INTELIGENCIA ARTIFICIAL
Profesor Edgar Lopategui Corsino
M.A. Fisiología de; Ejercicio
Ed.D., Liderazgo e Instrucción en Educación a Distancia
Catedrático Asociado
El auge de la Inteligencia Artificial (IA o Artificial
Intelligence, abreviado del inglés como AI) se identificó con la aparición del
Modelo del Lenguaje Grande (o Modelos de Lenguaje de Gran Tamaño [MLG], en
inglés: Large Language Model, abreviado LLM), el cual representa un campo
disruptivo de la IA Conversacional (Conversational AI). Los LLMs generan texto
similar al de los seres humanos, fundamentado en el contexto provisto. Esto
permite interacciones más naturales bajo un contexto idoneo, asunto que lleva al
usuario utlizar la señalada herramienta como un asistente personal. Con tal
precedente, emerge la Inteligencia Artificial Generativa (IAgen o Generative
Artificial Intelligence, abreviado AIgen). Como resultado, en el 2022 sale al
mercado digital ChatGPT (Thompson, 2024, pp. xiii, 5).
INTELIGENCIA ARTIFICIAL (IA)
Representaciones matemáticas (algoritmos) que procesan las máquinas digitales,
en las cuales se codifican el Aprendizaje por Máquinas (Machine Learning, ML) y
el Aprendizaje Profundo (Deeep Learning, DL) (Rothman, 2018, pp. 1, 9). Este
fenómeno se fundamenta algoritmos para el Procesamiento Natural del Lenguaje
(Natural Language Processing, NLP) (Pillai & Tedesco, 2024)
CONSIDERACIONES PRELMINARES
El panorama de la IA conversacional ha cambiado con el tiempo y el rápido
aumento reciente de las tecnologías de LLM, específicamente el surgimiento de
los modelos ChatGPT, Generative Pre-trained Transformer 3 (GPT-3) y GPT-4 de
OpenAI (Thompson, 2024, p. 3).
USOS DE LA INTELIGENCIA ARTIFICIAL
1. Asistir en el desarrollo de contenido
Campo de la informática
La IA consiste en crear máquinas que puedan pensar o actuar de forma inteligente
de maneras que tradicionalmente requieren inteligencia humana (Picano, 2024, p.
5).
EJEMPLOS DE INTELIGENCIA ARTIFICIAL (Picano, 2024, p. 5).
1. Asistentes virtuales
2. Sistemas de recomendación
3. Vehículos autónomos
TERMINOLOGÍA FUNDAMENTAL
Para poder concebir lo discutido en este manuscrito, es imperante que se definan
varios términos cardinales mencionaos consistentemente bajo cada temática
expuesta aqui. Dado este asunto de importancia, en los párrafos vecinos se
presentan las señanadas definiciones que requeren que el lector entienda al leer
la narrativa vigente.
Inteligencia Artificial (IA o Artificial Intelligence, abreviado del idioma
inglés como AI)
La IA representa un campo específico de la informática que se enfoca en el
desarrollo de máquinas inteligentes capaces de ejecutar tareas que comunmente
requiere inteligencia humana.
La Inteligencia Artificial se refiere a la habilidad de una máquina, o programa
de computadora para ejecutar tareas que por lo común habría de requerir el uso
de la inteligencia humanna, tal como la percepción visual, el reconocimiento de
voz (speech), la toma de decisiones y trducción de lenguajes (Chmela, 2023)
La Inteligencia Artificial (IA) representa el amplio campo de creación de
sistemas que puedan realizar tareas, mostrando inteligencia y capacidad humana y
pudiendo interactuar con el ecosistema (Alto, 2023, p. 4).
