Inteligencia Artificial: análisis, tipos y evolución
La Inteligencia Artificial (IA) se ha convertido en uno de los conceptos clave en el mundo de la transformación digital y la gestión de proyectos informáticos. En este artículo desglosaremos los aspectos más importantes para entender qué es, cómo evolucionará y de qué manera podemos utilizarla para impulsar nuestras estrategias de transformación digital.
Tipos de Inteligencia Artificial
Existen varios tipos de IA, cada uno con sus propias características y aplicaciones, pero todos ellos se pueden agrupar en tres bloques:
IA Narrow o Débil: Este tipo de IA está diseñado para realizar tareas específicas, como jugar ajedrez, conducir un automóvil o reconocer imágenes. Son sistemas altamente especializados y eficientes en sus áreas de aplicación, pero no pueden adaptarse a otras tareas. No tienen la capacidad de aprender o adaptarse más allá de la tarea para la que fueron diseñados, lo que refuerza la idea de su limitación.
IA General o Fuerte: A diferencia de la IA Narrow, la IA General es un sistema que puede adaptarse a múltiples tareas y problemas, de manera similar a como lo hace la inteligencia humana. Esto implica que puede aprender, razonar, planificar y resolver problemas de manera general, sin estar limitado a un dominio específico. A día de hoy, este tipo de IA aún es teórico y no ha sido desarrollado completamente.
IA Superinteligente: Este es un concepto hipotético de IA que superaría ampliamente las capacidades cognitivas de los seres humanos. Sería capaz de mejorar su propio diseño y funcionamiento, lo que podría llevar a un crecimiento exponencial de su inteligencia y capacidades. Algo similar a lo que hemos visto en el cine en películas como Terminator, donde Skynet toma el control de toda la infraestructura tecnológica.
¿Qué IA ha llegado al consumidor final de manera accesible?
Para mí este es el punto clave. ¿Qué IA tenemos a nuestra alcance para mejorar y potenciar los procesos de nuestros negocios?. Seguro que os suenan términos como ChatGPT, Claude, Gemini o Copilot. Todos ellos son todos sistemas de IA generativa diseñados para asistir a las personas en diversas tareas relacionadas con el procesamiento del lenguaje natural y la productividad. A continuación, explico cada uno de ellos:
1. ChatGPT (de OpenAI)
Es un modelo de lenguaje generativo desarrollado por OpenAI, basado en la arquitectura GPT (Generative Pre-trained Transformer). ChatGPT puede entender y generar texto en lenguaje natural, lo que permite mantener conversaciones, responder preguntas, generar ideas, redactar textos, corregir escritos, entre otras tareas.
Aplicaciones: Se usa para asistentes virtuales, atención al cliente, redacción de contenido, resolución de dudas, generación de código, y más. Existen versiones como ChatGPT-4, que es una de las más avanzadas hasta la fecha.
2. Claude (de Anthropic)
Claude es un modelo de lenguaje creado por la empresa Anthropic, que se enfoca en hacer que la inteligencia artificial sea más segura y controlada. Claude es similar a ChatGPT, diseñado para procesar y generar texto de manera conversacional, pero con un fuerte enfoque en la seguridad, reduciendo los riesgos de generación de respuestas problemáticas o poco confiables.
Aplicaciones: Como asistente conversacional, Claude se utiliza para tareas como la generación de texto, atención al cliente, y en entornos donde la IA debe ser cuidadosa en la ética de sus respuestas.
3. Gemini (de Google DeepMind)
Gemini es la serie de modelos de lenguaje de próxima generación desarrollada por Google DeepMind. Anteriormente, los modelos de Google (como Bard) eran los principales productos de IA conversacional, pero Gemini representa una evolución hacia modelos más avanzados que integran el poder de generación de lenguaje con una mayor comprensión del contexto y una visión más amplia del mundo.
Aplicaciones: Google ha posicionado a Gemini para ser utilizado en múltiples plataformas, como su motor de búsqueda, herramientas de productividad como Google Workspace (Docs, Gmail, etc.), y otros entornos donde la generación de texto y la asistencia en tareas son necesarias.
