Hace unos días, en una reunión entre amigos, uno de ellos comenzó a ensalzar las bondades de ChatGPT y todo lo que podía lograr gracias a la IA. Como todos sabemos en este tipo de reuniones se hacen comentarios diversos y observé como las reacciones iban desde el entusiasmo absoluto, a la desconfianza pasando por el temor de que sus hijos o los equipos profesionales con los que trabajaban estuvieran utilizándola sin saberlo. ¿Cómo valorar la competencia de quién utiliza la IA sin confesarlo abiertamente?

Entonces recordé una noticia que hablaba de Aitana López, que tiene miles de seguidores y que se ha convertido en prescriptora de grandes marcas, pero … ¿es real?

He aquí algunas preguntas para pensar….

• Si tienes hijos, hijas, ¿Los animas a que creen sus trabajos mediante ChatGPT
• ¿Comprarías un libro escrito por IA o prefieres leer a tus escritores preferidos?
• ¿Contratarías a un personaje no real para vender tu producto o servicio? ¿Quién decidiría su tarifa?
• ¿Has escrito alguno de los post que compartimos en LinkedIn con IA?
• ¿Qué piensas en realizada de la IA?
• ¿Qué te parecería que un premio como el Cervantes fuera otorgado a un asistente virtual?

Podemos hacernos muchas más preguntas pero por ahora voy a seguir escribiendo de forma “tradicional” hasta que no sea sustituida por alguien no real que seguramente lo hará mucho mejor que yo.

En el artículo que presentamos hoy queremos explicar qué es y en qué consiste la Inteligencia Artificial. Oímos hablar de ella, utilizamos GhatGPT para crear contenidos, pero exactamente qué es, hasta donde llega, cuáles son sus ventajas, que peligro puede tener, cómo podemos aplicarla…….

Empecemos por la definición y pasaremos después a dar respuesta a los puntos anteriores para terminar de aplicarla en casos prácticos.

Es una disciplina y un conjunto de capacidades cognoscitivas e intelectuales expresadas por sistemas informáticos o combinaciones de algoritmos cuyo propósito es la creación de máquinas que imiten la inteligencia humana para realizar tareas y que pueden mejorar conforme recopilen información.

La inteligencia artificial aprovecha ordenadores y máquinas para imitar las capacidades de resolución de problemas y toma de decisiones de la mente humana.

En su forma más simple, la inteligencia artificial es un campo que combina la informática y sólidos conjuntos de datos para permitir la resolución de problemas. También abarca los subcampos del aprendizaje automático y el aprendizaje profundo, que se mencionan con frecuencia junto con la inteligencia artificial. Estas disciplinas se componen de algoritmos de IA que buscan crear sistemas expertos que hagan predicciones o clasificaciones basadas en datos de entrada.

A lo largo de los años, la inteligencia artificial ha pasado por muchos ciclos de auge, pero incluso para los escépticos, el lanzamiento de ChatGPT de OpenAI parece marcar un punto de inflexión. La última vez que la IA generativa tuvo tanta atención, los avances se produjeron en la visión por ordenador, pero ahora el salto adelante está en el procesamiento de lenguajes naturales. Y no se trata solo del lenguaje, sino que los modelos generativos también pueden aprender la gramática de códigos de software, moléculas, imágenes naturales y otros tipos de datos.

Las aplicaciones de esta tecnología crecen día a día, y apenas estamos empezando a explorar sus posibilidades. Pero a medida que se extiende el uso de la IA en las empresas, las conversaciones sobre ética adquieren una importancia importante.

La IA generativa o inteligencia artificial generativa hace referencia al uso de la IA para crear contenido, como texto, imágenes, música, audio y vídeos.
La IA generativa usa modelos básicos, es decir, grandes modelos de IA, que pueden realizar varias tareas a la vez y realizar tareas listas para usar, como resúmenes, preguntas y respuestas, clasificación, etc. Además, al llevar a cabo una preparación mínima, los modelos de base se pueden adaptar a casos prácticos concretos con muy pocos datos de ejemplo.

La IA generativa usa un modelo de aprendizaje automático para aprender los patrones y las relaciones de un conjunto de datos de contenido creado por personas. La forma más habitual de preparar un modelo de IA generativo es usar el aprendizaje supervisado, que es un conjunto de contenido creado por humanos y las etiquetas correspondientes.