Modelo para el Lenguaje de la IA (AI Language Model)
Este modelo alude a un tipo de modelo para la IA desarrollado para comprender y
generar texto o voz similar a los seres humanos. Aquella rama de la IA que
trabaja con la interacción entre seres humanos y dispositivos digitales se
conoce con el nombre de Procesamiento Natural del Lenguaje (PNL o Natural
Language Procesing, abreviado como NLP). El NLP involucra el entendimiento,
generación y traducción del lenguaje. En otro orden, un programa de computadora
designado a simmular la conversación humana por medio de interacciones de texto
o voz se connoce como "Chatbots". Por lo comun, estos tipos de herramientas de
IA conversacional se encuentran controlados por modelos de lenguajes de IA con
la finalidad de proveer respuestas automatizadas y asistir a los usuarios en
varias tareas. En asociación a los conceptos previos, se halla el Aprendizje
Profundo (Deep Learning, abreviado DL), el cual se denota como un subcampo del
Aprendizaje Automático (Aprendizaje por Máquina o Machine Learning, abreviado
ML), el cual se enfoca en el entrenamiento y desarrollo de redes neuronales
capaces del aprendizaje y de llevar a cabo decisiones complejas. También, existe
el concepto Aprenizaje de Refuerzo (o Reinforcement Learning, abreviado RL) que
representa una técnica de Aprendizaje Automático en el cual el agente de IA
aprende a través de prueba y error al recibir retroalimentación en la forma de
recompensas o penalidades. Finalmente, se encuentra el término sesgo (o bias)
que significa favoritismo o prejuicio sistemático hacia un grupo o perspectiva
particular. Bajo el contexto de los modelos para el lenguaje de la IA, sesgo se
refiere a la presencia de un comportamiento injusto o discriminatorio en la
respuesta generada (Quantum, 2024, p. 64).
El Aprendizaje Automático (AA, Aprendizaje de Máquina [AM] o Machine Learning,
abreviado ML)
El Aprendizaje de Máquina representa un sub-campo de la IA (o tipo de IA), el
cual se concentra en el desarrollo de algoritmos y modelos estadísticos que
permitan a un sistema mejorar su ejecutoria de una tarea específica a través de
un tiempo dado. El aprendizaje de m;aquia utiliza datos para aprender yrealizar
predicciones o decisiones sin ser esplícitamente programados para ejecutar la
tarea (Chmela, 2023)
El ML representa una rama de la IA, la cual se enfoca en la creación de
algoritmos y modelos que permiten que esos sistemas aprendan y mejoren con el
tiempo y el entrenamiento. Los modelos de AA aprenden de los datos existentes y
actualizan automáticamente sus parámetros a medida que crecen (Alto, 2023, p.
4).
El Aprendizaje Profundo (AP o Deep Learning, abreviado DL)
El DL es una rama del Aprendizaje Automático (o Machine Learning, ML), en el
sentido de que abarca modelos de Aprendizaje Automático Profundo (Deep Mahine
Learning). Estos modelos profundos se denominan Redes Neuronales y son
especialmente adecuados en dominios como la visión artificial o el Procesamiento
del Lenguaje Natural (PLN o Natural Language Learning, abreviado NLP). Cuando
hablamos de modelos de aprendizaje automático (ML) y aprendizaje profundo (DL),
normalmente nos referimos a modelos discriminativos, cuyo objetivo es hacer
predicciones o inferir patrones a partir de datos (Alto, 2023, p. 4).
IA Generativa
La Inteligencia Artificial Generativa (IA generativa) es otra subrama del
aprendizaje profundo, que no utiliza redes neuronales profundas para agrupar,
clasificar o hacer predicciones sobre datos existentes: utiliza esos poderosos
modelos de redes neuronales para generar contenido completamente nuevo, desde
imágenes hasta lenguaje natural, desde música hasta video (Alto, 2023, p. 4).
La IA generativa es un subcampo de la IA y el aprendizaje profundo (Deep Lerning,
DL) que se centra en generar contenido nuevo, como imágenes, texto, música y
vídeos, mediante el uso de algoritmos y modelos que se han entrenado con datos
existentes mediante técnicas de aprendizaje automático (Aprendizaje de Máquina).
Una de las mayores aplicaciones de la IA generativa es su capacidad para
producir nuevos contenidos en lenguaje natural. De hecho, los algoritmos de IA
generativa se pueden utilizar para generar nuevos textos, como artículos, poesía
y descripciones de productos (Alto, 2023, p. 4-5).
Relación entra IA, ML, DL e IA Gnerativa
CHATGPT
ChatGPT fue creado por OpenAI, accesible desde el sitio web oficial de OpenAI
(Johnson, 2023, p. 12).