4. Copilot (de Microsoft y GitHub)
Copilot es una herramienta de IA generativa desarrollada por GitHub (propiedad de Microsoft) para ayudar a los desarrolladores a escribir código de manera más eficiente. Copilot está integrado en entornos de desarrollo como Visual Studio Code, y utiliza IA para sugerir líneas de código, completar funciones y ayudar en tareas de programación.
Aplicaciones: Copilot es particularmente útil para desarrolladores de software, ya que puede generar fragmentos de código, hacer correcciones, sugerir soluciones a problemas de programación y ayudar a escribir código más rápido. También, Microsoft ha ampliado el concepto de Copilot a herramientas como Microsoft 365 Copilot, que ayuda en tareas de productividad dentro de aplicaciones como Word, Excel y PowerPoint.
Comparación rápida:
ChatGPT: Orientado a tareas de procesamiento de lenguaje general, desde generar texto hasta tener conversaciones dinámicas.
Claude: Similar a ChatGPT, pero con un enfoque más fuerte en seguridad y control ético de las respuestas.
Gemini: Producto de IA de Google que combina capacidades avanzadas de comprensión de lenguaje y generación de contenido, enfocado en múltiples aplicaciones del entorno de Google.
Copilot: Un asistente basado en IA especializado en ayudar a programadores y, más recientemente, en aplicaciones de productividad dentro de Microsoft 365.
Inteligencia artificial generativa
La IA generativa se sitúa principalmente en el grupo de IA Débil (Narrow AI o IA Específica), ya que está diseñada para realizar tareas específicas, como generar contenido (texto, imágenes, música, etc.) en función de patrones que ha aprendido a partir de grandes conjuntos de datos.
En términos de funcionalidad, la IA generativa se clasifica como una IA con Memoria Limitada, ya que utiliza datos previos (entrenamiento en grandes conjuntos de datos) para generar nuevas creaciones. Sin embargo, no tiene una comprensión profunda del mundo ni una capacidad de razonamiento general como un ser humano.
Dentro de las aplicaciones, la IA generativa se puede incluir en la categoría de Procesamiento del Lenguaje Natural (NLP) cuando se utiliza para generar texto (como ChatGPT), y en Visión Artificial cuando se usa para crear imágenes (como DALL-E).
Algunos ejemplos de IA generativa son:
Modelos de lenguaje como GPT que generan texto.
Modelos de imagen como DALL-E o Stable Diffusion que crean imágenes a partir de descripciones.
Modelos de música que componen melodías basadas en estilos predefinidos.
Evolución de la Inteligencia Artificial
Aunque llevamos 3 años hablando de inteligencia artificial, el concepto y los primeros prototipos llevan años funcionando. Algunos hitos en esta evolución incluyen:
Años 50-60: Los primeros sistemas de IA basados en reglas, como el programa de ajedrez de Samuel y el asistente médico de Dendral.
Años 80-90: El auge de los sistemas expertos, que aplicaban reglas y conocimientos especializados a problemas específicos. Fue en esta década cuando Deep Blue, ganó a Kasparov una partida de ajedrez, marcando un hito y cambiando para siempre la percepción de la relación máquina-humano.
Años 2000-2010: El desarrollo de técnicas de aprendizaje automático, como las redes neuronales artificiales y el deep learning (aprendizaje profundo), que permitieron a los sistemas de IA aprender de datos y mejorar su desempeño.
Actualidad: La IA se ha vuelto más avanzada, con capacidades como el procesamiento del lenguaje natural (NPL), la visión artificial y la toma de decisiones autónoma. Además, se investiga activamente en la IA General y la IA Superinteligente, con el objetivo de crear sistemas que puedan adaptarse a múltiples tareas y superar las capacidades humanas.
Básicamente hemos pasado de sistemas cerrados donde ya había “programados” una serie de caminos (los famosos if/else de programación), hacia entornos que son capaces de crear algo nuevo partiendo de una aprendizaje previo.
