¿Qué es la IA generativa?

La inteligencia artificial generativa es una rama de la inteligencia artificial que crea contenido nuevo y original (texto, imágenes, código, audio y video) mediante el aprendizaje y la replicación de patrones a partir de datos existentes. Es la última evolución de la tecnología de aprendizaje automático y se ha convertido en parte de la vida cotidiana. Ya sean las sugerencias de “es posible que también le guste” cuando compra en línea, las ediciones automáticas en sus aplicaciones de fotos o un chatbot que responde a sus preguntas de soporte, la IA generativa está cambiando la forma en que crea, se comunica y realiza el trabajo.

Principales conclusiones

• La IA generativa es una rama de la inteligencia artificial que crea contenido nuevo y original (texto, imágenes, código, audio y video) mediante el aprendizaje de patrones a partir de los datos existentes.
• A diferencia de la IA tradicional, que reconoce patrones y hace predicciones, el propósito principal de la IA generativa es crear algo nuevo.
• La IA generativa se construye sobre redes neuronales, utilizando arquitecturas tales como redes generativas antagónicas (GAN), codificadores variacionales (VAE), transformadores y modelos de difusión.
• Desde la atención médica y las finanzas hasta el trabajo creativo y el desarrollo de software, los sectores utilizan la IA generativa para la creación de contenido y la automatización.
• La IA generativa conlleva riesgos reales, que incluyen resultados alucinados o sesgados, disputas sobre derechos de autor y privacidad, deepfakes y desinformación, y trastornos en determinados trabajos.

Índice

• ¿En qué se diferencia la IA generativa de la IA tradicional?
• ¿Cómo evolucionaron los modelos de IA generativa con el tiempo?
• ¿Cómo funcionan los diferentes tipos de IA generativa?
• ¿Cuál es la tecnología detrás de la IA generativa?
• ¿Cómo se entrenan los modelos fundacionales de IA generativa?
• ¿Cómo se utiliza la IA generativa en diferentes industrias? 
• ¿Cuáles son los desafíos de implementar la IA generativa?
• ¿Cómo añado IA generativa a mis aplicaciones? 
• Conclusión: Adoptar la IA generativa
• Preguntas frecuentes
• Recursos relacionados

¿En qué se diferencia la IA generativa de la IA tradicional?

La diferencia principal entre la IA generativa y la IA tradicional radica en el propósito de cada una:

• La IA tradicional analiza: reconoce patrones, hace predicciones, clasifica datos y ejecuta tareas basadas en reglas, sacando conclusiones de la información que ya existe.
• La IA generativa crea: su función principal es producir contenido nuevo y original que no existía anteriormente.

La IA generativa comienza con un prompt. El prompt puede provenir de un ser humano o de una máquina, como un agente de IA. Los prompts pueden contener texto, imágenes, videos o cualquier entrada que el sistema de IA pueda procesar. Para responder al prompt, el modelo accede a una amplia gama de datos, como libros, sitios web, repositorios de código e Internet, y utiliza el razonamiento, los patrones y las relaciones estadísticas aprendidas durante el entrenamiento para producir contenido nuevo adaptado a la solicitud específica.

El texto predictivo fue solo el comienzo. Las primeras aplicaciones de IA generativa contaban con funciones básicas, como el texto predictivo y los asistentes de voz, pero los grandes modelos de lenguaje (LLM) que impulsan los modelos de IA generativa actuales son más sofisticados. Pueden escribir artículos completos con fuentes, diseñar elementos visuales personalizados, componer música o generar código funcional. Más allá de estas aplicaciones, se pueden entrenar otros modelos de IA generativa con datos especializados para dar soporte a industrias como la atención médica, las finanzas, el derecho e incluso el desarrollo de software.

¿Cómo evolucionaron los modelos de IA generativa con el tiempo?

Los orígenes de la IA generativa que utilizamos hoy se remontan a hace casi 70 años. Para entender cómo hemos llegado hasta aquí, y hacia dónde se dirige esta tecnología, echemos un vistazo a los avances que han hecho posible este momento.

Fundamentos del aprendizaje automático: de la década de 1950 a la de 1980

Los bloques de construcción (primero aprender de los datos y luego aprender de los errores) se sentaron décadas antes de que llegara la IA generativa.

Las primeras máquinas podían aprender, pero solo cosas simples. En 1957, Frank Rosenblatt construyó el perceptrón, el primer sistema de IA que aprende patrones a partir de datos en lugar de que los humanos preprogramen la lógica de toma de decisiones. Pero estos perceptrones de una sola capa tenían limitaciones significativas: solo podían resolver problemas relativamente simples y fallaban cuando los patrones se volvían más complejos o matizados.

