IA generativa

La IA generativa es una categoría de modelos de inteligencia artificial diseñados para generar nuevos datos. Estos modelos se entrenan con grandes conjuntos de datos que les enseñan a identificar patrones y estructuras en texto, imágenes, video y audio. Una vez entrenados, sus algoritmos pueden generar nuevos datos con propiedades similares en respuesta a la entrada del usuario. Los distintos modelos pueden generar párrafos de texto natural, crear imágenes con diferentes estilos artísticos o producir muestras de audio.

Modelos de lenguaje de gran tamaño

Los modelos generativos de texto (también llamados modelos de lenguaje de gran tamaño) pueden generar bloques de texto basados en una instrucción del usuario. Aunque la salida puede parecer escrita por una persona, el texto generativo es en realidad una forma de texto predictivo avanzado. El modelo genera una palabra a la vez y predice la siguiente palabra de una secuencia basándose en el material con el que fue entrenado. Con un conjunto de datos lo suficientemente grande, los modelos de lenguaje generativo pueden generar ensayos, letras de canciones o incluso código fuente funcional en varios lenguajes de programación.

Los distintos modelos de lenguaje de gran tamaño utilizan diferentes conjuntos de datos de entrenamiento. Los modelos más grandes utilizan una gran variedad de textos, incluidos libros, artículos de noticias, publicaciones en redes sociales, trabajos de investigación y ensayos. Algunos ejemplos de modelos generativos de texto son ChatGPT, Bard de Google y Chat de Bing.

Modelos de difusión

Los modelos generativos de imágenes crean imágenes mediante un método llamado modelado de difusión. Estos modelos se entrenan mediante aprendizaje automático: analizan grandes conjuntos de datos etiquetados por entrenadores humanos con descripciones tanto del contenido como del estilo artístico de cada imagen. El modelo utiliza estas etiquetas durante el entrenamiento para asociar patrones y estructuras específicos dentro de una imagen con el texto correspondiente.

Durante el entrenamiento, un modelo de difusión descompone primero una imagen en una larga serie de pasos y añade ruido aleatorio lentamente. Después de reducir la imagen original a ruido, el modelo vuelve a ensamblar lentamente la imagen basándose en sus etiquetas de contenido, generando detalles para reemplazar el ruido aleatorio. Repite este proceso innumerables veces mientras su red neuronal ajusta variables hasta que la imagen reproducida se parece a la original. Una vez entrenado, un modelo puede crear imágenes completamente nuevas a partir de una instrucción del usuario utilizando las palabras clave y etiquetas que ha aprendido. Algunos ejemplos de modelos generativos de imágenes son DALL-E, Midjourney y Stable Diffusion.

Consideraciones éticas

El rápido crecimiento de la tecnología de IA generativa conlleva algunas preocupaciones éticas. Estos modelos requieren enormes conjuntos de datos de entrenamiento: decenas de terabytes de texto para un modelo de lenguaje y cientos de millones de imágenes para un modelo de difusión. Esos conjuntos de entrenamiento suelen incluir material protegido por derechos de autor y pueden crear material derivado basado en esas obras sin dar crédito ni compensar al creador original. Los conjuntos de entrenamiento también pueden incluir imágenes de personas sin su consentimiento. Por último, determinar si el resultado de una IA generativa puede estar protegido por derechos de autor (y quién posee esos derechos) es un área que aún no está resuelta legalmente.

Los modelos de IA generativa solo son tan buenos como se lo permite su conjunto de datos de entrenamiento, y los problemas presentes en esos conjuntos pueden aparecer en el resultado del modelo. Si el conjunto de datos de entrenamiento de un modelo incluye material con lenguaje o imágenes sesgados, puede captar esos sesgos e incluirlos en su resultado. Aunque los desarrolladores de modelos de IA generativa suelen filtrar el discurso de odio, los sesgos sutiles son mucho más difíciles de detectar y eliminar. Además, un modelo entrenado con datos que contienen información objetivamente incorrecta transmitirá esa información, lo que podría inducir a error a sus usuarios.