Aplicaciones de IA generativas comunes

La IA generativa procesa contenido de gran tamaño y ofrece información valiosa y respuestas mediante texto, imágenes y formatos fáciles de usar. La IA generativa se puede usar para:

– Mejorar las interacciones con los clientes a través de chats mejorados y experiencias de búsqueda

– Explorar enormes cantidades de datos sin estructurar a través de interfaces de conversación y resúmenes

– Ayudar con tareas repetitivas como responder a solicitudes de propuestas, localizar contenido de marketing en cinco idiomas y comprobar el cumplimiento de los contratos con los clientes.

Los beneficios de la IAG son muchos y variados en diferentes sectores. Entre ellos encontramos:

• Generación de contenido nuevo en áreas como el arte, la música y la literatura.
• Contenido publicitario y de marketing, lo que podría ayudar a las empresas a llegar a un público más amplio.
• Aplicación en la investigación científica y en la medicina para analizar grandes cantidades de datos. Con ello se consigue encontrar patrones y relaciones que de otra manera serían difíciles de detectar.

Uno de los riesgos más importantes asociados con la IAG es la posibilidad de generar contenido sesgado. Si la IA es entrenada con este tipo de datos, puede generar contenido que refleje estos sesgos, lo que podría tener consecuencias graves en campos como la política, la justicia, medioambiente, inmigración, economía, etc.

Otro riesgo para tener en cuenta es la privacidad. Con la capacidad de generar contenido único y personalizado, hay preocupaciones sobre el uso de datos personales y la posibilidad de que estos datos sean utilizados para fines indebidos.

La IAG también plantea desafíos éticos en relación con la creatividad y la propiedad intelectual. Con la capacidad de generar contenido original, ¿quién será considerado el autor o creador de ese contenido?, ¿cómo se protegerá la propiedad intelectual de estos productos generados por la IA? Ya existen debates a nivel global por este tema.

Por último, también se plantea el riesgo de una IA generativa que se vuelva incontrolable y comience a generar contenido dañino o peligroso. En este sentido, es importante tener una regulación y control sobre el uso de esta tecnología para evitar estos riesgos potenciales. El gran tema será definir quienes serán capaces de crear estos marcos regulatorios acordes.

La IA generativa se refiere a modelos de aprendizaje profundo que pueden tomar datos brutos, por ejemplo, toda la Wikipedia o la colección de obras de Rembrandt, y «aprender» a generar resultados estadísticamente probables cuando sea necesario.A un nivel superior, los modelos generativos codifican una representación simplificada de los datos de entrenamiento y se basan en ella para crear un resultado similar, pero no idéntico, a los datos originales.

Los modelos generativos se han utilizado durante años en estadística para analizar datos numéricos. Sin embargo, el auge del aprendizaje profundo permitió ampliarlos a imágenes, voz y otros tipos de datos complejos. Entre los primeros modelos que lograron esta hazaña se encuentran los autocodificadores variacionales, o VAE, por sus siglas en inglés, introducidos en 2013. Los VAE fueron los primeros modelos de aprendizaje profundo que se utilizaron ampliamente para generar imágenes y voz realistas.

Los primeros ejemplos de modelos, como GPT-3, BERT o DALL-E 2, han demostrado lo que es posible. El futuro está en los modelos entrenados con un gran conjunto de datos sin etiquetar que puedan utilizarse para distintas tareas con una optimización mínima. Los sistemas que realizan tareas específicas en un único dominio están dando paso a una IA más amplia que aprende de forma más general y opera en múltiples dominios y problemas. Los modelos de base, entrenados en grandes conjuntos de datos no etiquetados y optimizados para una serie de aplicaciones, están impulsando este cambio.

En lo que respecta a la IA generativa, se prevé que los modelos fundacionales aceleren drásticamente la adopción de la IA en las empresas. La reducción de los requisitos de etiquetado facilitará mucho a las empresas embarcarse en esta aventura, y la automatización altamente precisa y eficiente impulsada por la IA que permiten significará que muchas más empresas serán capaces de desplegar la IA en una gama más amplia de situaciones de misión crítica. Para IBM, la esperanza es que la potencia de los modelos fundacionales pueda llevarse a todas las empresas en un entorno de nube híbrida sin precedentes.

