Modelos, aprendizaje automático, AI generativo, agentes, automatización y gobernanza responsable
Inteligencia artificial
La inteligencia artificial es el campo de la construcción de sistemas informáticos que pueden aprender patrones, hacer predicciones, generar contenido, recomendar acciones, comprender el lenguaje, percibir imágenes, automatizar tareas y respaldar decisiones en software, ciencia, negocios, salud, educación y la vida cotidiana.
¿Qué significa la inteligencia artificial?
La inteligencia artificial, generalmente abreviada como AI, no es una herramienta ni un algoritmo. Es un campo amplio centrado en hacer que los sistemas informáticos realicen tareas que normalmente requieren percepción, aprendizaje, razonamiento, lenguaje, planificación, predicción o toma de decisiones. AI puede ser un sistema de clasificación de búsqueda, un detector de fraude, un clasificador de imágenes médicas, un modelo de lenguaje, un controlador de robot, un motor de recomendaciones o un asistente que ayuda a completar tareas digitales.
Cómo aprenden los sistemas AI
Muchos sistemas AI modernos aprenden de los datos. Durante el entrenamiento, un modelo ve ejemplos y ajusta los parámetros internos para poder hacer predicciones útiles o generar resultados útiles más adelante. El aprendizaje supervisado utiliza ejemplos etiquetados, el aprendizaje no supervisado encuentra patrones sin etiquetas explícitas, el aprendizaje por refuerzo aprende a partir de recompensas y el aprendizaje autosupervisado crea señales de entrenamiento a partir de los propios datos sin procesar. Después del entrenamiento, usar el modelo para producir una respuesta se llama inferencia.
Machine learning y aprendizaje profundo
Machine learning es la parte de AI centrada en sistemas que mejoran al encontrar patrones en los datos. Deep learning utiliza redes neuronales con muchas capas, que pueden modelar relaciones complejas en texto, imágenes, audio, video, código y datos estructurados. Deep learning logró avances importantes en reconocimiento de voz, traducción, reconocimiento de imágenes, sistemas de recomendación, predicción de estructuras de proteínas y large language models, pero depende en gran medida de la calidad de los datos, la potencia informática y una evaluación cuidadosa.
Generative AI y foundation models
Generative AI crea nuevo texto, imágenes, audio, video, código, diseños u otro contenido. Los modelos de lenguaje grandes predicen y componen secuencias de tokens, lo que les permite responder preguntas, resumir, traducir, redactar documentos, escribir código y potenciar interfaces de chat. Los modelos de cimentación son grandes modelos reutilizables que se pueden adaptar a muchas tareas. Pueden ser poderosos, pero la fluidez no es lo mismo que la verdad: los sistemas generativos pueden alucinar, reflejar prejuicios, filtrar patrones sensibles o producir contenido inseguro si no se controlan.
AI agentes y automatización
Un agente AI es un sistema que puede usar herramientas, recordar el contexto, planificar pasos y tomar acciones para lograr un objetivo. Los agentes pueden buscar archivos, llamar a APIs, escribir código, controlar software, programar tareas o coordinar flujos de trabajo. Esto hace que AI sea más útil pero también más riesgoso, porque los errores pueden tener efectos reales. Un buen diseño de agentes utiliza permisos, registros, aprobación humana para acciones sensibles, zonas de pruebas, objetivos claros, planes de reversión y límites a lo que el sistema puede hacer sin supervisión.
Donde aparece AI
AI ya aparece en motores de búsqueda, redes sociales, mapas, filtros de spam, detección de fraude bancario, traducción, transcripción, servicio al cliente, edición de fotografías, imágenes médicas, logística, fabricación, ciberseguridad, investigación científica, software educativo, herramientas de codificación y aplicaciones de productividad en el lugar de trabajo. A menudo los usuarios no ven el modelo directamente. Ven resultados clasificados, respuestas sugeridas, videos recomendados, anomalías detectadas, resúmenes generados o decisiones automatizadas.
Límites, riesgos y evaluación
Los sistemas AI pueden ser inexactos, sesgados, frágiles, demasiado confiados, opacos, inseguros o mal utilizados. Pueden fracasar cuando las condiciones cambian, tener un peor desempeño para grupos subrepresentados u optimizar el objetivo equivocado. La evaluación comprueba si un sistema funciona para las personas y situaciones en las que se utilizará. La evaluación responsable analiza la precisión, la solidez, la equidad, la privacidad, la seguridad, la explicabilidad, el potencial de abuso, la supervisión humana y lo que sucede cuando el modelo es incierto o incorrecto.
Por qué es importante
La inteligencia artificial es importante porque se está convirtiendo en una capa de uso general en software, ciencia, medios, negocios, educación, atención médica, gobierno e infraestructura. Puede ampliar el acceso a la experiencia y automatizar el trabajo repetitivo, pero también puede concentrar poder, perturbar el trabajo, difundir información errónea convincente y crear nuevos problemas de seguridad y rendición de cuentas. El impacto de AI depende no solo de la capacidad del modelo, sino también de la gobernanza, los incentivos, las opciones de implementación y de si los humanos mantienen el control de manera significativa.