Hablar de lnteligencia Artificial (IA) se ha vuelto tan frecuente que, la mayoría de las veces, pasamos por alto el uso de los conceptos. La sociedad está maravillada con lo que puede hacer con herramientas como ChatGPT, DALL-E o Gemini que se olvida de explorar las bases. No es algo que debamos permitirnos, especialmente, porque las tecnologías basadas en IA definirán el futuro en varias de las aristas. Por tal motivo, esta vez vamos a enfocarnos en explicar qué es la IA generativa y cómo funciona.
Aunque varias personas usan los términos de manera indistinta, no es correcto. Toda IA generativa es IA, pero no toda IA es IA generativa. En pocas palabras, la primera de ellas es una subcategoría que tiene como objetivo la generación de contenido en sus diferentes formatos. Si lo analizamos detenidamente, las herramientas de IA que gozan de mayor popularidad en la actualidad entran dentro de este costal. A estas alturas del partido, es probable que estés familiarizado con el uso de varias de ellas debido a que aportan mucho valor a ciertos procesos.
La IA generativa es una forma de IA relativamente nueva. Lo mismo se puede decir de su popularidad entre la sociedad en general. Este episodio puede encontrarse en la línea del tiempo con la liberación del primer chatbot de IA generativa pensado para el consumidor, el cual llegó a finales de 2022. A mediados del año siguiente, un reporte de Mckinsey & Company estimó que las IA generativas tienen el potencial de añadir entre 6.1 y 7.9 trillones de dólares anuales a la economía global debido a su impacto en la productividad. Hablaremos de eso más adelante en el apartado de beneficios y riesgos de la IA generativa.
Definición de IA generativa
Cuando comenzamos a estudiar un tema nuevo, una práctica conveniente es partir de definiciones concretas y claras. Entender los conceptos es una etapa indispensable antes de construir un cúmulo de conocimientos. La complejidad de esta tarea está en que no existen definiciones universales, por lo que el reto se encuentra en encontrar la definición o estructurar una que sea integral y que tenga la menor cantidad posible de brechas.
La definición que deseamos dejar sobre la mesa es la siguiente (construida a partir de las aportaciones de IBM y Oracle):
“La Inteligencia Artificial Generativa es una subcategoría de la IA que tiene la capacidad de crear contenido original, tales como texto, imágenes, audio, video o código de software, como respuesta a la solicitud o requerimiento de un usuario”.
Los atributos en común con la IA es que ambas dependen de grandes cantidades de datos para su entrenamiento y la toma de decisiones. Aprenden de patrones hallados en los datos, utilizando esa información para realizar predicciones y adaptar su propia actividad. Otro rasgo común es que pueden mejorar con el paso del tiempo mediante el ajuste de parámetros debido a la retroalimentación de los resultados o al ingreso de información nueva.
¿Cuáles son las diferencias? En el caso de la IA tradicional, los sistemas o herramientas están diseñados para ejecutar tareas específicas a un costo menor que si las realizara un ser humano. Por ejemplo, identificación de fraudes bancarios, análisis y reconocimiento de rostros, o sistemas de manejo autónomo. En el caso de la IA generativa, la finalidad es crear contenido nuevo y original que no pueda hallarse de forma similar en las bases de datos utilizadas para su entrenamiento.
¿Cómo funciona la IA generativa?
Después de conocer qué es la IA generativa, llegó el momento de explorar su funcionamiento. Una vez que sepamos identificar cómo trabaja una herramienta de IA, resultará más sencillo saber si se trata de IA generativa tradicional o IA generativa. Hasta ahora, lo único que sabemos es que las dos requieren de enormes cantidades de datos para su entrenamiento.
Entrenamiento de la IA generativa
Los sistemas y herramientas de IA generativa utilizan un proceso de computación conocido como Deep Learning (Aprendizaje Profundo) para analizar altos volúmenes de datos e identificar patrones. Esta etapa tiene varios subprocesos que vale la pena conocer de forma general.
