Primary menu

La IA: ¿Un nuevo Renacimiento o una amenaza para la humanidad?

Por Agencia | 7 de Jul. 2023 | 4:23 am

Parte I: ¿Qué hay detrás de la IA?

El francés Yann Le Cun y el británico-canadiense Geoffrey Hinton fueron galardonados en 2018 con el premio Alan Turing[1], considerado como el Nobel en informática. Ambos recibieron esta distinción por sus contribuciones mayores en el campo de la inteligencia artificial (IA). Hoy en día, tienen visiones drásticamente opuestas sobre el impacto que tendrá esta disciplina sobre la humanidad.

El primero, afirma que las herramientas de la IA empoderarán al hombre al multiplicar su eficiencia, su productividad y su creatividad, lo que llevará a "una época de un nuevo Renacimiento, básicamente un una nueva Iluminación[2]." Por el contrario, el segundo avaló recientemente una declaración sobre el riesgo de extinción que corre la especie humana con el desarrollo de la IA y anticipa que este riesgo será muy difícil de controlar[3].

Las opiniones de Le Cun e Hinton reflejan bien la polarización actual de los comentarios cada vez más numerosos sobre la IA en los medios de comunicación.

Entonces : ¿Será la IA una revolución o una maldición[4]? Vasta pregunta. Para poder responderla nos proponemos (parte I) repasar en que consiste exactamente la IA, (parte II) identificar cuáles son sus impactos (actuales y potenciales) y (parte III) analizar las condiciones bajo las cuales se podrá, o no, controlar su evolución.

En este primer artículo, veremos entonces qué hay detrás del concepto de IA. Un lector apresurado puede ir directamente a las conclusiones preliminares al final del texto.

Definicíon de la IA

De las muchas definiciones que han surgido de la IA, tomaremos una muy simple: "La IA es un algoritmo (un conjunto de instrucciones) computacional que realiza tareas antes efectuadas por humanos y que requiere de inteligencia[5]." Aquí la Inteligencia se entiende como "la capacidad de tomar una decisión[6]."

El algoritmo se alimentará con datos, para que pueda descubrir relaciones entre estos datos y realizar luego una tarea en función de este aprendizaje.

Así, el algoritmo de IA simula en computadoras facultades cognitivas humanas elaboradas (adquirir conocimiento y actuar, o tomar una decisión, con base en este último, sin que haya sido programado específicamente para ello): es una inteligencia, artificial, que permite a las personas realizar su trabajo de manera más rápida, más eficiente y con una mejor calidad que antes.

Dos familias de IA[7]

Podemos distinguir dos familias de IA: la IA discriminativa y la IA generativa. En el caso de la IA discriminativa, los algoritmos brindan un resultado predecible (aprenden la distribución de probabilidad condicional P(Y/X) para predecir un valor Y dado X). Un ejemplo: el reconocimiento de imágenes. Si se alimenta a un algoritmo con una gran cantidad de imágenes de diferentes tipos de gatos etiquetadas con el nombre "gato", ese algoritmo logrará analizarlas, de tal manera que, posteriormente, podrá clasificar e identificar cualquier imagen de gato que se le presente.

Siguiendo este principio existen numerosas aplicaciones de IA, como: los sistemas de clasificación y de agrupamiento (clustering) que se utilizan en marketing; los primeros algoritmos empleados en redes sociales y buscadores como Google para responder mejor al patrón de conducta de los usuarios de estas plataformas; los sistemas de reconocimiento de imágenes en el campo medical (detección de lesiones en radiografías, o imágenes de resonancia magnéticas, imperceptibles para el ojo humano); los sistemas de identificación de patrones entre variables de análisis y realización de proyecciones; los traductores de idiomas; los agentes conversacionales (chatbots); la automatización de procesos como la ayuda a la conducción de automóviles y la detección de fraudes en tarjetas de crédito; los agentes inteligentes (Siri de Apple o Alexa de Amazon)[8], etc.

En el caso de la IA generativa, los algoritmos brindan un resultado cuyo contenido es completamente nuevo, pero… similar a, o que no esté desparejado con, los ejemplos que se usaron para entrenarlos (aprenden la distribución conjunta de probabilidad P(X, Y) y, luego, predicen la probabilidad condicional P(Y/X)).

Así funciona, por ejemplo, la generación de textos: si se alimenta un base de datos con millones de frases y textos, el algoritmo, a la demanda, completará cualquier palabra analizando los scores de proximidad con otras palabras; escogerá la palabra o conjunto de palabras que aparece más asociado con la palabra inicial en la base que sirvió para su entrenamiento; de forme repetida, palabra tras palabra el algoritmo irá construyendo un texto completo, original con sentidos lógico y sintáctico.

