Inteligencia Artificial: guía para comprender su alcance

A medida que la integración de las herramientas de inteligencia artificial (IA) se vuelve más frecuente en las aulas, es crucial que los docentes puedan comprender cómo involucrar efectivamente estas tecnologías.

Ya que, al emplear correctamente las técnicas de solicitud de información a una IA, los profesores pueden ayudar a sus estudiantes en el aprendizaje, ofreciendo un contenido confiable y diseñados para estimular habilidades de pensamiento crítico.

En este artículo, me gustaría explorar varias estrategias para la ingeniería rápida que hemos usado en nuestro grupo de investigación de las IA y brindar información sobre cómo los profesores pueden aprovechar el poder de la IA para mejorar las experiencias de aprendizaje de los estudiantes.

Como informática y profesora, este es un área que me apasiona, y aunque es un tanto compleja, te lo voy a explicar de una manera sencilla y amena para que puedas entenderla y aprovechar esta tecnología al máximo.

¿La inteligencia artificial es tan nueva como parece?

La inteligencia artificial se remonta a finales de la década de 1940, cuando pioneros de la informática como Alan Turing y John von Neumann comenzaron a examinar cómo las máquinas podían «pensar».

Sin embargo, en 1956 se produjo un hito importante en la IA, cuando los investigadores demostraron que una máquina podía resolver cualquier problema si se le permitía utilizar una cantidad de memoria. El resultado fue un programa llamado General Problem Solver (GPS).

Todo ello, definió en aquel entonces a la IA como:

 La capacidad de una máquina para realizar una tarea que anteriormente habría requerido inteligencia humana.

Esta es una definición bastante amplia y que se ha modificado a lo largo de décadas de investigación y avances tecnológicos.

Construyendo el concepto de IA

La inteligencia artificial es un área muy amplia en la informática. Sin embargo, con toda la nueva tecnología e investigación, está creciendo tan rápido que puede resultar confuso entender ¿Qué es?

Además, existen muchos campos diferentes dentro de la IA, cada uno de ellos, desarrolla algoritmos específicos para darle cualidades humanas a las computadoras. Por tanto, es fundamental saber que la IA no es un campo único, sino una combinación de varios campos.

Partiendo de ese principio, podemos decir que, Inteligencia artificial (IA) es un término general que se utiliza para definir un área de la Informática que engloba varios subcampos, los cuales están relacionados con el desarrollo de algoritmos que hacen que las computadoras hagan cosas que requieren inteligencia humana.

Pero para lograrlo, la IA se divide en dos campos principales:

• Aprendizaje automático (Machine Learning ML)
• Redes neuronales (neural networks, NN)

Es decir, ambos son subcampos de la Inteligencia Artificial y cada uno tiene sus métodos y algoritmos para ayudar a resolver problemas.

Aprendizaje automático

El Aprendizaje Automático o ML (por sus siglas en inglés), es un campo de la IA relacionado con el desarrollo de algoritmos, para que las computadoras aprendan de datos y de la experiencia, para mejorar su desempeño en algunas tareas o procesos de toma de decisiones.

Es decir, un algoritmo de aprendizaje automático recibe datos, de los cuales, va acumulando un histórico y utiliza técnicas estadísticas para «aprender» y mejorar progresivamente en una tarea, sin necesariamente haber sido programado específicamente para esa tarea.

Los algoritmos de aprendizaje automático a menudo se clasifican en:

• Supervisados
• No supervisados

Los supervisados ​​pueden aplicar lo aprendido en el pasado a nuevos conjuntos de datos. Los no supervisados ​​pueden extraer inferencias de un conjunto de datos.

El aprendizaje automático implica que un sistema se entrene con grandes cantidades de datos, de modo que pueda aprender de los errores y reconocer patrones para tomar predicciones y decisiones con precisión, ya sea que hayan estado expuestos a datos específicos o no.

Redes neuronales

Las redes neuronales o NN (por sus siglas en inglés), es otro campo de la IA, pero está relacionado con programas inspirados en las neuronas biológicas del cerebro humano.

Las NN están compuestas por una serie de algoritmos utilizados como proceso en aprendizaje automático que pueden reconocer patrones y relaciones en grandes cantidades de datos.