- Definir del objetivo. Es el primer paso para el entrenamiento de una AI generativa. Los desarrolladores deben determinar con claridad el objetivo. Como guía, es necesario responder con límites bien establecidos a preguntas básicas como qué tipo de contenido quieres que genere tu modelo o herramienta de IA. Por ejemplo, ¿quieres que produzca imágenes, texto o audio? Es una etapa fundamental para asegurarnos de que el modelo producirá el resultado deseado.
- Preparar los datos. Los modelos de IA generativa requieren de grandes cantidades de datos. Tanto la cantidad como la calidad son importantes. Los desarrolladores tienen que recolectar datos diversos que vayan alineados con el objetivo.
- Elegir la arquitectura adecuada del modelo. Existen diferentes arquitecturas de modelos disponibles, como las Generative Adversarial Networks (GANs), las Variational Autoenconters (VAEs), y las Transformers. Como lo explica bien el sitio web Medium en el artículo escrito por Stephen Amell, cada una de ellas tiene características propias, así como sus fortalezas y debilidades. Es importante escoger la que mejor se adapte a tus objetivos.
- Implementar el modelo. El siguiente paso es implementar la arquitectura del modelo. Durante esta fase, los desarrolladores escriben el código para crear la red neuronal, estructurando capas y las conexiones entre ellas.
- Entrenar el modelo. La fase de entrenamiento consiste en insertar los datos elegidos al modelo, realizando ajustes a los parámetros. Esto se ejecuta con el objetivo de minimizar las diferencias entre el resultado obtenido y el deseado. Es la etapa que requiere una mayor cantidad de recursos computacionales y absorbe mucho tiempo. Lo anterior dependerá de la complejidad del modelo y el tamaño de las bases de datos.
- Evaluar y optimizar. Al concluir el entrenamiento del modelo, el desarrollador tiene que evaluar su funcionamiento. Mediante métricas establecidas, se realizan comparaciones detalladas entre los resultados deseados y los conseguidos. También es importante identificar las áreas de mejora para el ajuste constante del modelo mediante la introducción de nuevos datos, incorporando la retroalimentación de los usuarios o perfeccionando el proceso de entrenamiento.
Solicitud de los usuarios
Los sistemas de IA generativa crean el contenido basado en las solicitudes y los prompts introducidos por el usuario. Dependiendo de la herramienta utilizada, lo realizará a partir de la introducción de texto libre o mediante prompts específicos. Por ejemplo, existen tecnologías que utilizan parámetros en lugar de indicaciones de texto libre.
Generación del contenido
Una vez que la IA generativa recibe la solicitud del usuario, recurre al aprendizaje automático para crear el contenido original. Dado que la herramienta aprendió componentes, patrones y estructuras durante la fase de entrenamiento, puede generar contenido similar pero original. Dependiendo de la arquitectura elegida para el modelo, varía la generación de contenido. Por ejemplo:
- Modelos de Lenguaje Grande (LLMs). Son algoritmos que usan grandes conjuntos de datos para la predicción del siguiente resultado dentro de un fragmento de contenido. Actualmente, son muy populares debido a que se emplean en herramientas de generación de contenido textual.
- Redes Generativas Antagónicas (GANs). Sistemas de aprendizaje profundo que usan dos redes neuronales en competencia para producir nuevos resultados. Se usan con frecuencia para la generación de contenido visual o de audio.
- Autocodificadores variacionales (VAEs). Son sistemas de redes neuronales que codifican y decodifican la entrada para crear una nueva salida. Este tipo de arquitectura se emplea para generar contenido visual o código.
Historia y evolución de la IA generativa
Para comprender el estado actual de la IA generativa, no solo tenemos que saber qué es. Una revisión histórica aporta información valiosa para saber cómo llegamos hasta aquí e, incluso, establecer las perspectivas hacia el futuro.