Ejemplos de aplicaciones comerciales muy conocidas de la IA generativa son los sistemas de generación de textos y de códigos, con facilidades para contestar preguntas y buscar información, como Chatgpt4 de Open AI y Bert de Google, los sistemas de generación de imágenes tales como Dall-e de Open AI y Midjourney. Las aplicaciones de IA generativa incluyen también la creación de música, el diseño de modelos 3D y más.

En breve: "la IA generativa es preferida en escenarios donde la generación de nuevos contenidos o la simulación de datos del mundo real es el objetivo principal, mientras que la IA discriminativa es más eficiente en tareas de predicción y clasificación."

Métodos de aprendizaje

El aprendizaje de los algoritmos se basa en tres tipos de métodos: supervisado, no supervisado y reforzado.

– El aprendizaje supervisado consiste en aprender a partir de un set de datos de entrada, con salidas conocidas, para poder predecir las salidas correspondientes a nuevas entradas. Se utiliza este método tanto en IA generativa, como en IA discriminativa para realizar tareas de clasificación, por ejemplo.

– El aprendizaje no supervisado busca descubrir modelos y estructuras dentro de los datos, pero sin disponer de salidas conocidas a predecir. Es el caso de la IA discriminativa para realizar agrupamientos (clustering).

– El aprendizaje por reforzamiento aprende en función de premios o castigos recibidos para acciones tomadas en un entorno dado. Se utiliza, en particular, en el Reinforcement Learning from Human Feedback, con el fin de ajustar los resultados (fine tuning) de conformidad con políticas de aprendizaje predefinidas; este método está más empleado en IA generativa.

Mientras que con los dos primeros métodos el algoritmo de IA aprende imitando a partir de datos de "entrenamiento", con el método por reforzamiento, el algoritmo aprende haciendo, basándose en pruebas y errores. Este último método resulta ser el más complejo de implementar de los tres.

Las técnicas de aprendizaje

Se suele distinguir la técnica del aprendizaje automático (Machine Learning) de la técnica del aprendizaje profundo (Deep Learning) [9].

Los algoritmos de Machine Learning descubren relaciones dentro de los datos, partiendo del análisis de características predefinidas. Por ejemplo, si se trata de una IA para reconocer imágenes de diferentes tipos de vehículos, se facilitará el aprendizaje del algoritmo definiendo de antemano características tales como: rueda, vidrio, motor, etc.

En cambio, los algoritmos de Deep Learning inician con grandes cantidades de datos brutos, de los cuales ellos mismos extraen características y, con base en estas últimas, hallan relaciones entre estos datos. Es decir que el Deep Learning evita la etapa de predefinición por el hombre de características. Los resultados del aprendizaje son a menudo superiores a los obtenidos con métodos más tradicionales de aprendizaje automático.

Ambas técnicas de aprendizaje utilizan las redes neuronales artificiales; en el caso del Deep Learning se usan redes neuronales artificiales profundas (o multicapas). Estas tecnologías combinan aspectos del funcionamiento del cerebro humano, específicamente de las conexiones entre neuronas y sinapsis, con métodos estadísticos sofisticados; combinación apropiada para el tratamiento de altos volúmenes de datos y parámetros con muchas interrelaciones.

Otras tecnologías importantes y relativamente recientes son[10] : la arquitectura de red neuronal Transformers que puede analizar grandes conjuntos de datos a escala para crear automáticamente modelos de lenguajes de gran tamaño (LLM)- esta tecnología se utiliza en Chatgpt, Dall-e y Midjourney – y la introducción de los campos de radiancia neuronales (NeRF), una técnica para generar contenido en 3D a partir de imágenes en 2D.

Niveles de IA

La IA actual es de tipo ANI por Artificial Narrow Intelligence (inteligencia artificial estrecha). Existe consenso entre los científicos y expertos del campo en que la IA tendrá a evolucionar hacia una "super inteligencia artificial", ASI en inglés (Artificial Super Intelligence)[11].

Lo vimos, las ANI son muy eficientes para realizar tareas muy específicas, son superiores al hombre, en particular, más rápidas para efectuar tareas repetitivas y analizar grandes conjuntos de datos[12] , así como en cálculo y lógica como en el juego de GO[13]. En cambio, la ASI[14] ira mucho más allá. Consistirá en una inteligencia artificial superior a la inteligencia del hombre en prácticamente todas las funciones cognitivas de este último y que, además, tendrá conciencia de sí misma e, inclusive, el equivalente a sentimientos[15].