Estos algoritmos están compuestos por capas de nodos conectados llamados «neuronas artificiales» que contienen funciones matemáticas para procesar datos entrantes y predecir un valor de salida.

Las redes neuronales artificiales aprenden con el ejemplo, es decir de manera similar a cómo los humanos aprendemos de nuestros padres, maestros y compañeros.

Las NN son fundamentales para el aprendizaje profundo y permiten diversos casos de uso en todas las industrias y en todo el mundo.

Aprendizaje automático vs. Aprendizaje profundo (Deep Learning)

Al hablar de IA también solemos escuchar términos como el aprendizaje profundo y en muchos casos se confunde con el concepto de aprendizaje automático, sin embargo, no deberían usarse indistintamente.

El aprendizaje profundo es un subconjunto del aprendizaje automático que utiliza redes neuronales artificiales de múltiples capas para ofrecer precisión de vanguardia en la detección de objetos, el reconocimiento de voz y la traducción de idiomas.

El termino profundo se refiere a la profundidad de las capas en una red neuronal.

Una red neuronal que consta de más de tres capas, que incluirían las entradas y la salida, puede considerar un algoritmo de Deep Learning.

El aprendizaje profundo es una tecnología crucial detrás de los automóviles sin conductor y permite el análisis automático de grandes cantidades de datos complejos (por ejemplo, reconocer los rostros de las personas que aparecen en una imagen o un vídeo, etc).

¿Qué es una inteligencia artificial?

El origen del nombre o término de “Artificial Intelligence” fue acuñado por John McCarthy en la Conferencia de Dartmouth celebrada en 1956.

Según McCarthy, la Inteligencia Artificial es:

 La ciencia y la ingeniería de crear máquinas inteligentes, especialmente programadas por computación inteligente.

En 2019 la Comisión Mundial de Ética del Conocimiento Científico y la Tecnología (COMEST) de la UNESCO definió la inteligencia artificial como:

Campo de la informática que implica máquinas capaces de imitar determinadas funcionalidades de la inteligencia humana, incluidas características como la percepción, el aprendizaje, el razonamiento, la resolución de problemas, la interacción lingüística e incluso la producción de trabajos creativos.

Es decir, los sistemas artificialmente inteligentes están diseñados para realizar tareas comúnmente asociadas con funciones cognitivas humanas, como interpretar el habla, jugar e identificar patrones.

Por lo general, aprenden cómo hacerlo procesando cantidades masivas de datos y buscando patrones para modelar en su propia toma de decisiones.

En muchos casos, los humanos supervisan el proceso de aprendizaje de una IA, reforzando las buenas decisiones y desalentando las malas.

Pero algunos sistemas de IA están diseñados para aprender sin supervisión; por ejemplo, jugando un videojuego una y otra vez hasta que finalmente descubren las reglas y cómo ganar.

IA fuerte vs IA débil

Como te habrás dado cuenta, la inteligencia es difícil de definir, razón por la cual los expertos en IA suelen distinguir entre IA fuerte e IA débil.

IA fuerte

La IA fuerte, también conocida como inteligencia artificial general, es una máquina que puede resolver problemas para los que nunca ha sido entrenada, de manera muy similar a como puede hacerlo un humano.

Este es el tipo de IA que vemos en las películas, como los robots R2D2, Wall-E o DATA, pero en realidad sigue siendo un concepto hipotético, ya que implica que una máquina comprenda y realice tareas muy diferentes en función de su experiencia acumulada.

IA débil

La IA débil, a veces denominada IA ​​restringida o IA especializada, opera dentro de un contexto limitado y es una simulación de la inteligencia humana aplicada a un problema estrechamente definido (como conducir un automóvil, transcribir el habla humana o seleccionar contenido en un sitio web).

La IA débil a menudo se centra en realizar una sola tarea extremadamente bien. Si bien estas máquinas pueden parecer inteligentes, operan bajo muchas más restricciones y limitaciones que incluso la inteligencia humana más básica.

Los asistentes de voz, como Siri, Alexa, Google Assistant están dentro de esta categoría. Cada uno depende en gran medida del aprendizaje automático para respaldar su reconocimiento de voz y su capacidad para comprender el lenguaje natural, además de necesitar una cantidad de datos inmenso al que recurrir para responder consultas.

