En un momento en que la inteligencia artificial (I.A) está muy de moda, especular sobre su futuro puede ser prematuro, sobre todo cuando muchas empresas aún no se han hecho a la idea de sus posibilidades. Y es que existen razones para entusiasmarse por la evolución de la I.A, pero también escollos a tener en cuenta.
Los académicos tienen una visión mucho más amplia, basada en un largo corpus de investigación para anticipar el potencial de la I.A, así como sus retos a medida que el campo sigue evolucionando.
Aunque están de acuerdo en que es un momento emocionante, la locura en torno a herramientas como ChatGPT no es más que la faceta de una bestia mucho mayor. Todavía queda mucho por descubrir en el ámbito empresarial, como las estrategias de monetización, pero también hay muchos retos éticos y de seguridad.
La evolución de la I.A, al detalle
Tres expertos, que intervinieron en una mesa redonda en la reciente cumbre Data + AI Summit 2023 de Databricks, trazaron un camino sobre cómo podría desarrollarse la I.A en el futuro, así como todo lo que las empresas deben tener en cuenta a medida que avanzamos colectivamente hacia el futuro de la I.A.
Así, te mostramos cuatro razones para estar entusiasmados con el futuro de la I.A, y otras tres para no lanzar las campanas al vuelo tan rápidamente.
1. Disponibilidad masiva de LLMS
Como parte de su investigación sobre I.A a lo largo de 15 años, Michael Carbin, profesor asociado del Departamento de Ingeniería Eléctrica e Informática del MIT, ha estado explorando cómo tomar modelos más grandes y hacerlos mucho más accesibles para todo el mundo.
«Estos modelos no sólo están en manos de las grandes organizaciones, sino que pueden estar en manos de todos», afirmó durante un debate.
Carbin desempeñó un papel fundador en la startup de IA MosaicML, que Databricks adquirió recientemente por 1.300 millones de dólares.
Empresas como ésta pretenden dotar a las organizaciones de las herramientas necesarias para crear sus propios sistemas de I.A generativa en la propia empresa, utilizando datos de primera mano, en lugar de, por ejemplo, extraer masas de información de Internet. Estos servicios podrían reducir la barrera de entrada para las empresas que desean aprovechar la I.A en sus sectores específicos.
2. Redes líquidas
Una de las innovaciones más apasionantes surgidas en el MIT en los últimos años ha sido la idea de las redes líquidas, y en ella se centra actualmente Daniela Rus, profesora de Ingeniería Electrónica del MIT y directora de su Laboratorio de Ciencias de la Computación e Inteligencia Artificial (CSAIL).
Descritas como un nuevo enfoque del aprendizaje automático, las redes líquidas adoptan un enfoque compacto, así como un enfoque de tiempo continuo para aplicaciones con datos de series temporales.
«Son causales demostrables y tienen buenas propiedades de generalización«, dice Rus, «cuando se entrenan en un entorno y se aplican en otro, con enormes cambios de distribución«.
«Mientras el mundo intenta hacer las redes cada vez más grandes, yo quiero hacerlas más pequeñas», dice, antes de destacar un ejemplo de redes líquidas en acción. «Si queremos que un coche robot se mantenga en su carril y se dirija, hacen falta unas 100.000 redes diferentes para conseguir un buen comportamiento, y sólo hacen falta 19 de nuestras redes líquidas».
«Si la solución se basa en un par o decenas de nodos, se pueden extraer árboles de decisión que expliquen cómo toma decisiones el sistema. De este modo, puedes empezar a abordar aplicaciones críticas para la seguridad, en las que es muy importante saber cómo llega el modelo a las decisiones».
3. Modelos más pequeños, no más grandes
Sobre el tema de los modelos cada vez más pequeños, no más grandes, Carbin destaca que los datos pequeños son esenciales para los modelos de I.A del mañana.
En la actualidad, para crear modelos que generen código, por ejemplo, se «buscan todos los datos posibles», se extraen conjuntos de datos «grandes y bastante sucios» y se introducen en un modelo grande, pero genérico. Pero los modelos con menos puntos de datos, pero de mayor calidad, serían más baratos de construir y requerirían menos recursos para competir con empresas como ChatGPT.
