La Inteligencia Artificial (IA) abarca muchas tecnologías emergentes y complejas que antes requerían de la intervención humana y ahora se pueden ejecutar mediante una computadora. Las computadoras pueden realizar funciones avanzadas, que históricamente se usaban para comprender y recomendar información. Ahora, con la IA, las computadoras incluso pueden generar contenido nuevo.
El acrónimo AI suele usarse indistintamente para representar varios tipos de tecnologías que conforman el campo de la IA.
Conceptos comunes de la IA
Existen varios términos y conceptos que definen la inteligencia artificial y el aprendizaje automático, y podrían resultarte útiles. Estas son algunas formas en las que puedes trabajar con la IA en la práctica en la Web
IA general
En términos generales, la IA general es un programa o modelo no humano que demuestra una amplia gama de creatividad y resolución de problemas. Un model es una ecuación matemática muy grande que incluye un conjunto de parámetros y estructuras necesarios para que una máquina muestre un resultado.
Con la IA general, puedes realizar varios tipos de tareas, como analizar datos, traducir textos, componer música, identificar enfermedades y mucho más.
IA estrecha
La IA limitada es un sistema que puede realizar un subconjunto de tareas único o específico. Por ejemplo, una computadora que juega al ajedrez contra un oponente humano (no debe confundirse con Mechanical Turk). La IA estrecha tiene un conjunto predefinido de parámetros, restricciones y contextos que pueden parecer comprensivos, pero, en realidad, son solo respuestas a una ecuación.
Es posible que veas esto en la práctica con sistemas de reconocimiento facial, asistentes de voz y pronóstico del tiempo. Podrías usar modelos muy específicos para mejorar ciertas funciones específicas en tus sitios web y apps.
Por ejemplo, creaste un sitio dedicado a películas, en el que los usuarios pueden acceder, calificar sus películas favoritas y descubrir otras nuevas para ver. Podrías usar una base de datos prepropagada para recomendar películas basadas en la página actual que están visitando. O bien, puedes usar un modelo de IA limitado que analice el comportamiento y las preferencias de los usuarios para mostrar la información más relevante para ese lector.
IA generativa
Un modelo de lenguaje grande (LLM) es un modelo de IA de red neuronal con muchos parámetros que puedes usar para realizar una gran variedad de tareas, como generar, clasificar o resumir texto o imágenes.
La IA generativa responde a las entradas y crea contenido, y se basa en el contexto y la memoria de un LLM. Esto va más allá de las coincidencias de patrones y las predicciones. Estas son algunas de las herramientas más comunes de IA generativa:
Estas herramientas pueden crear prosas escritas, imágenes y muestras de código. Pueden ayudarte a planificar vacaciones, suavizar o profesionalizar el tono de un correo electrónico o clasificar diferentes conjuntos de información en categorías.
Hay infinitos casos de uso, tanto para desarrolladores como para no desarrolladores.
Aprendizaje automático (AA)
El aprendizaje automático (AA) es una forma de IA, en la que una computadora aprende sin programación explícita. Mientras la IA se esfuerza por generar inteligencia, el AA les permite a las computadoras aprender de la experiencia. El AA consiste en algoritmos para hacer predicciones de conjuntos de datos.
El AA es el proceso de entrenar un modelo para que haga predicciones útiles o genere contenido a partir de datos.
Por ejemplo, supongamos que queremos crear un sitio web que califique el clima de un día determinado. Tradicionalmente, esto lo podían hacer uno o más meteorólogos, quienes podían crear una representación de la atmósfera y la superficie de la Tierra, calcular y predecir los patrones climáticos, y determinar una calificación comparando los datos actuales con el contexto histórico.
En su lugar, podríamos darle a un modelo de AA una enorme cantidad de datos meteorológicos hasta que el modelo aprenda la relación matemática entre patrones climáticos, datos históricos y lineamientos sobre lo que hace que el clima sea bueno o malo en un día en particular. De hecho, lo creamos en la Web.
Aprendizaje profundo
El aprendizaje profundo (DL) es una clase de algoritmos de AA. Un ejemplo son las redes neuronales profundas (DNN), que intentan modelar la forma en que se cree que el cerebro humano procesa la información.