A continuación, las máquinas comenzaron a aprender de sus errores. Otro avance se produjo en 1970, cuando Seppo Linnainmaa introdujo el modo inverso de diferenciación automática (la técnica matemática fundamental que más tarde se conocería ampliamente como backpropagation), lo que proporcionó una forma eficiente de calcular gradientes. En otras palabras, esta técnica permitió que las redes neuronales aprendieran de sus errores al calcular cuánto contribuía cada conexión a los errores y luego ajustarse en consecuencia.

Un artículo de 1986 finalmente resolvió los problemas más difíciles. El influyente trabajo de 1986 de David Rumelhart, Geoffrey Hinton y Ronald Williams (a menudo citado como su artículo en Nature, Aprendizaje de representaciones mediante errores de retropropagación) demostró cómo esta técnica de retropropagación podía entrenar con éxito redes neuronales multicapa, superando las limitaciones de los perceptrones de una sola capa.

Memoria: años 90

En la década de 1990, los investigadores introdujeron las redes neuronales recurrentes (RNN), lo que brindó a los modelos una especie de memoria a corto plazo que los hizo útiles para tareas como el lenguaje y el habla. Pero las primeras RNN tenían dificultades con entradas más largas o más complejas. Eso cambió en 1997 con la introducción de las redes de memoria a corto y largo plazo (LSTM), que permitieron a los modelos capturar patrones más complejos a lo largo del tiempo. Estos avances en el diseño de redes neuronales, combinados con un hardware mejorado, sentaron las bases para el entrenamiento de los modelos generativos profundos que dan soporte a los sistemas actuales.

Competencia, conversación y creación: 2014-2022

Tres avances en este período convirtieron los primeros modelos de aprendizaje automático en la IA generativa que reconocemos hoy: las redes generativas antagónicas (GAN, por sus siglas en inglés), los transformadores y los modelos de difusión.

Redes generativas adversarias

Las redes antagónicas generativas, presentadas por Ian Goodfellow y sus colegas en 2014, involucran a dos redes neuronales que compiten entre sí para generar contenido que es indistinguible del contenido creado por humanos.

Una red, el generador, crea contenido sintético, mientras que la otra, el discriminador, intenta detectar si es real o falso. Esta configuración adversaria impulsa al generador a mejorar con cada ronda, produciendo finalmente resultados realistas como imágenes y videos de alta resolución. Las GAN se utilizan ampliamente para generar fotos o fotogramas de video de alta resolución, lo que mejora la calidad de la imagen y completa los datos visuales faltantes.

Más allá de eso, desempeñan un rol en varios campos:

• Generación de arte: Creación de imágenes, ilustraciones y diseños visuales originales
• Restauración y coloreado de fotos: reparación de fotos dañadas y adición de color a imágenes en blanco y negro
• Imágenes médicas: Mejora de escaneos y generación de imágenes médicas sintéticas
• Descubrimiento de fármacos: proponer nuevos compuestos farmacológicos para que los investigadores los prueben
• Aumento de datos: ampliación de conjuntos de datos de entrenamiento para otros modelos

Arquitectura Transformer, 2017

Los transformadores, presentados en 2017, son un tipo de arquitectura de red neuronal que hace posible que los investigadores entrenen modelos más grandes sin tener que etiquetar todos los datos por adelantado. Analizan secuencias completas de datos de forma simultánea en lugar de procesar una palabra a la vez. Esta mejora permitió el auge de los chatbots de IA y los modelos de lenguaje modernos, y allanó el camino para los sistemas de traducción, resumen y diálogo.

Utilizada ampliamente en la actualidad: La arquitectura del transformador preentrenado generativo es fundamental para muchos modelos de IA generativa que vemos hoy, como ChatGPT de OpenAI, Gemini de Google y Claude de Anthropic.

Modelos de difusión, principios de la década de 2020

Los modelos de difusión son el motor detrás de los principales generadores de imágenes actuales, como DALL-E y Midjourney. Invierten el proceso de agregar ruido a una imagen, comenzando con ruido estático y revelando gradualmente una imagen clara y de alta calidad a través de múltiples pasos de refinamiento. Estas técnicas ayudan a generar imágenes realistas que son casi indistinguibles de las fotografías reales. Stable Diffusion es una implementación popular de este enfoque.

Adopción generalizada, multimodalidad y agentes: desde 2022 hasta la actualidad

El ritmo de la IA generativa no se ralentizó después de principios de la década de 2020. El lanzamiento de ChatGPT en noviembre de 2022 generalizó el uso de la IA generativa prácticamente de la noche a la mañana, transformando una trayectoria de investigación en una herramienta cotidiana para millones de personas. Desde entonces, la tecnología ha avanzado en varias direcciones a la vez:

• Los modelos multimodales gestionan texto, imágenes, audio y video dentro de un solo sistema en lugar de especializarse en uno.
• Los modelos de razonamiento analizan un problema paso a paso antes de ofrecer una respuesta, lo que mejora la precisión en tareas complejas.
• Los agentes de IA no solo responden a una indicación, sino que realizan acciones, utilizan herramientas y completan tareas de varios pasos en nombre de un usuario, a menudo enviando indicaciones al modelo subyacente ellos mismos en lugar de esperar a que una persona lo solicite.