El auge de los modelos generativos

La IA generativa es un tipo de inteligencia artificial que forma parte de la categoría de aprendizaje automático (ML), la cual está centrada en la capacidad de las computadoras de utilizar modelos para crear contenido como imágenes, texto, código y datos sintéticos.

Se refiere a modelos de aprendizaje profundo que pueden tomar datos sin procesar (por ejemplo, toda Wikipedia o las obras recopiladas de Rembrandt) y “aprender” a generar resultados estadísticamente probables cuando se les solicite. 

En un nivel alto, los modelos generativos codifican una representación simplificada de sus datos de entrenamiento y se basan en ellos para crear un nuevo trabajo que son similares, pero no idéntico, a los datos originales.

Los modelos generativos se han utilizado durante años en estadística para analizar datos numéricos. Sin embargo, el auge del aprendizaje profundo hizo posible extenderlo a imágenes, voz y otros tipos de datos complejos. 

Estas aplicaciones de IA generativa se crean sobre dos modelos: modelos de lenguajes grandes (LLM) y modelos básicos.

Los LLM

Los LLM son modelos de aprendizaje profundo que consumen y entrenan en conjuntos de datos masivos para sobresalir en tareas de procesamiento del lenguaje. Crean nuevas combinaciones de texto que imitan el lenguaje natural basándose en sus datos de entrenamiento.

Estos modelos utilizan aprendizaje automático no supervisado y se entrenan con cantidades masivas de texto para aprender cómo funciona el lenguaje humano. Estos textos incluyen artículos, libros, sitios web y más.

Los modelos básicos

Los modelos básicos son grandes modelos de aprendizaje automático previamente entrenados con la intención de ajustarlos para tareas de generación y comprensión del lenguaje más específicas. Estos modelos se utilizan para discernir patrones dentro de los datos de entrada.

Una vez que estos modelos han completado sus procesos de aprendizaje, juntos generan resultados estadísticamente probables cuando se les solicita y pueden emplearse para realizar diversas tareas, que incluyen:

• Generación de imágenes basadas en las existentes o utilizando el estilo de una imagen para modificar o crear una nueva.
• Tareas de habla como transcripción, traducción, generación de preguntas/respuestas e interpretación de la intención o significado del texto.

¿Y dónde se clasifica las inteligencias artificiales actuales?

Si te fijas en los conceptos anteriores las IA actuales como ChatGPT, Dall-E y Bard son interfaces de IA generativas (las cuales están dentro de las IA débiles) y cada una de ellas funcionan con un LLM.

Actualmente el LLM más popular es el GPT 3.5, en el que se basa ChatGPT, y el LLM más grande es GPT-4.

Bard por su parte utilizaba LaMDA y recientemente ha cambiado a Gemini un LLM desarrollado por Google, que es el segundo LLM más grande y promete sobrepasar a GPT-4.

¿Cómo funciona una IA generativa?

La IA generativa comienza con un mensaje que puede ser en forma de texto, imagen, vídeo, diseño, notas musicales o cualquier entrada que el sistema de IA pueda procesar.

Luego, varios algoritmos de IA devuelven contenido nuevo en respuesta al mensaje.

El contenido puede incluir ensayos, soluciones a problemas o falsificaciones realistas creadas a partir de imágenes o audio de una persona.

Ahora, los pioneros en IA generativa están desarrollando mejores experiencias de usuario que le permiten describir una solicitud en un lenguaje sencillo. Después de una respuesta inicial, también puedes personalizar los resultados con comentarios sobre el estilo, el tono y otros elementos que deseas que refleje el contenido generado.

Por ello siempre lees en los cursos o libros de la importancia del Prompt.

¿Qué es el PROMPT?

El Prompt, no es más que las indicaciones que dictan la salida de la IA Generativa.

Las indicaciones se pueden dividir en dos categorías: indicaciones de texto y indicaciones de imágenes.

Las indicaciones de texto implican interactuar con procesadores de lenguaje natural como ChatGPT ingresando consultas o declaraciones.

Entonces, si deseas respuestas útiles, necesitas saber cómo alimentar a la IA con frases e instrucciones útiles. A esto se le llama ingeniería rápida.

Los mensajes que proporcionas a una IA generativa dan forma a la conversación. Cuanto mejor sea la indicación, mejor será la respuesta.