Nadie sabe a ciencia cierta cuando aparecerán las primeras aplicaciones de ASI, aunque, como lo veremos en el segundo artículo, algunas personas como Kurzweil[16] y Altman[17] se atreven a hacer predicciones muy precisas al respecto. En cambio, todo el mundo concuerda en que la investigación y desarrollo en IA se da a paso acelerado.

Conclusiones preliminares

Los algoritmos de IA se basan en modelos estadísticos y en probabilidades. La IA no da la verdad, no tiene noción de este concepto, sino que brinda resultados razonables[18] y probables.

Por lo tanto, existe la posibilidad de errores que lógicamente limita su confiabilidad y … sus usos, en ciertas aplicaciones. Así, con las imágenes medicales, los algoritmos son excelentes para detectar lesiones, pero no suficientemente confiables para tomar decisiones finales; de la misma manera, que los autos con conducción automatizada no lo son para funcionar sin conductores; o que los generadores de textos no lo son para la búsqueda de información como los verdaderos buscadores tipo Google o Wikipedia.

Incluso, la IA generativa puede a veces brindar resultados inconsistentes o absurdos, se habla en estos casos de "alucinaciones". La calidad de los resultados puede ser afectada también por datos de entrada insuficientes.

Los sistemas de IA, como ChatGpt, son sistemas cerrados si bien que las personas que los utilizan no pueden entender cómo funcionan, ni los investigadores investigarlos[19]. A veces las redes neuronales artificiales profundas son tan complejas que sus mismos creadores tienen dificultades para comprender o interpretar exactamente como se obtienen los resultados[20].

Por concepción, los resultados son siempre, en mayor o menor proporción, "sesgados", por los datos de entrada escogidos, y por las intervenciones humanas requeridas para ajustar los resultados a políticas de la empresa, eliminando o favoreciendo ciertas respuestas (detallaremos estos puntos en la segunda parte de este artículo). Por concepción también, la IA generativa no establece un enlace con las fuentes de información, sino que realiza una síntesis directa de estás.

Los algoritmos de IA más potentes de Deep learning requieren de grandes capacidades informáticas para su desarrollo y su funcionamiento, y de la disponibilidad de volúmenes altos y diversificados de datos, ojalá ya digitalizadas, para las fases de aprendizaje.

Estas conclusiones de carácter técnico y funcional sobre la IA serán importantes para el análisis de los impactos positivos y negativos asociados a esa tecnología, que abordaremos en el segundo artículo.

[1] Conjuntamente con el canadiense Yoshua Bengio.

[2] Yuval Noah Harari (Sapiens) versus Yann Le Cun (Meta) on artificial intelligence. https://www.lepoint.fr/sciences-nature/yuval-harari-sapiens-versus-yann-le-cun-meta-on-artificial-intelligence-11-05-2023-2519782_1924.php

[3] Artificial intelligence could lead to extinction, experts warn https://www.bbc.com/news/uk-65746524

[4] Intelligence artificielle : le rapport de Cédric Villani, Yann Le Pollotec, Dans La Pensée 2018/4 (N° 396), pages 73 à 85 https://www.cairn.info/revue-la-pensee-2018-4-page-73.htm

[5] David Louarpe https://www.youtube.com/watch?v=trWrEWfhTVg&ab_channel=ScienceEtonnante

[6] Ver nota 1

[7] https://blog.formaciongerencial.com/inteligencia-artificial-generativa-discriminativa-y-otros-enfoques-relevantes/

[8] https://blogs.imf-formacion.com/blog/tecnologia/agentes-inteligentes-202305/

[9] Ver nota 5

[10] https://www.techtarget.com/searchenterpriseai/tip/Generative-models-VAEs-GANs-diffusion-transformers-NeRFs

[11] Pasando por la etapa de AGI (Artificial General Intelligence)

[12] https://webmedy.com/blog/fr/ai-human-intelligence/

[13] https://www.xataka.com/robotica-e-ia/creiamos-que-ia-era-invencible-jugando-al-go-este-jugador-ha-conseguido-derrotarla-curioso-metodo

[14] https://www.techtarget.com/searchenterpriseai/definition/artificial-superintelligence-ASI

[15] Ver nota 1

[16] Ray Kurzweil https://www.futura-sciences.com/tech/actualites/intelligence-artificielle-ray-kurzweil-ancien-google-etre-humain-va-atteindre-singularite-technologique-20-ans-104426/