GLOSARIO PARA NO PERDERSE POR LOS NUEVOS CAMINOS DE LA INTELIGENCIA ARTIFICIAL

GLOSARIO PARA NO PERDERSE POR LOS NUEVOS CAMINOS DE LA INTELIGENCIA ARTIFICIAL

El Mercurio, Vida – Ciencia – Tecnología, 13/04/2023

Una nueva terminología viene asociada con la inteligencia artificial y es clave familiarizarse con ella.

Aquí les entregamos un pequeño diccionario con los términos mas comunes que no están ordenados alfabéticamente, sino que por su grado de complejidad de los mas general a lo particular. [1]

• Inteligencia artificial. También conocido como IA, es la combinación de sistemas computacionales con el fin de crear máquinas que imitan la capacidad de resolución de la inteligencia humana; es decir, que pueden realizar tareas, tomar decisiones y aprender en la medida en que vayan adquiriendo mas información.
• Popular modelo de lenguaje entrenado por la empresa OpenAI, que es muy avanzado por que fue alimentado por miles de millones de datos, usa una tecnología llamada redes neuronales y está optimizado para dialogar sobre cualquier tema.
• Redes neuronales. Son un modelo de aprendizaje automático que se basa en conexiones de elementos simples. Se llama así porque imita el funcionamiento de la neuronas.
• Son las instrucciones que el usuario le da al modelo de inteligencia artificial para que comience su trabajo. Con el se puede generar texto, como lo hace ChatGPT, o imágenes, como lo hace Dall-e. De ahí la importancia de crear un buen prompt para tener una respuesta de mejor calidad por parte de la IA. Antes eran instrucciones muy técnicas, ahora pueden ser expresadas en lenguaje natural (tal como se habla).
• Procesamiento del lenguaje natural. Es un área de la IA que aborda la interacción entre humanos y máquinas a través del lenguaje.
• Algoritmo. Una serie de instrucciones que son ejecutadas por un computador. Si se hace una analogía con cocinar, los datos serían los ingredientes y la receta sería el algoritmo.
• Redes generativas. Son tipos de modelos de IA que usan redes neuronales y que permiten generar imágenes, texto, audio, etc. ChatGPT, BingChat o Dall-e son ejemplos de redes generativas.
• Machine learning. O aprendizaje automático. Es cuando se le enseña a un computador a resolver un problema sin darle instrucciones de como resolverlo, sino que mostrándole muchos ejemplos previos donde ya se conocía la solución.

¿Por qué dicen que ChatGPT puede “alucinar”? ¿Qué significa escribir un buen prompt? O ¿Qué son las redes neuronales? Este minidiccionario es una guía sobre los términos que se manejan hoy.

• Deep learning. Técnica avanzada de aprendizaje automático que se utiliza cuando se tienen cantidades muy grandes de datos y se quiere resolver problemas muy complejos usando redes neuronales profundas. Esta técnica permite, por ejemplo, que el sistema reconozca por si mismo conceptos complejos tales como rostros o imágenes de gatos sin que esas imágenes sean previamente etiquetadas por los humanos.
• Alucinaciones. Se trata de texto que es generado por modelos de IA como ChatGPT que parece verdadero y es convincente, pero puede decir cosas incorrectas porque lo ha inventado a partir de reglas que adquirió en su entrenamiento. Por eso se dice que “alucina”.
• Autoconciencia. Capacidad de una entidad o sistema para saber que existe y que tiene poder sobre si misma para tomar decisiones inteligentes y comprender sus emociones. Algunas personas creen que un sistema actual de IA puede llegar a ser autoconsciente. Sin embargo, eso es falso, ya que según los expertos solo se dejan llevar por lo convincente que es el texto entregado.
• Caja negra. Es un modelo que no se conoce como funciona. Entrega resultados que sirven, pero, no se sabe que camino se siguió para llegar a ellos.
• Bias/sesgo de entrenamiento. Limitación que poseen los sistemas de aprendizaje profundo, ya que solo aprenderán lo que está contenido en los datos de entrenamiento. Por ejemplo, si se entrena a una red para que reconozca vehículos y los de cuatro ruedas, la red tendrá problemas para reconocer camiones o motos. Esto puede generar dificultades cuando hay grupos de personas que no están bien representadas en los datos; por ejemplo, si un programa que reconoce lesiones en la piel solo fue entrenado con personas caucásicas. Esto sucede porque un sistema de IA se crea para resolver tareas, pero no tiene una noción del impacto social de sus resultados ni de cual es su representatividad de sus datos de entrenamiento.

[1] Nota de la publicación: Participaron en este glosario: Jazmine Maldonado, directora de Innovación del Instituto Milenio Fundamento de los Datos (IMFD); Felipe Bravo, académico del Departamento de Ciencias de la Computación de la U. de Chile (DCC) e investigador del IMFD; Eduardo Graells, académico del DCC e investigador del Centro Nacional de Inteligencia Artificial; Marcelo Mendoza, investigador del IMFD y académico del Departamento de Ciencia de la Computación de la U. Católica; César Ravello, investigador de la Fundación Ciencia y Vida y académico de la U. San Sebastián.

Un aporte del Director de la revista UNOFAR, Antonio Varas Clavel

Las opiniones consideradas en esta sección, son de responsabilidad de sus autores y no reflejan necesariamente el pensamiento de la Unión de Oficiales en Retiro de la Defensa Nacional.