10 términos de IA que todos deberían conocer
El término «IA» se ha utilizado en informática desde la década de 1950, pero la mayoría de las personas ajenas a la industria no empezaron a hablar de él hasta finales de 2022. Esto se debe a que los avances recientes en el aprendizaje automático condujeron a grandes avances que han comenzado a tener un impacto profundo en casi todos los aspectos de nuestras vidas. Estamos aquí para ayudarles a desglosar algunas de las palabras de moda para que puedan comprender mejor los términos de IA y ser parte de la conversación global.
- Inteligencia artificial
La inteligencia artificial es, de manera sencilla, un sistema informático súper inteligente que puede imitar a los humanos de algunas maneras, como comprender lo que dice la gente, tomar decisiones, traducir entre idiomas, analizar si algo es negativo o positivo e incluso aprender de la experiencia. Es artificial porque su intelecto fue creado por humanos a través de tecnología. A veces la gente dice que los sistemas de IA tienen cerebros digitales, pero no son máquinas físicas ni robots: son programas que se ejecutan en computadoras. Trabajan al poner una amplia colección de datos a través de algoritmos, que son conjuntos de instrucciones, para crear modelos que puedan automatizar tareas que por lo general requieren inteligencia y tiempo humanos. A veces las personas interactúan con un sistema de IA en específico, como pedirle ayuda a Bing Chat con algo, pero lo más frecuente es que la IA funcione en segundo plano a nuestro alrededor, a través de sugerir palabras a medida que escribimos, recomendar canciones en listas de reproducción y brindar información más relevante según nuestras preferencias.
2. Aprendizaje automático
Si el objetivo es la inteligencia artificial, el aprendizaje automático es la forma de llegar allí. Es un campo de la informática, bajo el paraguas de la IA, donde las personas enseñan a un sistema informático cómo hacer algo entrenándolo para identificar patrones y hacer predicciones basadas en ellos. Los datos se ejecutan a través de algoritmos una y otra vez, con diferentes entradas y comentarios cada vez para ayudar al sistema a aprender y mejorar durante el proceso de entrenamiento, como practicar escalas de piano 10 millones de veces para leer música a primera vista en el futuro. Es en especial útil con problemas que de otro modo serían difíciles o imposibles de resolver con técnicas de programación tradicionales, como el reconocimiento de imágenes y la traducción de idiomas. Se necesita una enorme cantidad de datos, y eso es algo que sólo hemos podido aprovechar en los últimos años a medida que se ha digitalizado más información y el hardware de las computadoras se ha vuelto más rápido, más pequeño, más potente y más capaz de procesar toda esa información. Es por eso que de repente han aparecido en escena modelos de lenguaje grande que utilizan el aprendizaje automático, como Bing Chat y ChatGPT.
3. Modelos de lenguaje grande
Los modelos de lenguaje grande, o LLM (por sus siglas en inglés), utilizan técnicas de aprendizaje automático para ayudarlos a procesar el lenguaje para poder imitar la forma en que se comunican los humanos. Se basan en redes neuronales, o NN (por sus siglas en inglés), que son sistemas informáticos inspirados en el cerebro humano, algo así como un conjunto de nodos y conexiones que simulan neuronas y sinapsis. Están capacitados con una gran cantidad de texto para aprender patrones y relaciones en el lenguaje que les ayudan a utilizar palabras humanas. Sus capacidades de resolución de problemas se pueden utilizar para traducir idiomas, responder preguntas en forma de chatbot, resumir textos e incluso escribir historias, poemas y códigos informáticos. No tienen pensamientos ni sentimientos, pero a veces parecen tenerlos, porque han aprendido patrones que les ayudan a responder como lo haría un humano. A menudo, los desarrolladores los perfeccionan mediante un proceso llamado aprendizaje reforzado a partir de comentarios humanos (RLHF, por sus siglas en inglés) para ayudarlos a sonar más conversacionales.
4. IA generativa
La IA generativa utiliza un gran modelo de lenguaje para crear cosas nuevas, no solo regurgitar o proporcionar información sobre cosas existentes. Aprende patrones y estructuras y luego genera algo similar pero nuevo. Puede crear cosas como imágenes, música, texto, vídeos y códigos. Se puede utilizar para crear arte, escribir historias, diseñar productos e incluso ayudar a los médicos con tareas administrativas. Pero también puede ser utilizado por malos actores para crear noticias falsas o imágenes que parecen fotografías pero que no son reales, por lo que las empresas de tecnología han comenzado a trabajar en formas de identificar de manera clara el contenido generado por IA.