Por ejemplo, los ingenieros entrenaron ChatGPT a partir de grandes cantidades de datos de texto. Esta formación le dio acceso a mucha información y con ello demostró dar respuestas tal cual responden los humanos en las conversaciones.

A partir de toda su «lectura», ChatGPT desarrolló un modelo de lenguaje que le permite predecir la siguiente palabra en una oración determinada.

Cada vez que hablas con ChatGPT, este aprende a generar respuestas más apropiadas para ti. Por eso es importante darle a ChatGPT el mensaje correcto.

¿Por qué es tan importante el Prompt?

Es importante entender el poder de las instrucciones bien elaboradas para una IA, ya que de esa manera podremos obtener una gran cantidad de información útil, de acuerdo a lo que estamos buscando, a fin de solucionar problemas y realmente transformar la forma en que aprendemos, trabajamos e innovamos.

Por ejemplo, si bien es cierto que ChatGPT se entrenó inicialmente con grandes conjuntos de datos de texto, está diseñada para tener en cuenta tus indicaciones anteriores al responderte.

Es decir, si anteriormente hiciste una pregunta sobre ideas de recetas vegetarianas y ahora preguntas cómo comer sanamente, ChatGPT puede hacer sugerencias basadas en comidas vegetarianas.

En última instancia, esto significa que cuanto más lo uses, más inteligente y útil será una IA para ti.

¿Por qué tanto revuelo en la actualidad por el uso de las IA generativas?

El reciente revuelo en torno a la IA generativa ha sido impulsado por su simplicidad, intuición y su capacidad para crear contenido de alta calidad que incluye texto, imágenes, audio y videos en cuestión de segundos.

Es por ello que, también hemos observado una tendencia creciente demanda entre los profesionales y en especial en el sector educativo, ya que estamos adoptando las herramientas de IA generativa para crear lecciones más personalizadas y atractivas, así como para ayudarnos en la creación de materiales didácticos de manera rápida y sencilla.

Sin embargo, no debemos olvidar que para que una IA sea beneficiosa, debemos dominar el arte de dar indicaciones. Por lo que es necesario ser claro, pero creativo, además de directo y también saber dar matices.

8 consejos sencillos para usar IA Generativas en el ambiente educativo

Tal como hemos visto, dar instrucciones a una IA es un arte, ya que se trata de comprender el contexto, las capacidades de la IA y el objetivo de la interacción.

Por lo tanto, debemos elaborar una pregunta o afirmación que guíe a la IA en la dirección que deseas que vaya.

A continuación, te ofrezco algunos consejos que te ayudarán a crear prompts educativos eficaces en las IA:

1. Define tu objetivo de aprendizaje

¿Qué tema o concepto específico deseas que cubra la IA? 

Tener un objetivo bien definido te ayudará a mantenerte enfocado en el contenido que deseas crear.

2. Mantén tus instrucciones claras y concisas 

Las IA suelen funcionar mejor con indicaciones concisas y directas. Por lo tanto, te recomiendo evites un lenguaje demasiado complejo o ambiguo que pueda confundir el modelo de IA.

3. Proporcionar información básica 

Te recomiendo que presentes el tema (un preámbulo) y proporciones información básica esencial en el mensaje. 

Esto ayudará a establecer una guía para la IA y garantizará que produzca contenido que se alinee con el tema previsto.

4. Organiza tu contenido

Describe los puntos claves o subtemas que deseas que cubra la IA. 

Un mensaje bien estructurado guiará al modelo de IA en la creación de un contenido, ya sea de texto, imagen o vídeo y organizarlo de forma lógica.

5. Utiliza descripciones visuales de ser necesario 

Si se trata de un prompt para un vídeo o imágenes, considera incluir descripciones visuales para guiar a la IA en la creación de imágenes relevantes. 

Por ejemplo, menciona los tipos de elementos visuales que deseas ver, como gráficos, figuras, animaciones, personajes o imágenes de la vida real, etc.

6. Fomenta la interactividad 

Si es posible, incluye elementos que promuevan la interactividad con tus estudiantes.

Por ejemplo, puedes indicarle a la inteligencia artificial que agregue cuestionarios, preguntas o escenarios con los que el estudiante pueda participar.

