¿Cómo funciona la inteligencia artificial?

8 min de lectura

La inteligencia artificial (AI) es una tecnología que simula la inteligencia humana para realizar tareas y puede mejorarse repetidamente basándose en la información que recopila [1]. En pocas palabras, hacemos que las máquinas sean capaces de pensar, aprender y resolver problemas de una manera similar a la inteligencia humana.

Principios básicos del funcionamiento de la inteligencia artificial

La inteligencia artificial funciona utilizando datos, algoritmos y modelos matemáticos para descubrir patrones y generar predicciones, clasificaciones, decisiones o contenido nuevo [2]. En lugar de programar manualmente cada situación posible, los sistemas de inteligencia artificial modernos pueden aprender patrones a partir de ejemplos [2].

La idea fundamental consiste en "entrenar" a la inteligencia artificial proporcionándole cantidades masivas de información o "datos", mediante los cuales analiza estos grandes volúmenes de datos para encontrar patrones y relaciones ocultas en ellos. Basándose en estos patrones, construye su propio "modelo" interno y luego utiliza este modelo para hacer predicciones o tomar decisiones cuando se le presenta información nueva que no ha visto antes [3].

La inteligencia artificial entrena modelos base grandes sobre cantidades masivas de datos brutos y no clasificados (textos, imágenes, videos), para formar una red neuronal que comprende miles de millones de parámetros que representan patrones y relaciones en los datos [4]. Un modelo base puede utilizarse en múltiples aplicaciones para obtener la respuesta correcta y adecuada ajustando el formato requerido de las salidas según las instrucciones (prompts) [4].

Diferencia entre el aprendizaje automático y el aprendizaje profundo

El aprendizaje automático y el aprendizaje profundo son dos campos estrechamente relacionados, y puede decirse que el aprendizaje profundo es una subcategoría avanzada del aprendizaje automático.

Aprendizaje automático (Machine Learning)

Es un conjunto más amplio de técnicas que permiten a los sistemas aprender de los datos y tomar decisiones sin estar programados explícitamente para cada tarea. Al modelo se le proporcionan muchos datos, y a menudo un ingeniero humano necesita "decirle" al modelo cuáles son las características importantes de estos datos en un proceso llamado "ingeniería de características". El modelo utiliza algoritmos estadísticos para encontrar patrones y relaciones.

El aprendizaje automático puede funcionar bien con conjuntos de datos más pequeños y se utiliza en aplicaciones como sistemas de recomendación, detección de correo no deseado y predicción de precios de viviendas.

Aprendizaje profundo (Deep Learning)

Es un tipo especial de aprendizaje automático que utiliza "redes neuronales profundas", que son estructuras inspiradas en la forma en que funciona el cerebro humano. Al modelo se le proporcionan datos brutos directamente sin definir las características, y la red neuronal profunda de múltiples capas aprende automáticamente características diversas y complejas de los datos.

El aprendizaje profundo generalmente requiere cantidades masivas de datos y una gran potencia de cómputo, y destaca en tareas complejas como el reconocimiento de imágenes y sonidos, el procesamiento del lenguaje natural y los vehículos autónomos.

¿Cómo aprenden las redes neuronales de los datos?

Las redes neuronales aprenden de una manera similar a como el ser humano aprende del ensayo y error, pero a una escala mucho mayor y a una velocidad ultrarrápida.

Etapas del aprendizaje

1. Inicio aleatorio: Al comenzar el entrenamiento, los "pesos" y los "sesgos" de la red son completamente aleatorios, lo que significa que al principio no sabe nada y da predicciones erróneas.

2. Alimentación hacia adelante (Predicción): Los datos pasan a través de las capas de la red neuronal. Cada "neurona" procesa las entradas, las multiplica por sus pesos, añade el sesgo y luego pasa el resultado a las siguientes neuronas. Al final, la red emite una "predicción".

3. Cálculo del error: Comparamos la predicción de la red con la respuesta correcta y calculamos la cantidad de "pérdida" (Loss). Cuanto más alejada esté la predicción de la realidad, mayor será el error.

4. Propagación hacia atrás (Backpropagation): Enviamos la señal de error hacia atrás a través de la red, desde la capa final hasta las capas anteriores, para determinar cuánto contribuyó cada peso a este error.

5. Ajuste de pesos: Basándose en la propagación hacia atrás, la red ajusta sus pesos y sesgos utilizando algoritmos de optimización como el "descenso de gradiente" (Gradient Descent), con el objetivo de reducir el error la próxima vez.

6. Iteración: Este proceso se repite miles o millones de veces con diferentes datos, hasta que los pesos se vuelven más precisos y los errores de la red disminuyen gradualmente.

Modelos de Lenguaje Grandes y cómo generan texto

Los Modelos de Lenguaje Grandes (LLMs) son un tipo avanzado de modelos de aprendizaje profundo, diseñados específicamente para comprender y generar lenguaje humano. Se caracterizan por ser "grandes" en cuanto a la cantidad de datos con los que son entrenados (que pueden llegar a billones de palabras) y el número de parámetros (Parameters) que contienen (miles de millones o billones).