La historia de la IA generativa está vinculada al devenir mismo de las ciencias computacionales. Desde el desarrollo de las primeras máquinas, los científicos se avocaron a la misión de construir computadoras tan inteligentes como los humanos. Este grupo solo ha crecido en número con el paso de los años. Dentro del campo de la IA, el objetivo compartido es crear máquinas que sean capaces de ejecutar tareas que normalmente requieren de inteligencia humana.
Las formas más tempranas de IA generativa fueron sistemas basados en reglas para generar contenido sin salirse de ese marco. Por ende, existían limites visibles y claros en términos de creatividad. Solo podían producir resultados para los que estaban explícitamente programados por sus desarrolladores.
Al estudiar la historia de la IA generativa, pasamos de forma inevitable por el Test de Turing, el cual fue presentado en la década de 1950. Consiste en una prueba para evaluar la capacidad de una máquina de generar respuestas de texto dentro de una conversación. Si un tercero ajeno a una interacción entre un humano y la computadora era incapaz de detectar a la máquina, se daba por hecho que la computadora había superado la prueba.
Otro evento clave fue el desarrollo del programa ELIZA por parte de Joseph Weizenbaum. Este sistema podía comunicarse con un humano en conversaciones de texto con respuestas empáticas. Los avances logrados entre los años 1980 y 2010 en áreas como el Machine Learning ampliaron las posibilidades. Destacan la implementación de redes neuronales recurrentes y las redes de memoria a corto y a largo plazo.
En 2014, la IA generativa dio un salto importante que, sin duda, definió el momento en el que nos encontramos. Se trata de la introducción de las Redes Generativas Antagónicas por Ian Goodgellow y otros científicos. La confrontación entre dos redes neuronales ayudó a mejorar la calidad de los resultados, ya que estos eran notablemente más realistas. Estas han sido utilizadas para generar imágenes, videos y otros tipos de contenidos multimedia más apegados a la realidad.
Posteriormente, aparecieron otras arquitecturas conocidas como los Autocodificadores Variacionales y los Modelos de Lenguaje Grandes. Dentro de estos últimos, se encuentra la serie Generative Pre-trained Transformer (GPT), lo que inició a través de una compañía llamada OpenAI en el 2018.
Durante los últimos años, los avances en el campo han derivado en el surgimiento de otras clases de modelos de IA generativa, los cuales son capaces de producir contenido de alta calidad.
Aplicaciones de la IA generativa
Saber qué es la IA generativa y cómo funciona abona mucho a la interacción de los usuarios con las diferentes herramientas. Precisamente, vamos a detenernos a analizar cuáles son las aplicaciones de este tipo de IA. La razón de su popularidad reside en su amplio catálogo de aplicaciones, tanto para el uso profesional como personal y el entretenimiento. Actualmente, la IA generativa se encuentra en la mayoría de las industrias.
De forma general, la IA generativa está presente en distintas tareas y actividades. Los usos más comunes son:
- Traducción
- Escritura creativa, académica y de negocios
- Escritura de código
- Composición y escritura de canciones
- Doblaje
- Dictado y transcripción
- Reconocimiento de voz y habla
- Ilustración
- Infografías
- Modelado 3D
- Edición de imágenes
- Representación arquitectónica
Aplicaciones de IA generativa por industria
Sector salud y farmacéutico
La IA generativa está ganando terreno dentro de las ciencias médicas y el sector farmacéutico. Contribuye al descubrimiento y desarrollo de nuevos medicamentos, pero también a la personalización de los tratamientos para los pacientes.
De acuerdo con los expertos del área, estas tecnologías tienen un potencial enorme para mejorar las imágenes médicas. Existen estudios que prevén que el 30% de los nuevos medicamentos creados por investigadores en 2025 estén basados en los principios del diseño generativo.