7. Establezca el tono y el estilo

Es importante especificar el tono y el estilo del contenido que deseas que produzca la IA. ¿Es formal, informal, divertido o serio? 

Proporcionar dichas pautas ayudará a mantener la coherencia del contenido con la edad del estudiante y el objetivo que se persigue al usar la IA.

8. Prueba y perfecciona 

Una vez que tengas el resultado final, revisa el contenido para asegurarte de que cumpla con los objetivos educativos y se alinee con tus expectativas.

Y si no es así, debemos seguir probando y perfeccionar el prompt según sea necesario para mejorar los resultados futuros.

Algunos problemas que nos podemos encontrar al usar una IA

Al utilizar técnicas de indicación de IA, las mismas, no son exactas, por lo tanto es importante ser consciente de los posibles obstáculos, que te puedes encontrar.

Aquí te dejo algunos de los inconvenientes más comunes:

• Citar contenido: los LLM generalmente no pueden citar fuentes con precisión, por lo que es posible que se necesiten soluciones alternativas.
• Sesgo: los LLM pueden exhibir un comportamiento sesgado, incluida la generación de respuestas estereotipadas. Se deben implementar alternativas que ayuden a mitigar el sesgo.
• Alucinaciones: los LLM pueden generar información falsa cuando se enfrentan a preguntas que no pueden responder. Reformular las indicaciones y enfatizar la importancia de encontrar información relevante puede ayudar a reducir las alucinaciones.
• Manipular respuestas: los usuarios pueden intentar engañar a los LLM o inyectar mensajes para manipular las respuestas. Por lo tanto, debemos establecer delimitadores y utilizar una sintaxis clara para ayudar a evitar este tipo de problemas.

¿Es este el gran comienzo de la inteligencia artificial?

Depende a quién le preguntes. Las IA pretenden tener la capacidad de las máquinas para igualar o superar la inteligencia humana y resolver problemas que ellas nunca encontraron durante el entrenamiento, provocando todo ello un debate vigoroso y una mezcla de asombro y distopía.

Sin duda, la IA se está volviendo más capaz y, a veces, muestra comportamientos emergentes sorprendentes que los humanos no programaron.

El camino probable es la evolución de la inteligencia artificial que imite la inteligencia humana, pero que en última instancia debe apuntar a ayudar a los humanos a resolver problemas complejos. Esto requerirá gobernanza, nuevas regulaciones y la organización y participación activa de un amplio sector de la sociedad en la lucha del bienestar humano.

En conclusión

Los rápidos avances en los llamados modelos de lenguaje grande ( LLM ), han abierto una nueva era en la que los modelos generativos de IA pueden escribir textos atractivos, pintar imágenes fotorrealistas e incluso crear algo entretenido: chistes, comedias, etc. 

Además, las innovaciones en IA permiten a las computadoras, generar contenido en múltiples tipos de medios, incluidos texto, gráficos y vídeo. 

Esta es la base de herramientas como Dall-E, que crean automáticamente imágenes a partir de una descripción de texto o generan títulos de texto a partir de imágenes.

A pesar de estos avances, todavía estamos en los primeros días del uso de la IA generativa para crear cosas realmente sorprendentes. 

Además, no debemos olvidar, que, estas nuevas implementaciones, en un principio pueden tener problemas con la precisión y el sesgo; además de ser propensas a alucinaciones y lanzar en ocasiones respuestas extrañas. 

Aun así, el progreso hasta ahora indica que, las capacidades inherentes de esta IA generativa podrían cambiar fundamentalmente la forma en que vivimos y funcionamos actualmente. 

Al mismo tiempo de las ventajas relacionadas con la implementación de la IA también existen desafíos en la disponibilidad de la IA en todo el mundo. En particular, mientras algunos países ya están dando grandes pasos en la tecnología de IA, otros están luchando por conquistar avances tecnológicos básicos. 

Asimismo, existen muchas preocupaciones legales y éticas en torno a la IA, Por estos motivos, ya están en marcha numerosas conversaciones entre empresas, organismos y gobiernos para establecer regulaciones que garanticen la transparencia y la seguridad. 

A pesar de los múltiples desafíos de la implementación de la Inteligencia Artificial es fundamental que se superen para poder disfrutar de sus múltiples beneficios y hasta llegue formar parte neurálgica del futuro del aprendizaje.