Con el auge de la Inteligencia Artificial han aparecido términos y vocabulario que desconocemos. Irene Horna, Head of Research & AI Ambassador de ROI UP Group nos aporta un poco de luz.

¿Qué es la Inteligencia Artificial?

Es una disciplina con el objetivo de crear máquinas y sistemas que imiten las capacidades cognitivas del ser humano, como el aprendizaje, el razonamiento y la resolución de problemas.
Objetivos de la IA:

 Automatizar tareas
 Mejorar la toma de decisiones
 Resolver problemas complejos

Definiciones más Importantes sobre Inteligencia Artificial

Machine Learning:

Es un campo de la Inteligencia Artificial, centrado en algoritmos que permiten a las computadoras aprender de los datos sin ser programadas explícitamente. Los modelos de aprendizaje automático encuentran patrones en los datos y mejoran sus predicciones a medida que se entrenan con más ejemplos.

Deep Learning:

Pertenece al campo del Machine Learning. Utiliza redes neuronales artificiales con múltiples capas. Estas redes se inspiran en la estructura del cerebro humano. Otra de sus características es que puede procesar conjuntos de datos masivos y complejos para aprender representaciones de alto nivel y extraer características sin intervención humana directa.

LLMs (Large Language Models):

Son un subcampo o subcategoría del Deep Learning, capaz de entender y generar texto que pueda ser entendido por una humano. Estos modelos han sido entrenados con un gran conjunto de datos y disponen de un gran número de parámetros (pre-trained, fine-tuned). Pueden entender el lenguaje humano y dar respuestas en un idioma concreto (o varios, depende de si es capaz de funcionar en diferentes idiomas). Además, permiten realizar muchas tareas como crear texto, traducciones, código de programación, responder preguntas, resumir textos, etc.

• Tipos de LLMs:

 Generic or raw Language Models: predice la siguiente palabra en un texto, basado en el entrenamiento recibido.

 Instruction Tuned: entrenado para predecir una respuesta a partir de un input. Por ejemplo,  resumir un texto, escribir uno o extraer información de un texto ya escrito.

 Dialog Tuned: están entrenados para tener un diálogo con un humano a base de predecir respuestas.

Tuning:

Se utiliza para encontrar la mejor configuración general de un modelo. Es el proceso de adaptar un modelo a un nuevo dominio o conjunto de casos de uso personalizados, mediante el entrenamiento del modelo en nuevos datos.

El ajuste de un modelo puede mejorar el rendimiento del modelo en el nuevo dominio o conjunto de casos de uso.  Si hiciéramos una analogía con una casa, sería elegir el diseño general de la casa (piso, casa, dúplex, etc.), su tamaño, los materiales de construcción (ladrillo, madera, etc.) y la distribución de las habitaciones.

Fine-tuning:

Adapta un modelo a un objetivo específico. Es un proceso de entrenamiento adicional que se realiza después de que el LLM ya ha sido entrenado en un conjunto de datos general. Su objetivo es mejorar el rendimiento del LLM en una tarea específica. Esto se logra entrenando al LLM en un conjunto de datos que es específico para la tarea en cuestión. Si hiciéramos una analogía con una casa, sería como personalizarla a tu gusto una vez que la estructura básica está construida, elegir el color de la pintura, tipo de muebles, la decoración, etc. Es un proceso que se realiza después de que la casa está construida.

Alucinaciones en IA (Hallucinations):

Son palabras o frases que el modelo genera después de un input y no tienen sentido o contienen errores de diversa índole, desde datos incorrectos o errores ortográficos o gramaticales. Posibles causas de las alucinaciones:

 El modelo no se ha entrenado con datos suficientes.

 No se proporciona suficiente contexto al modelo en el input, ejemplo al escribir el prompt.

 El modelo se entrena con datos no precisos.

IA Discriminativa:

Es un subcampo o subcategoría del Deep Learning que tiene como objetivo ser capaz de distinguir y clasificar conceptos u objetos. Por  ejemplo, se puede entrenar una IA Discriminativa para diferenciar objetos de color rojo del resto de colores. Un caso de uso sería para un catálogo de ropa, donde la IA podría asignar un color a cada producto automáticamente. Otro ejemplo de IA Discriminativa sería IA para la automoción, que detecte automáticamente señales de velocidad, mediante una microcámara en la carretera y luego pueda indicarlas al conductor.

IA Generativa:

También es una subcategoría del Deep Learning, capaz de crear contenido nuevo como texto, imágenes, audio y videos. Para hacerlo, aprende de los datos y archivos preexistentes y, luego, usa esos conocimientos para generar contenido nuevo y único. El proceso de aprender del contenido existente se llama “entrenamiento” y da como resultado la creación de un modelo estadístico.

Cuando se le da una indicación, la IA Generativa utiliza este modelo estadístico para predecir cuál podría ser una respuesta esperada, y esto genera nuevo contenido. Algunos ejemplos: traducción automática, escritura creativa, creación de imágenes, creación de vídeos, creación de música y audio, escribir código para programas informáticos, etc.

• Definiciones de algunas acciones que puede hacer la Inteligencia Artificial Generativa

Text-to-Text: texto generado a partir de otro texto.

Image-To-Video: generación de video a partir de imagen.

Text-to-Video: generación de vídeo a partir de un texto.

Cinemagraphs: dar vida a una parte concreta de una imagen, para transformarla en video. Requiere una imagen y un texto.

Video Inpainting: dotar de imagen y video a una zona de un video a partir del contexto general.

Stylized Generation: utilizando una sola imagen de referencia, generación de imágenes o videos en el estilo de esa imagen de referencia. Para ello, se necesita también un prompt textual con las indicaciones para la creación de ese nueva imagen o vídeo.

Video Stylization: a partir de un video de referencia, es posibleescribir diferentes prompts y se puede transformar ese video en lo que se desee.