Los médicos y profesionales de la salud usan están IA generativa para obtener resúmenes de información sobre el paciente, crear transcripciones de notas verbales y encontrar registros médicos de manera más efectiva que a través de una búsqueda manual.
Publicidad y Marketing
Un campo donde la IA generativa ha crecido exponencialmente es en la Publicidad y el Marketing. Los profesionales del sector utilizan herramientas para la generación de textos e imágenes de forma rápida, efectiva y precisa para usar tales elementos en sus campañas. De igual manera, se estima que los trabajadores creativos del área usarán la IA generativa en el 30% de sus materiales de Onbound Marketing para 2025.
Los motores de búsqueda utilizan los avances en IA generativa para crear recomendaciones personalizadas para los usuarios o internautas. Otro uso popular de estas herramientas es la generación de descripciones de productos, aunado a su integración para actividades de posicionamiento SEO. Es bastante común que los creadores de contenido empleen herramientas de IA generativa para mejorar el ranking del contenido multimedio que comparten en redes sociales y la web.
Manufactura y producción
Las industrias están usando cada vez más sistemas de IA generativa para encontrar maneras de mejorar la eficiencia de sus cadenas de producción y ejecutar planes de mantenimiento. Gracias a ella, los ingenieros pueden crear cadenas de suministro y manufactura que son más resilientes.
Los ingenieros y los responsables de proyectos pueden transitar con mayor agilidad por los procesos de diseño. El rastreo efectivo y oportuno del uso del equipamiento pesado ayuda a poner en marcha planes de mantenimiento adecuados. Así es como las empresas evitan costos mayores por inconvenientes en la producción causados por descomposturas o desperfectos. Varias empresas de manufactura adoptan calendarios generados por IA para el mantenimiento periódico de sus equipos y máquinas.
Entretenimiento y creación de contenido
Quizá esta sea el uso más conocido de la IA generativa en la actualidad. Desde empresas hasta creadores de contenido adoptaron estas tecnologías con gran entusiasmo.
Cualquier compañía o persona puede usar herramientas de este tipo para crear un video, una imagen o un texto a partir de una serie de indicaciones. Los procesos de edición requieren mucho menos tiempo, ya que no se invierte tanto en la integración de efectos especiales, la incorporación de gráficos o la edición del audio.
Desarrollo de software
La IA generativa ha derivado en herramientas para crear y optimizar el código de software en menos tiempo. A su vez, reduce la necesidad de conocer a profundidad los principios y bases de programación para generar aplicaciones o programas personalizados.
Los desarrolladores pueden usar estos sistemas para mejorar sus procesos de prueba automatizados. Gracias a ello, se identifican a tiempo problemas potenciales u oportunidades de optimización.
Impacto de IA generativa
Beneficios de la IA generativa
La IA generativa continúa en fase de expansión y evolución. Las herramientas que utilizamos hoy en día serán muy diferentes a las que emplearemos en uno, dos o tres años…nadie lo sabe. Este tipo de IA ofrece numerosos beneficios, entre los que se encuentran:
- La automatización promovida a través del uso de IA generativa mejora la productividad de forma notable y significativa.
- Estas herramientas reducen las barreras de tiempo y habilidades para ejecutar trabajos de carácter creativo. Gracias a estas tecnologías, los emprendedores o líderes de negocio pueden satisfacer su necesidad de generar contenido creativo, único y original.
- La IA generativa aumenta la capacidad de análisis de información de los negocios y las personas. Esto se debe a que permite extraer, analizar e interpretar grandes cantidades de datos para obtener la información más importante, trascendental o estratégica.
- Esta clase de tecnologías es capaz de atravesar cualquier industria, incluyendo aquellas que tienen un alto componente creativo.
Riesgos y amenazas de la IA generativa
La euforia que existe alrededor de las herramientas de IA generativa conlleva muchas veces a obviar o ignorar los riesgos. El uso extendido de chatbots como ChatGPT en la redacción de textos, la codificación de texto y la creación de contenido multimedia ha facilitado los trabajos de muchos profesionales. Sin embargo, es necesario poner atención a los riesgos que derivan del uso de estas herramientas. No son perfectas, y entre más pronto lo entendamos, haremos un uso mucho más certero y responsable.