Aplicaciones de inteligencia artificial

Hoy en día, existen numerosas aplicaciones reales de sistemas de IA. A continuación, se presentan algunos de los casos de uso más comunes:

• Reconocimiento de voz: También conocido como reconocimiento automático del habla (ASR, por sus siglas en inglés), reconocimiento informático del habla o conversión del habla al texto, y es una capacidad que utiliza el procesamiento del lenguaje natural (NLP) para procesar el habla humana y convertirla en un formato escrito. Muchos dispositivos móviles incorporan el reconocimiento de voz en sus sistemas para realizar búsquedas por voz, por ejemplo, Siri, o proporcionar más accesibilidad a los mensajes de texto.
• Atención al cliente:  Los agentes virtuales en línea están reemplazando a los agentes humanos a lo largo del recorrido del cliente. Responden a las preguntas más frecuentes (FAQ) sobre temas como el envío o proporcionan recomendaciones personalizadas, realizan ventas cruzadas de productos o sugieren tallas a los usuarios, cambiando la forma de concebir la relación con el cliente en sitios web y plataformas de redes sociales. Algunos ejemplos son los bots de mensajería de los sitios de comercio electrónico virtual con agentes virtuales, las aplicaciones de mensajería, como Slack y Facebook Messenger, y tareas realizadas habitualmente por asistentes virtuales y asistentes de voz.
• Visión por ordenador: Esta tecnología de IA permite permite a los ordenadores y sistemas obtener información significativa a partir de imágenes digitales, vídeo y otros datos visuales y, basándose en ellos, actuar. Esta capacidad de asesoramiento la distingue de las actividades de reconocimiento de imágenes. Gracias a las redes neuronales convolucionales, la visión por computador tiene aplicaciones en el etiquetado de fotos en las redes sociales, la obtención de imágenes radiológicas en la sanidad y los coches autónomos en la industria automovilística.
• Motores de recomendación: Utilizando datos de comportamientos de consumo anteriores, los algoritmos de IA pueden ayudar a descubrir tendencias de datos que pueden utilizarse para desarrollar estrategias de venta cruzada más eficaces. Se utiliza para ofrecer a los clientes asesoramiento adicional pertinente durante el proceso de pago de los minoristas en línea.
• Negociación bursátil automatizada: Diseñada para optimizar las carteras de valores, las plataformas de negociación de alta frecuencia impulsadas por IA realizan miles o incluso millones de operaciones al día sin intervención humana.

Veamos ahora cómo ha abordado IBM la Inteligencia Artificial con Watsonx.

Watsonx es la plataforma de datos e IA nativa de la nube, de nivel empresarial de IBM, que infunde inteligencia a las operaciones empresariales y permite a los creadores de IA entrenar, validar, ajustar y desplegar IA generativa que aprovecha los datos dondequiera que residan, con responsabilidad y transparencia.

¿Qué es el proyecto del IBM Watson y cómo funciona?

«Watson» es un Sistema de Inteligencia Artificial creada por IBM. Imita las funciones cognitivas de los seres humanos, tales como las redes neuronales, pero utilizando la ciencia de datos y el aprendizaje de máquinas, para superar en velocidad y eficiencia a la inteligencia humana.

Watsonx es una plataforma de IA y datos con tres componentes básicos y un conjunto de asistentes de IA diseñados para ayudarle a escalar y acelerar el impacto de la IA con datos de confianza en toda su empresa.

Características de Watsonx

• Abierto: watsonx se basa en las mejores tecnologías de código abierto disponibles, proporcionándo una variedad de modelos para cubrir los casos de uso empresariales y los requisitos de conformidad.
• De confianza: watsonx es transparente, responsable y con gobierno. Los modelos de IBM se entrenan en conjuntos de datos de confianza, lo que elimina las preocupaciones legales, normativas, éticas y de imprecisión.
• Dirigido: watsonx está diseñado para empresas y dirigido a dominios empresariales; watsonx está diseñado para casos de uso empresarial que desbloquean nuevo valor.
• Empoderando: watsonx  permite ir más allá de ser un mero usuario de IA y convertirse en un creador de valor mediante IA, permitiéndole entrenar, afinar e implementar, así como gobernar los datos y los modelos de IA que aporte a la plataforma y ser dueño absoluto del valor que creen.

Watsonx Governance

Aporta mejoras y confianza como la optimización de los flujos de trabajo de la IA de forma responsable, transparente y explicable tanto para la IA generativa como para los modelos de machine learning.

Crea ventaja competitiva

Los modelos fundacionales permiten ajustar la IA a los datos y los conocimientos únicos de una empresa con una especificidad que antes era imposible.

Posibilita la ampliación de la IA a toda su empresa

Aprovechar todos sus datos, residan donde residan. Aprovechar una arquitectura de nube híbrida que proporciona los datos fundacionales para extender la IA hasta lo más profundo de su empresa.

Avance de la IA confiable

Mejora el acceso a los datos, aplica gobierno, reduce costes y ponge en producción modelos de calidad con mayor rapidez.