Mecanismo de generación de texto

La forma básica de generar texto es la predicción de la siguiente palabra (o "token") repetidamente:

1. Entradas: Comienza dando al modelo un "prompt" o "contexto".

2. Tokenización: El modelo convierte las palabras en "tokens" que maneja como números.

3. Predicción del siguiente token: El modelo procesa estos tokens a través de su red neuronal y calcula la probabilidad de cada token posible para ser el siguiente más lógico.

4. Selección: El modelo no siempre elige la palabra más probable. Existen diferentes técnicas:

• Selección codiciosa (Greedy Search): Elige siempre el token con la probabilidad más alta.
• Muestreo (Sampling): Elige aleatoriamente basándose en las probabilidades.
• Temperatura (Temperature): Controla el grado de aleatoriedad; una temperatura baja hace que el modelo sea más cauteloso y una alta lo hace más creativo.

5. Iteración: Una vez seleccionado el siguiente token, se añade a la secuencia y el proceso se repite para predecir el token siguiente.

6. Detención: El proceso continúa hasta alcanzar un signo de puntuación que indique el final o un token especial de parada.

El modelo recibe evaluaciones de humanos sobre la precisión o adecuación de los resultados, lo que ayuda a mejorar el rendimiento del modelo y a orientarlo hacia mejores respuestas a través de lo que se conoce como aprendizaje por refuerzo a partir de la retroalimentación humana (RLHF) [4].

Límites y riesgos de la Inteligencia Artificial

Límites fundamentales

• No posee conciencia ni comprensión real: No entiende el mundo de la misma manera que los humanos, ni posee sentimientos o autoconciencia.
• Depende totalmente de los datos: Su calidad refleja la calidad y cantidad de los datos de entrenamiento.
• Falta de sentido común: Puede tener dificultades para deducir cosas que son obvias para un ser humano.
• Dificultad para manejar situaciones nuevas: Destaca en tareas similares a los datos de entrenamiento.
• Problema de la "caja negra": Dificultad para comprender por qué el modelo tomó una decisión específica.

Riesgos de la alucinación (Hallucination)

La alucinación ocurre cuando la IA genera información que parece lógica pero que es completamente falsa o no está respaldada por los hechos. Esto sucede debido a:

• Entrenamiento probabilístico: El modelo predice la siguiente palabra basándose en estadísticas, y la palabra más probable lingüísticamente puede no ser correcta en la realidad.
• Presión para generar una respuesta: El modelo está diseñado para producir texto, por lo que puede preferir "inventar" una respuesta en lugar de admitir que no lo sabe.
• Datos inconsistentes: Aprendizaje de contradicciones presentes en los datos de entrenamiento.

Riesgos del Sesgo (Bias)

El sesgo aparece cuando los modelos muestran prejuicios injustos hacia ciertos grupos, y surge principalmente de:

• Sesgo en los datos de entrenamiento: si los datos reflejan los prejuicios de la sociedad o no son lo suficientemente representativos
• Sesgo en el diseño del algoritmo: derivado de cómo se definen los criterios
• Sesgo en la interacción humana: el aprendizaje de sesgos a través de las interacciones de los usuarios

Impacto futuro en el empleo y la educación

Empleo

• Automatización de tareas rutinarias: los sistemas de inteligencia artificial sustituirán a los humanos en tareas repetitivas y basadas en reglas
• Creación de nuevos empleos: surgimiento de roles como ingenieros de inteligencia artificial, especialistas en ética e ingenieros de prompts
• Transformación y potenciación de los empleos: la inteligencia artificial se convertirá en una herramienta de apoyo que potencie la productividad, donde los humanos trabajen "con" la inteligencia artificial
• Demanda de nuevas habilidades: pensamiento crítico, creatividad, inteligencia emocional y colaboración

Educación

• Cambio en los currículos: integración de la ciencia de datos, el aprendizaje automático y la ética de la inteligencia artificial
• Aprendizaje personalizado: análisis del rendimiento de los estudiantes y provisión de materiales adaptados a sus necesidades individuales
• Enfoque en habilidades humanas únicas: creatividad, pensamiento crítico y colaboración
• Aprendizaje permanente: necesidad de formación continua y recapacitación de habilidades
• Aumento de la accesibilidad: herramientas de traducción, conversión de texto a voz y adaptación de materiales

Conclusión

La inteligencia artificial es un software que aprende de los datos para realizar tareas que normalmente requieren inteligencia humana, como la comprensión del habla, el reconocimiento de imágenes, la traducción y la predicción [3]. Funciona en tres pasos básicos: recolectar muchos ejemplos, luego entrenar un modelo matemático que ajusta millones de números internos hasta reducir su error, y finalmente utilizarlo con datos nuevos que no ha visto anteriormente [3].

A pesar de sus capacidades inmensas, la inteligencia artificial sigue siendo una herramienta poderosa pero imperfecta. Comprender sus límites, especialmente los riesgos de alucinación y sesgo, es crucial para utilizarla de manera responsable. Los investigadores trabajan constantemente para abordar estos problemas y mejorar la transparencia, la equidad y la confiabilidad de los sistemas de inteligencia artificial.

El futuro no pertenecerá a la inteligencia artificial como sustituto de los humanos, sino a quienes colaboren con ella, poseyendo habilidades humanas únicas como la creatividad, el pensamiento crítico y la inteligencia emocional, junto con la capacidad de aprender continuamente y adaptarse a los cambios acelerados.