«Si se hace un buen trabajo de conservación de los datos, se pueden encontrar oportunidades para procesar una cantidad de datos mucho menor», afirma Carbin.
«ChatGPT es absolutamente increíble», añade, «pero cuando puedes centrarte en tu dominio y caso de uso particular, creo que hay oportunidades realmente buenas para construir estos modelos, y construirlos tú mismo, porque la escala es accesible para ti».
4. I.A multimodal
Los modelos de I.A del mañana serán multimodales, es decir, podrán entrenarse con una gran variedad de datos al mismo tiempo, como vídeo, audio, voz, imágenes, texto y conjuntos de datos numéricos, entre otras fuentes.
El procesamiento del lenguaje natural (PLN) podría considerarse una forma de I.A multimodal, por ejemplo, porque combina el reconocimiento de texto con el de voz. Pero los sistemas del futuro pueden incorporar todos los tipos de medios, no sólo unos pocos, lo que elevará exponencialmente la sofisticación de la tecnología.
Se trata fundamentalmente de un nuevo paradigma de la I.A que acercará mucho más la tecnología a los niveles humanos de toma de decisiones, y Carbin afirma que estamos a un paso.
«Sólo quiero ver multimodal. Estamos en una época en la que de repente tenemos la capacidad de tener interacciones multimodales con los ordenadores. Y eso va a aportar tantas capacidades nuevas a tanta gente que antes sólo podía acceder a la computación a través de la programación.»
Algunos inconvenientes
Así como la I.A ha aparecido como un punto de inflexión en la informática actual, también plantea retos a tener en cuenta:
1. Problemas de seguridad sin resolver
«En medio de todo el entusiasmo, los profesionales de la I.A no piensan lo suficiente en cómo se hará un mal uso de los servicios«, afirma Dawn Song, profesora de informática de la UC Berkeley, que intervino en el panel junto a Carbin y Ruso.
Estos modelos plantean muchos problemas de seguridad y privacidad. Por ejemplo, como los servicios de IA estarán «expuestos» al usuario en general, hay que tener cuidado con el uso responsable. Además, es fácil piratearlos, engañarlos para que den respuestas erróneas e introducir en ellos puertas traseras. Por último, los modelos pueden comportarse mal en determinadas condiciones.
«Uno de los grandes retos para los profesionales que despliegan estos modelos es cómo saber cuándo el modelo está realmente listo para ser desplegado», explica Song. «¿Cómo se mide el comportamiento del modelo? ¿Cuáles son las métricas para medir la fiabilidad y los diferentes aspectos del modelo?».
2. La huella de carbono de la I.A
Según Ruso, en la actualidad existen tres categorías de I.A: las soluciones basadas en el reconocimiento de patrones, los sistemas diseñados principalmente para tomar decisiones (donde entra en juego el aprendizaje por refuerzo) y, por último, la I.A generativa.
«En cada una de estas tres categorías nos enfrentamos a problemas relacionados con los datos, porque todas requieren muchos datos. Y eso significa que el cálculo es enorme», dice Ruso. «Eso también significa que hay una gran huella medioambiental».
Desplegar un modelo muy pequeño, según los estándares actuales, libera 284 toneladas de dióxido de carbono a la atmósfera, añade Ruso, lo que equivale a las emisiones durante la vida útil de cinco coches.
«A medida que pensamos en el despliegue de la I.A en el futuro, es importante tener estos números en mente, porque queremos herramientas que apoyen su ejecución, pero también que apoyen al planeta.»
3. El peligro de la monopolización
«Hablamos de estos asistentes personales que ayudan a las personas, pero ¿quién controla realmente estos asistentes personales?», plantea Song. Un peligro importante a medida que evoluciona la incipiente industria es que las grandes tecnológicas dominen el campo y den forma al desarrollo.
La alternativa a esta visión, o al menos, que sirva como complemento, se basa en una expansión, por ejemplo, del desarrollo de código abierto. Por otro lado, también se plantea el desarrollo interno de sistemas de I.A generativa en los que las empresas individuales sean propietarias de la propiedad intelectual de los modelos que utilizan.