Las siglas de ChatGPT significan "Chat Generative Pre-trained Transformer", que
es un chatbot desarrollado por OpenAI e introducida en noviembre de 2022. OpenAI
es la compañia encargada de proveer ChatGPT, la cual tuvo como co-fundador, y es
CEO actual, a Sam Altman y Elon Musk (Chmela, 2023, p. 10).
ChatGPT es un tipo de Inteligencia Artifcial, conocido como un modelo de
lenguaje. Es una maquina de aprendizaj transformadora que utiliza el Aprendizaje
Profundo para generarsus resultados/salida (texto, multimedio (Chmela, 2023)
El Significado de un Prompt
En el contexto de la IA generativa, un prompt se refiere a la entrada que el
usuario proporciona a los modelos generativos. Cuando hablamos de los modelos
ChatGPT y OpenAI, los prompts se refieren principalmente a un fragmento de texto
en lenguaje natural (e.g., modelos Codex, en lenguajes de programación (Alto,
2023, p. 59)
La conversación con ChatGPT: el "prompt" (Johnson, 2023)
Usar ChatGPT con un detector de plagio (Johnson, 2023)
ChatGPT como una asistente para el desarrolo de contenido escrito (Johnson,
2023)
CHATBOTS E IA CONVERSACIONAL
La IA conversacional permite que los sistema de computadora se comunican con los
seres humanos utilizando el Lenguaje Natural (Natural Language, abreviado NL) en
una manera interactiva (Thompson, 2024, p. 3).
REFERENCIAS
Alto, V. (2023). Modern generative AI with ChatGPT and OpenAI models: Leverage
the capabilities of OpenAI's llm for productivity and innovation with GPT3 and
GPT4. Birmingham, UK: Packt Publishing.
Chmela, J. (2023). ChatGPT secrets: Win the global race to join the elite group
of ChatGPT masters. John Chmela.
Johnson, C. (2023). ChatGPT companion: How to use ChatGPT as your writing
assistant, information retrieval, homework help, task management, creating
stories, entertainment, and seeking advice. Charity Johnson
Quantum, S. (2024). ChatGPT simplified: A comprehensive guide to understanding
and utilizing ai language models, ChatGPT-4, ChatGPT prompts, fiction writing,
blogging, content writing, make money online. Mindset Publishing.
Thompson, A. (2024). ChatGPT for conversational ai and chatbots: Learn how to
automate conversations with the latest large language model technologies.
Birmingham, UK: Packt Publishing.
Publication, T. (2023). Beginners guide to AI (artificial intelligence):
Introduction to artificial intelligence (AI), also known as machine
intelligence. La Vergne, TN: Tigers Publication.
RAZONAMIENTO ARTIFICIAL (COGNITIVE COMPUTING)
Lytras, M. D., Aljohani, N., Daniela, L., & Visvizi, A. (Eds.). (2019).
Cognitive computing in technology-enhanced learning. IGI Global.
Zheng, N. (Ed.). (2023). Cognitive computing of visual and auditory information.
Springer.
Sangaiah, A. K., Thangavelu, A., & Meenakshi, S. V. (Eds.). (2018). Cognitive
computing for big data systems over IOT: Frameworks, tools and applications.
Springer International Publishing AG.
Jiao, H., & Lissitz, R. W. (Eds.). (2024). Machine learning, natural language
processing, and psychometrics. Charlotte, NC: Information Age Publishing (IAP),
Inc.
Reddy, B. K., Hora, S., Jain, T., & Wambugu, M. (2019). Deep learning for
natural language processing: Solve your natural language processing problems
with smart deep neural networks. Birmingham, UK: Packt Publishing.
Natural Language Processing (NLP) (Pillai & Tedesco, 2024)
Pillai, A. S. & Tedesco, R. (2024). Introduction to machine learning, deep
learning, and natural language processing. En A. S. Pillai & R. Tedesco (Eds.),
Machine learning and deep learning in natural language processing (pp. 3-13).
Boca Raton, FL: CRC Press, an imprint of Taylor & Francis Group, LLC.
doi:10.1201/97810 03296126