Desafíos de la IA
Existen varios desafíos cuando se compila y se usa la IA. Los siguientes son solo algunos aspectos destacados de lo que debes considerar.
Calidad de los datos y visitas recientes
Los conjuntos de datos grandes que se usan para entrenar varios modelos de IA suelen estar inherentemente desactualizados poco después de que se usan. Esto significa que, cuando busques la información más reciente, puedes beneficiarte de la ingeniería de instrucciones para mejorar el rendimiento de un modelo de IA en tareas específicas y producir mejores resultados.
Los conjuntos de datos pueden estar incompletos o demasiado pequeños para ser compatibles con algunos casos de uso. Puede ser útil intentar trabajar con varias herramientas o personalizar el modelo para satisfacer tus necesidades.
Inquietudes sobre la ética y el sesgo
La tecnología de IA es emocionante y tiene mucho potencial. Sin embargo, en última instancia, los humanos crean las computadoras y los algoritmos, se entrenan con datos que pueden recopilarlos y, por lo tanto, están sujetos a varios desafíos. Por ejemplo, los modelos pueden aprender y amplificar el sesgo humano y los estereotipos dañinos, lo que tiene un impacto directo en el resultado. Es importante abordar la creación de tecnología de IA con la mitigación de sesgos.
Existen numerosas consideraciones éticas sobre los derechos de autor del contenido generado por IA. ¿A quién pertenece el resultado, en especial si está muy influenciado por el material protegido por derechos de autor o se lo copia directamente de él?
Antes de generar ideas y contenido nuevos, ten en cuenta las políticas existentes sobre cómo usar el material que crees.
Seguridad y privacidad
Muchos desarrolladores web dijeron que la privacidad y la seguridad son sus principales preocupaciones en el uso de las herramientas de IA. Esto es especialmente cierto en contextos empresariales con requisitos de datos estrictos, como gobiernos y empresas de atención médica. Exponer los datos del usuario a más terceros con las APIs de Cloud es una preocupación. Es importante que cualquier transmisión de datos sea segura y se supervise continuamente.
La IA integrada en el dispositivo puede ser la clave para abordar estos casos de uso. MediaPipe es una solución en curso para este problema, pero aún queda mucha investigación y desarrollo por hacer.
Comienza a usar la IA en la Web
Ahora que estás familiarizado con los muchos tipos de inteligencia artificial, puedes comenzar a considerar cómo usar los modelos existentes para aumentar tu productividad y crear mejores sitios web y aplicaciones web.
Puedes usar la IA para lo siguiente:
- Compila un mejor autocompletado para la búsqueda de tu sitio.
- Detecta la presencia de objetos comunes, como personas o mascotas, con una cámara inteligente.
- Aborda los comentarios spam con un modelo de lenguaje natural.
- Mejora tu productividad habilitando la función de autocompletar para tu código.
- Crea una experiencia de escritura WYSIWYG con sugerencias para la siguiente palabra o oración.
- Brinda una explicación sencilla de un conjunto de datos.
- Y más…
Los modelos de IA previamente entrenados pueden ser una excelente manera de mejorar nuestros sitios web, las apps web y la productividad, sin necesidad de comprender por completo cómo compilar modelos matemáticos y recopilar conjuntos de datos complejos que potencian las herramientas de IA más populares.
Es posible que la mayoría de los modelos satisfagan tus necesidades de inmediato, sin mayores ajustes. El ajuste es el proceso de tomar un modelo, que ya se entrenó en un conjunto de datos grande, y entrenarlo para satisfacer tus necesidades de uso específicas. Existen varias técnicas para ajustar un modelo:
- El aprendizaje por refuerzo con retroalimentación humana (RLHF) es una técnica que usa la retroalimentación humana para mejorar la alineación de un modelo con las preferencias y las intenciones humanas.
- La adaptación de rango bajo (LoRA) es un método eficiente en cuanto a parámetros para LLM que reduce la cantidad de parámetros entrenables, a la vez que mantiene el rendimiento del modelo.