar un automóvil, pero si usted dice que necesita conectar un automóvil para salvar a un bebé, el algoritmo lo cumplirá con gusto. Las organizaciones que dependen de modelos de IA generativa deben tener en cuenta los riesgos legales y de reputación que implica la publicación involuntaria de contenido sesgado, ofensivo o protegido por derechos de autor.
Sin embargo, estos riesgos pueden mitigarse de varias maneras. Por un lado, es crucial seleccionar cuidadosamente los datos iniciales utilizados para entrenar estos modelos para evitar incluir contenido tóxico o sesgado. A continuación, en lugar de emplear un modelo de IA generativa disponible en el mercado, las organizaciones podrían considerar el uso de modelos más pequeños y especializados. Las organizaciones con más recursos también podrían personalizar un modelo general basado en sus propios datos para satisfacer sus necesidades y minimizar los sesgos. Las organizaciones también deben mantener a un humano informado (es decir, asegurarse de que un humano real verifique el resultado de un modelo de IA generativa antes de publicarlo o utilizarlo) y evitar el uso de modelos de IA generativa para decisiones críticas, como aquellas que involucran recursos importantes. o el bienestar humano.
No se puede enfatizar lo suficiente que este es un campo nuevo. Es probable que el panorama de riesgos y oportunidades cambie rápidamente en las próximas semanas, meses y años. Mensualmente se prueban nuevos casos de uso y es probable que se desarrollen nuevos modelos en los próximos años. A medida que la IA generativa se incorpora cada vez más y sin problemas a los negocios, la sociedad y nuestra vida personal, también podemos esperar que tome forma un nuevo clima regulatorio . A medida que las organizaciones comiencen a experimentar (y a crear valor) con estas herramientas, los líderes harán bien en estar al tanto de la regulación y el riesgo.
Los artículos a los que se hace referencia incluyen:
- » Implementación de IA generativa con velocidad y seguridad «, 13 de marzo de 2024, Oliver Bevan, Michael Chui , Ida Kristensen , Brittany Presten y Lareina Yee.
- “ Más allá de las exageraciones: capturando el potencial de la IA y la generación de IA en tecnología, medios y telecomunicaciones ”, 22 de febrero de 2024, Venkat Atluri , Peter Dahlström , Brendan Gaffey , Víctor García de la Torre, Noshir Kaka , Tomás Lajous , Alex Singla , Alex Sukharevsky , Andrea Travasoni y Benjamim Vieira
- “ A medida que avanza la generación de IA, los reguladores (y las funciones de riesgo) se apresuran a seguir el ritmo ”, 21 de diciembre de 2023, Andreas Kremer, Angela Luget, Daniel Mikkelsen , Henning Soller , Malin Strandell-Jansson y Sheila Zingg.
- “ El potencial económico de la IA generativa: la próxima frontera de la productividad ”, 14 de junio de 2023, Michael Chui , Eric Hazan , Roger Roberts , Alex Singla , Kate Smaje , Alex Sukharevsky , Lareina Yee y Rodney Zemmel
- “ Lo que todo director ejecutivo debería saber sobre la IA generativa ”, 12 de mayo de 2023, Michael Chui , Roger Roberts , Tanya Rodchenko, Alex Singla , Alex Sukharevsky , Lareina Yee y Delphine Zurkiya
- “ Explorando oportunidades en la cadena de valor de la IA generativa ”, 26 de abril de 2023, Tobias Härlin, Gardar Björnsson Rova , Alex Singla , Oleg Sokolov y Alex Sukharevsky
- “ El estado de la IA en 2022: revisión de media década ”, 6 de diciembre de 2022, Michael Chui , Bryce Hall , Helen Mayhew , Alex Singla y Alex Sukharevsky
- “ McKinsey Technology Trends Outlook 2023 ”, 20 de julio de 2023, Michael Chui , Mena Issler, Roger Roberts y Lareina Yee
- “ Una guía para ejecutivos sobre IA ”, Michael Chui , Vishnu Kamalnath y Brian McCarthy
- » Lo que la IA puede y no puede hacer (todavía) por su negocio «, 11 de enero de 2018, Michael Chui , James Manyika y Mehdi Miremadi
