Episodio #93: Entendiendo la IA (I) – Conceptos Clave

¿Qué es la IA? ¿Qué tipos de IA hay como grandes campos dentro de la misma? ¿Cuáles son los conceptos clave principales? De todo esto hablamos con Sergi Ortiz en el inicio de una miniserie de varios episodios para ayudar a entender mejor la IA. 

La IA (inteligencia artificial) es uno de los campos más importantes y comentados actualmente en el campo de los negocios, tecnología y en general de la actividad humana. Casi a petición popular, nos hemos propuesto lanzar una miniserie de varios episodios dentro del podcast de inventario.pro, donde vamos a ir entendiendo la IA.

El primer episodio lo dedicaremos a explicar y entender los Conceptos Clave de la IA. 

Para ello contamos con la ayuda del CEO de la empresa Shimoku, Sergi Ortiz, que repite participación en el podcast, esta vez desde una perspectiva principalmente didáctica y encara a hacer comprensibles los conceptos clave de la IA..

El episodio está pensado para profesionales no técnicos y como podrás escuchar va aumentando ligeramente de complejidad y profundidad conforme se introducen nuevos Conceptos Clave.

Si eres un profesional o tienes curiosidad por entender mejor los Conceptos Clave de la IA para leer o escuchar una conversación relativa a la IA, este episodio te ayudará mucho.

Material complementario y otros enlaces útiles:

• Curso introductorio en Coursera de Andrew Ng: https://www.coursera.org/learn/generative-ai-for-everyone
• Más material para poder introducirse en los Conceptos Clave de la IA
•  https://www.linkedin.com/feed/update/urn:li:activity:7237325564468994048/

Ideas destacadas del episodio:

• La miniserie tiene como objetivo simplificar conceptos clave de IA y su impacto en el sector automovilístico, destacando tecnologías como el aprendizaje profundo y el aprendizaje automático, mientras aborda la importancia de los datos, las solicitudes y las consideraciones éticas en el desarrollo de IA.
• El aprendizaje automático se enfoca en aprender de tablas como Excel, mientras que el aprendizaje profundo sobresale en imágenes, sonido y lenguaje, siendo excelente en tareas como Google Translate, reconocimiento de voz y texto a voz.
• Google Translate inicialmente se desarrolló sin IA pero era mucho peor que la versión actual que utiliza IA, demostrando el impacto de la IA en la calidad de la traducción.
• La fase de entrenamiento de un sistema de IA implica prepararlo con datos (por ejemplo, 1000 fotos de coches) y luego pasarle una nueva foto no vista (1001) para probar su precisión, identificando el objeto con una alta probabilidad (99%). 
• La regresión es un tipo de aprendizaje automático que implica hacer predicciones basadas en datos históricos, utilizada para predecir el futuro, como la velocidad de un coche.
• El clustering agrupa puntos de datos similares basándose en características como tamaño de empresa e ingresos, usado para identificar patrones y relaciones en los datos.
• La IA generativa, basada en redes neuronales, genera nuevas imágenes, sonidos o texto aprendiendo de datos existentes, pero puede cometer errores debido a la falta de datos o interpretación subjetiva.
•  Los LLM (Modelos de Lenguaje Grande) son una subcategoría de IA generativa entrenada en grandes cantidades de datos de lenguaje, utilizados como base de entrenamiento para otros sistemas de IA.
• Los Transformers, introducidos por Google en 2018, son una forma de ordenar redes neuronales para ser creativas, lo que ha llevado a un progreso increíble en el campo durante los últimos 6 años.
• Los agentes son sistemas complejos que combinan múltiples modelos de IA como GPT para realizar tareas, requiriendo infraestructura, código y coordinación entre diferentes modelos y sistemas.
• El aprendizaje automático y el aprendizaje profundo se volvieron factibles para cualquier empresa entre 2010-2015 y 2015-2020 respectivamente, con suficiente poder de cómputo, pero los Transformers aceleraron significativamente el desarrollo del aprendizaje profundo.

Segmentos destacados del episodio:

• 00:00 Esta mini-serie explorará conceptos clave de la inteligencia artificial, sus oportunidades y desafíos, y su impacto en el sector automovilístico.
  • La inteligencia artificial tiene como objetivo desarrollar tecnologías que permitan a las máquinas reconocer objetos, comunicarse y hacer predicciones.
  • Las redes neuronales, desarrolladas en los 50 y popularizadas en los 80, son un tipo de inteligencia artificial utilizada principalmente para el reconocimiento de imágenes, mientras que el Deep Learning y el Machine Learning representan ramas clave de la IA, con la primera destacándose en el procesamiento de imágenes, sonido y lenguaje, y la segunda centrándose en datos estructurados como hojas de cálculo.
• 07:55 El aprendizaje profundo mejora la capacidad de la IA para aprender de ejemplos, lo que permite a los sistemas adaptarse y tomar decisiones basadas en observaciones en lugar de reglas fijas.
  • El aprendizaje profundo mejora significativamente tareas como la traducción y la conversión de voz a texto en comparación con los métodos anteriores que se basaban en reglas simples y carecían de inteligencia artificial.
  • La inteligencia artificial aprende a inferir reglas de ejemplos en lugar de requerir instrucciones explícitas, lo que le permite adaptarse a diversas situaciones.
  • La inteligencia artificial permite que los sistemas, como los coches, aprendan y tomen decisiones basadas en observaciones en lugar de confiar únicamente en reglas predefinidas.
  • La inteligencia artificial se entrena alimentándola con un gran conjunto de datos, lo que le permite identificar nuevas imágenes con alta precisión en función de ejemplos anteriores.
  • La Inteligencia Artificial requiere un diseño de reglas complejas para una funcionalidad efectiva, ya que los simples algoritmos matemáticos por sí solos son insuficientes.
• 13:05 La capacitación de la IA requiere entrada de datos, reconocimiento de patrones a través del aprendizaje automático y refinamiento de modelos para garantizar la precisión, al mismo tiempo que se reconocen posibles errores y limitaciones.
  • Entrenar inteligencia artificial implica proporcionarle datos, probar su precisión con datos no vistos y refinarla hasta que esté lista para la producción.
  • El aprendizaje automático implica identificar patrones en varios tipos de datos, como imágenes y lenguaje, a través de técnicas como la clasificación, la regresión y el agrupamiento, que son esenciales para entrenar modelos para hacer predicciones sobre datos no vistos.
  • La regresión en el aprendizaje automático predice valores futuros en función de los datos observados, pero no es infalible y puede producir errores.
  • Técnicas de inteligencia artificial implican principalmente aprendizaje automático, que incluye métodos supervisados como regresión y métodos no supervisados como clustering para identificar similitudes en los datos.
  • La inteligencia artificial puede producir resultados tanto precisos como imprecisos debido a factores como datos insuficientes, problemas de algoritmo y la calidad de los datos de entrenamiento.
• 21:02 La inteligencia artificial, particularmente la inteligencia artificial generativa, puede producir resultados creativos pero no es infalible, dependiendo de una gran cantidad de datos para el entrenamiento, especialmente en los modelos de lenguaje.
  • La inteligencia artificial no es perfecta y puede producir interpretaciones variables basadas en datos incompletos.
  • Inteligencia artificial generativa, al igual que un bartender que crea cócteles novedosos, puede producir resultados creativos pero a veces erróneos debido a su naturaleza subjetiva y a su dependencia de la información aprendida.
  • Inteligencia artificial generativa, un subconjunto del aprendizaje profundo, utiliza redes neuronales para crear nuevas imágenes, sonidos o texto basados en datos existentes.
  • El Big Data no es esencial para una Inteligencia Artificial efectiva, como lo demostró un equipo de 2017 que desarrolló una red neuronal utilizando solo 500 fotos.
  • El Big Data es esencial para entrenar inteligencia artificial generativa, que requiere grandes cantidades de datos diversos, particularmente para los modelos de lenguaje, con Google siendo pionero en este campo.
  • Modelos de lenguaje grande (LLMs) son un tipo de inteligencia artificial generativa entrenada en datos de lenguaje extensos, formando una subcategoría dentro de los campos más amplios del aprendizaje profundo y el aprendizaje automático.
• 30:18 Las sugerencias son esenciales para guiar las respuestas de la IA, permitiendo un refinamiento iterativo y una mayor precisión a través de un diálogo estructurado y la retroalimentación del usuario.
  • Las solicitudes generan respuestas a través de un ciclo de pregunta-respuesta, lo que permite un refinamiento iterativo de las ideas.
  • La inteligencia artificial, como GPT, sigue generando respuestas mediante la utilización de procesos anteriores y la adaptación a las reacciones de los usuarios para mejorar el contexto y la relevancia.
  • La solicitud es crucial para guiar a GPT a proporcionar respuestas precisas, ya que la especificidad en las preguntas ayuda a dirigirlo a la información relevante.
  • Participar en un diálogo estructurado con la IA, comenzando con preguntas específicas y agregando gradualmente detalles, a menudo produce resultados más efectivos.
• 36:09 Transformers, introducidos por Google en 2018, revolucionaron la inteligencia artificial generativa, mejorando la creatividad a través de la colaboración de redes neuronales, al mismo tiempo que destacaron la necesidad de claridad sobre los roles de «agente» y la validación de protección de datos.
  • La creatividad en la IA puede surgir de la colaboración de diferentes redes neuronales, pero hay confusión respecto al término «agente» en el contexto de los sistemas inteligentes y sus funcionalidades.
  • Para garantizar la protección de datos, primero valide la legalidad de un gráfico con GPT antes de utilizarlo para la descripción y la generación de informes.
• 40:37 Combinar GPT con software tradicional mejora la eficacia de los chatbots y nos acerca más a la inteligencia artificial general a través de agentes inteligentes y aprendizaje automático avanzado.
  • Combinar múltiples GPT con software e infraestructura tradicionales permite la creación de agentes capaces de manejar tareas complejas, mientras se utilizan bases de datos para entrenar modelos para consultas específicas relacionadas con la empresa.
  • Para crear un chatbot eficaz, es esencial proporcionarle los protocolos y datos de su empresa, lo que le permite responder con precisión a los incidentes de los clientes.
  • Un agente inteligente es una combinación de varios sistemas destinados a crear seres pensantes, relacionados con el concepto de inteligencia artificial general.
  • Combinar múltiples agentes para realizar tareas complejas es un paso hacia el logro de la inteligencia artificial general, aunque algunos científicos la ven como una simple composición de funciones más simples en lugar de una verdadera inteligencia general.
  • La introducción de los Transformers ha acelerado significativamente el desarrollo de la inteligencia artificial al permitir capacidades de aprendizaje automático y aprendizaje profundo poderosas.
• 47:42 La IA está transformando la vida diaria y el sector automovilístico, enfatizando consideraciones éticas y la necesidad de automatización para aumentar la eficiencia.
  • La inteligencia artificial se integra cada vez más en la vida diaria y profesional, superando el impacto de otras tecnologías emergentes como blockchain y el metaverso.
  • El episodio revisa conceptos clave de la IA, enfatizando la importancia de consideraciones éticas, filosóficas y prácticas, particularmente en el sector automovilístico.