5. Alucinaciones
Los sistemas de IA generativa pueden crear historias, poemas y canciones, pero a veces queremos que los resultados se basen en la verdad. Dado que estos sistemas no pueden distinguir entre lo real y lo falso, pueden dar respuestas inexactas a las que los desarrolladores se refieren como alucinaciones o confabulaciones, muy parecidas a si alguien viera lo que parecía el contorno de una cara en la luna y comenzara a decir que había un hombre real en la luna. Los desarrolladores intentan resolver estos problemas mediante la «conexión a tierra», que es cuando proporcionan a un sistema de inteligencia artificial información adicional de una fuente confiable para mejorar la precisión sobre un tema específico. A veces, las predicciones de un sistema también son erróneas si un modelo no tiene información actual después de haber sido entrenado.
6. IA responsable
La IA responsable guía a las personas mientras intentan diseñar sistemas que sean seguros y justos, en todos los niveles, incluido el modelo de aprendizaje automático, el software, la interfaz de usuario y las reglas y restricciones establecidas para acceder a una aplicación. Es un elemento crucial porque estos sistemas a menudo tienen la tarea de ayudar a tomar decisiones importantes sobre las personas, como en educación y atención médica, pero como son creados por humanos y entrenados con datos de un mundo imperfecto, pueden reflejar cualquier sesgo inherente. Una gran parte de la IA responsable implica comprender los datos que se utilizaron para entrenar los sistemas y encontrar formas de mitigar cualquier deficiencia para ayudar a reflejar mejor la sociedad en general, no solo ciertos grupos de personas.
7. Modelos multimodales
Un modelo multimodal es un sistema de inteligencia artificial que puede trabajar con diferentes tipos o modos de datos de manera simultánea. Puede mirar imágenes, escuchar sonidos y leer palabras. ¡Es la multitarea definitiva! Puede combinar toda esta información para hacer cosas como responder preguntas sobre imágenes.
8. Prompts
Un prompt es una instrucción ingresada en un sistema en lenguaje, imágenes o código que le dice a la IA qué tarea realizar. Los ingenieros (y en realidad todos los que interactuamos con sistemas de IA) debemos diseñar de manera cuidadosa los prompts para obtener el resultado deseado de los modelos de lenguaje grande. Es como hacer su pedido en una tienda de delicatessen: no solo piden un sándwich, sino que especifican qué pan quieren y el tipo y las cantidades de condimentos, verduras, queso y carne para obtener un almuerzo que les resultará delicioso y nutritivo.
9. Copilotos
Un copiloto es como un asistente personal que trabaja junto a ustedes en todo tipo de aplicaciones digitales, ayudándolos con cosas como escribir, codificar, resumir y buscar. También puede ayudarles a tomar decisiones y comprender muchos datos. El reciente desarrollo de modelos de lenguaje grande hizo posibles los copilotos, permitiéndoles comprender el lenguaje humano natural y proporcionar respuestas, crear contenido o tomar medidas mientras se trabaja con diferentes programas informáticos. Los copilotos están construidos con barandillas de IA responsable para garantizar que estén seguros y se utilicen de buena manera. Al igual que un copiloto en un avión, él no está a cargo (ustedes sí), pero es una herramienta que puede ayudarles a ser más productivos y eficientes.
10. Plugins
Los plugins (complementos) son como los lanzadores de relevo en el béisbol: intervienen para satisfacer necesidades específicas que pueden surgir a medida que se desarrolla el juego, como incluir un lanzador zurdo cuando un bateador zurdo se acerca al plato para un turno crucial al bate. Los plugins permiten que las aplicaciones de IA hagan más cosas sin tener que modificar el modelo subyacente. Son los que permiten a los copilotos interactuar con otros software y servicios, por ejemplo. Pueden ayudar a los sistemas de inteligencia artificial a acceder a nueva información, realizar operaciones matemáticas complicadas o comunicarse con otros programas. Hacen que los sistemas de IA sean más potentes al conectarlos con el resto del mundo digital.
Obtengan las noticias más recientes sobre IA en Microsoft Source Latam.