En este caso, nos gusta el enfoque de Avivah Litan, analista de Gartner, para identificar los riesgos y amenazas vinculados a la IA generativa.
- Alucinaciones. Este concepto se refiere a los errores a los que son propensos los modelos de IA. Pese a que se ha logrado un enorme avance en el campo, todavía no son humanos ni producen información totalmente fiable. Las brechas en los datos usados para el entrenamiento de la IA generativa, así como las deficiencias en otras etapas, pueden derivar en esta clase de alucinaciones.
- Creación de Deepfakes. Los avances en IA generativa han ocasionado un incremento salvaje de deepfakes. Este concepto alude al material multimedia asociado de manera ilegal a una personalidad (generalmente pública) mediante la falsificación de su voz o imagen. La proliferación de esta práctica agrava otras problemáticas, tales como las violaciones a la privacidad, daños a la reputación, estafas virtuales y campañas de desinformación.
- Violación a la Privacidad de Datos. La IA generativa requiere de grandes cantidades de datos para su entrenamiento. Pero ¿de dónde provienen esos datos? Esa pregunta es una de las mayores preocupaciones de los expertos y la población en general. Actualmente, es común ver cómo se demandan entre empresas por el uso de material con derechos de autor o bases de datos con información privada de usuarios para el desarrollo de estas tecnologías.
- Amenazas de Ciberseguridad. Con herramientas de IA generativa, los delincuentes cibernéticos disponen de mayores recursos para generar código malicioso. Esta clase de aplicaciones eleva de manera significativa el riesgo de ser víctima de un ataque cibernético, estafa o fraude.
- Problemas de Derechos de Autor. Otra problemática que va de la mano al uso extendido de la IA generativa es la violación constante a los derechos de autor. El uso no autorizado de datos, imágenes, audios o videos es un delito. El problema es que muchas veces las compañías, incluida OpenAI, no revelan de donde obtuvieron los datos para entrenar a sus modelos de IA generativa.
El futuro de la IA generativa
Tratar de predecir el futuro de la IA es como lanzar un dardo con una venda en los ojos. Sin embargo, existen algunas líneas que nos indican hacia dónde se dirigen las cosas. El cofundador de DeepMind, Mustafa Suleyman, cree que el siguiente paso es la IA Interactiva. Esta idea apunta a chatbots que no solo tienen la habilidad de chatear y conversar con los usuarios, sino que también pueden realizar tareas completas y complejas gracias a la delegación directa a otros softwares. ¿Te imaginas la posibilidad de completar la tarea con solo una instrucción al chatbot?
¡Vamos con un ejemplo práctico! Imagina que quieres que la IA generativa realice la reserva de una habitación en un hotel 5 estrellas para un periodo determinado de días, pero al mismo tiempo compre los tickets de los vuelos para el destino con dos días de anticipación, todo ello dándole prioridad a los precios más asequibles. Sobre el papel, la IA Interactiva ayudaría a la realización de la tarea completa solo con las instrucciones correctas.
La predicción del experto en IA, la cual podemos leer en este artículo de Forbes, incluye robots equipados con IA generativa. Esta innovación aumentará el catálogo de tareas que podrán realizar las máquinas, por lo que la automatización dentro de las empresas llegaría a un nuevo nivel.
En el corto plazo, la IA generativa tendrá un mayor impacto en los trabajos que requieren de toma de decisiones y colaboración, incluyendo sectores como la educación, el derecho, la tecnología y las artes. Asimismo, los expertos anticipan que las herramientas basadas en esta tecnología mejorarán la productividad laboral, lo que permitirá a su vez que los trabajadores se enfoquen en tareas más satisfactorias.
