La IA generativa es un tipo de inteligencia artificial que se especializa en crear nuevo contenido, a menudo basado en patrones que aprende de los datos existentes.
No todo es sobre inteligencia artificial generativa, al contrario, en la mayoría de casos requerimos priorizar modelos alternativos o complementarios de inteligencia artificial para solucionar problemas o retos específicos de nuestro negocio.
Analizaremos aquí dos categorías principales, entre los diferentes tipos y clasificaciones planteados. (Reactiva, memoria limitada, Teoría de la mente, Consciencia Propia)
Ejemplos de las capacidades de la inteligencia artificial (IA) generativa, se incluyen la creación de nuevas frases, escritos, ideas, análisis simulado, la síntesis de nuevas imágenes, la creación de música, el diseño de modelos 3D, y más.
Las diferencias principales entre la IA generativa y otros enfoques de IA (como los modelos discriminativos) se pueden describir de la siguiente manera:
- Modelos de IA Generativos: Estos modelos aprenden la distribución conjunta de probabilidad P(X, Y) y luego predicen la probabilidad condicional P(Y | X). Son buenos para generar nuevos datos. Ejemplos incluyen los Autoencoders Variacionales (VAEs), las Redes Adversarias Generativas (GANs), y modelos de lenguaje de gran tamaño (LLM) como GPT-4.
- Modelos de IA Discriminativos: Estos modelos aprenden la distribución de probabilidad condicional P(Y | X). Se utilizan para tareas como la clasificación, donde el objetivo es predecir un valor Y dado un valor X. Ejemplos incluyen la Regresión Logística, las Máquinas de Vectores de Soporte (SVMs), y muchos tipos de Redes Neuronales utilizadas en Aprendizaje Supervisado.
Fuente de imagen descriptiva: Vitalflux.com
Fuente de imagen descriptiva: Vitalflux.com
¿Cuándo funciona mejor la inteligencia artificial generativa?
Ahora, respecto a los tipos de problemas para los que la IA generativa es adecuada y no adecuada:
La IA generativa es particularmente adecuada para:
- Creación de Contenido: Los modelos generativos pueden crear nuevos datos que se asemejen a los datos del mundo real. Esto podría abarcar desde texto (como crear nuevos artículos, historias, diálogos, etc.), hasta imágenes (como crear nuevos diseños, obras de arte, etc.), música, videos y más.
- Aumento de Datos: Los modelos generativos pueden crear datos sintéticos que pueden utilizarse para aumentar los conjuntos de datos del mundo real cuando están incompletos o son pocos. Esto suele ser útil en casos en los que la recopilación de datos del mundo real es difícil, costosa o lenta.
- Detección de Anomalías: Al aprender cómo se ve un «dato normal», los modelos generativos pueden identificar instancias que no se ajustan al modelo aprendido, es decir, anomalías.
- Imputación de Datos Faltantes: Los modelos generativos también pueden predecir cómo deberían ser los datos faltantes basándose en los patrones que han aprendido de los datos existentes.
La IA generativa podría no ser adecuada para:
- Tareas Predictivas Específicas: Si deseas predecir un resultado específico basado en entradas dadas (por ejemplo, predecir si un correo electrónico es spam o no), los modelos discriminativos suelen ser más adecuados, ya que aprenden directamente la frontera entre las clases.
- Interpretabilidad: Los modelos generativos, especialmente los basados en aprendizaje profundo, a menudo sufren de falta de interpretabilidad – puede ser difícil entender por qué han generado el contenido que han generado.
- Control de la Salida: Aunque los modelos generativos pueden producir resultados creativos y diversos, controlar los detalles del contenido generado puede ser un desafío.
- Calidad del Contenido Generado: Aunque los modelos de IA generativa pueden producir resultados impresionantes, la calidad puede no ser siempre consistente. Además, la calidad de la salida podría ser pobre si el modelo se entrena con datos insuficientes o sesgados.
- Uso Intensivo de Recursos: El entrenamiento de modelos generativos, especialmente los modelos de aprendizaje profundo, puede ser computacionalmente intensivo y puede requerir mucha data.
La elección entre la IA generativa y otros enfoques de IA debería estar guiada por la naturaleza de la tarea y las metas del proyecto.
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 los modelos discriminativos son más eficientes en tareas de predicción y clasificación.
Cabe recordar que ambos tipos de modelos tienen limitaciones en términos de interpretabilidad, control sobre el contenido generado y calidad del contenido, entre otros aspectos.
La IA generativa ha sido cuestionada por “inventar” resultados en busca de entregar siempre respuestas, a este efecto se lo llama “Alucinación”, que en algunos casos es positiva para plantear perspectivas probables, pero es negativa al buscar respuestas 100% correctas. (Se debe tomar en cuenta que como humanos, también solemos “alucinar” u ofrecer resultados aproximados, incompletos o ficticios).
Recomendaciones:
Para evaluar qué tipo de IA se adecúa más a una iniciativa o proyecto, es útil considerar los objetivos empresariales en las siguientes categorías:
- Generación de contenido: Si tu empresa necesita producir contenido nuevo y único, ya sea texto, imágenes, música, etc., entonces la IA generativa puede ser una opción sólida.
- Clasificación y predicción: Si el proyecto está orientado hacia la clasificación o predicción, como determinar si un correo electrónico es spam o no, los modelos discriminativos suelen ser más efectivos.
- Interpretabilidad: Si tu proyecto necesita explicar por qué se toman ciertas decisiones, es posible que quieras evitar modelos de aprendizaje profundo y optar por enfoques más interpretables.
- Calidad y control de salida: Si necesitas un alto grado de control sobre el contenido generado o si estás particularmente preocupado por la calidad del contenido, debes tener en cuenta que los modelos generativos pueden tener problemas para garantizar la consistencia.
- Recursos disponibles: Los modelos generativos, en particular los basados en el aprendizaje profundo, pueden requerir grandes cantidades de datos y capacidad de procesamiento. Es importante tener en cuenta los recursos disponibles al planificar el proyecto.
- Detección de anomalías y llenado de datos faltantes: Si tu proyecto se centra en la detección de anomalías o la imputación de datos faltantes, los modelos generativos pueden ser muy útiles.
En resumen, la elección del tipo de IA para un proyecto debe ser guiada por una evaluación cuidadosa de los objetivos y necesidades del proyecto, así como por los recursos disponibles y las limitaciones de cada enfoque de IA.