Un caso que me fascinó fue el de Keith Haring, el artista estadounidense falleció de sida en 1990 dejando un cuadro a medio pintar. Destinada a ser su última obra, podemos ver las últimas pinceladas sobre el cuadro que terminó llamándose Unfinished Painting.
Con una IA generativa ha sido relativamente sencillo dar los posibles toques finales para terminar la pintura en apenas unos pocos minutos.
Ciclo de sobreexpectación para la inteligencia artificial
El Hype Cycle o Ciclo de sobreexpectación es una herramienta que muestra cómo evoluciona una tecnología desde su nacimiento hasta su adopción generalizada o desaparición, pasando por fases de expectativas infladas y desilusión. Sirve para:
Visualizar la madurez de una tecnología: Muestra cómo una tecnología pasa por diferentes fases de expectativas, desde su descubrimiento hasta su adopción generalizada o su posible desaparición. Esto permite entender en qué punto del ciclo está una tecnología en particular.
Gestionar expectativas: Ayuda a empresas, inversionistas y consumidores a identificar cuándo hay demasiado entusiasmo sobre una tecnología y cuándo se ha desinflado el optimismo. Esto es útil para evitar caer en el "hype" (expectativas infladas) o la desilusión prematura.
Tomar decisiones estratégicas: Las organizaciones pueden usar el ciclo para decidir cuándo invertir o adoptar una tecnología. Por ejemplo, si una tecnología está en el Pico de Expectativas Infladas, podría ser mejor esperar a que se asiente y llegue a la fase de Pendiente de Iluminación, cuando las expectativas son más realistas y los beneficios son más claros.
Identificar oportunidades: Las empresas pueden aprovechar tecnologías que están saliendo del Valle de la Desilusión porque, aunque en ese momento no parecen atractivas, podrían tener un gran potencial en el futuro cercano.
Os comparto el hype cycle creado por Garnet, para mí el más completo para entender la situación y evolución de la inteligencia artificial actual.
Este gráfico es el Ciclo de sobreexpectación para la inteligencia artificial en 2023. Representa cómo evoluciona la percepción de las tecnologías de inteligencia artificial (IA) desde que surgen hasta que se vuelven productivas (si lo llegan a ser). Se divide en varias fases:
Innovation Trigger (Disparador de Innovación): Aquí es donde nuevas ideas de IA empiezan a aparecer. Algunos ejemplos en esta etapa son First-Principles AI y Automatic Systems. Las expectativas son bajas, pero hay interés por las posibilidades.
Peak of Inflated Expectations (Pico de Expectativas Infladas): En esta fase, las expectativas sobre las tecnologías llegan a su punto más alto. Se habla mucho de ellas y se cree que podrán revolucionar muchas áreas. Ejemplos aquí son Generative AI (como GPT-4), Smart Robots y Foundation Models.
Trough of Disillusionment (Valle de la Desilusión): Después de un pico de expectativas, algunas tecnologías no cumplen con lo esperado. La gente se desilusiona y las expectativas caen. Ejemplos aquí son EdgeAI y Knowledge Graphs.
Slope of Enlightenment (Pendiente de Iluminación): En esta etapa, las tecnologías que sobrevivieron empiezan a ser mejor comprendidas y su valor real comienza a emerger. Tecnologías como Cloud AI Services y Autonomous Vehicles están en esta fase.
Plateau of Productivity (Meseta de Productividad): Finalmente, las tecnologías se estabilizan y empiezan a ser utilizadas de manera productiva. Ejemplos como Data Labeling and Annotation y Computer Vision están cerca de alcanzar este punto.
El gráfico también indica cuánto tiempo le llevará a cada tecnología alcanzar su "meseta de productividad" (cuando realmente se vuelve útil y eficiente):
Puntos blancos: menos de 2 años
Puntos azules claros: de 2 a 5 años
Puntos azules oscuros: de 5 a 10 años
Triángulos naranjas: más de 10 años
Círculos con "X": posiblemente se vuelvan obsoletas antes de alcanzar la productividad, aunque esto es difícil de predecir en los estadios de análisis iniciales.