¿Cómo funcionan los diferentes tipos de IA generativa?

Aunque muchos sistemas modernos crean diferentes tipos de contenido, como texto, imágenes, código o video, dentro de un solo sistema multimodal, cada tipo sigue funcionando mediante distintos enfoques y métodos de entrenamiento.

Generación de texto

Los grandes modelos de lenguaje representan los sistemas de aprendizaje automático más capaces que se utilizan ampliamente en la actualidad.

• Qué hacen: utilizan el procesamiento de lenguaje natural (NLP) y se centran en enseñar a las computadoras a comprender y generar el lenguaje humano.
• Cómo funcionan: basados en la arquitectura de transformadores, estos sistemas comprenden el contexto y las relaciones entre las palabras de manera muy similar a como lo hacen los humanos.
• Por qué es importante: este avance en NLP permitió un procesamiento del lenguaje mucho más preciso y sensible al contexto.

Al interactuar con sistemas como ChatGPT, se utilizan LLM entrenados con miles de millones de páginas web, libros y artículos, que adquieren gramática, tono y conocimientos especializados para gestionar cualquier query en lenguaje natural con fluidez.

Generación de imágenes

Crear una imagen generada por IA puede parecer magia, pero detrás de escena opera una tecnología sofisticada para interpretar la instrucción de texto y generar el contenido visual solicitado. Estos modelos de generación de imágenes utilizan codificadores de texto avanzados para comprender la descripción y luego emplean arquitecturas como modelos de difusión para crear la imagen final.

Generación de código

Las herramientas de código de IA se entrenan con grandes librerías de código abierto, lo que les enseña a reconocer patrones de programación y la lógica detrás de cómo los desarrolladores resuelven problemas. Un usuario puede describir lo que necesita en inglés sencillo y el resultado ofrece código de software funcional en lenguajes de programación como Python o JavaScript.

Generación de vídeo y audio

La IA puede generar videos cortos prediciendo cómo se deben desarrollar las escenas de un fotograma al siguiente. Comienza con un concepto, como alguien caminando, y compila cada paso del movimiento para crear una secuencia fluida y natural. En la generación de voz, la IA toma el texto escrito y lo convierte en audio realista, adaptando el tono, el ritmo y el énfasis para igualar el ritmo y la sensación de la conversación real.

¿Cuál es la tecnología detrás de la IA generativa?

Las capacidades de la IA generativa se basan en un conjunto de poderosos bloques técnicos. Echemos un vistazo más de cerca a lo que está sucediendo entre bastidores.

Redes neuronales y aprendizaje profundo

Las redes neuronales son el motor detrás de la mayoría de los sistemas de IA generativa. Piense en ellas como versiones simplificadas del funcionamiento del cerebro humano: la información fluye a través de capas de unidades de procesamiento conectadas llamadas nodos, y cada capa aprende a reconocer diferentes patrones o funcionalidades en los datos. Cuando una red tiene muchas capas, el enfoque se denomina aprendizaje profundo.

Durante el entrenamiento, estas redes convierten diferentes características de los datos, como el color de un píxel en una imagen o el significado de una palabra, en representaciones matemáticas llamadas vectores. Al analizar millones de ejemplos, la red aprende a identificar patrones y relaciones, y luego utiliza este conocimiento para generar contenido nuevo y similar.

Con el paso del tiempo, se han desarrollado diferentes tipos de redes neuronales para distintas tareas:

• Las redes neuronales recurrentes (RNN) se utilizaban en sistemas anteriores para ayudar a la IA a trabajar con elementos como el habla y el texto. Procesaban una palabra a la vez y transmitían la información hacia adelante para comprender qué sigue.
  Ejemplo: Una aplicación de conversión de voz a texto que convierte la voz en subtítulos en tiempo real al predecir cada palabra nueva según lo que se acaba de decir.
• Las redes neuronales convolucionales (CNN) se especializan en analizar imágenes para tareas de visión por computadora, detectando patrones como bordes, formas y texturas. 
  Ejemplo: una aplicación de fotos que utiliza IA para detectar y etiquetar las caras de sus amigos en una foto grupal.
• Los autocodificadores variacionales (VAE) comprimen los datos en una forma matemática compacta y luego los reconstruyen, aprendiendo a suavizar el ruido y generar nuevas variaciones a lo largo del proceso.
  Ejemplo: una aplicación de fotos que remueve el granulado de una imagen con poca luz o crea variaciones sutiles de una imagen.
• Las redes Transformer, ahora la base de los modernos modelos de IA generativa, procesan todas las partes de la entrada simultáneamente, lo que las hace mucho mejores para comprender el lenguaje complejo y generar respuestas más largas y coherentes.
  Ejemplo: Una aplicación de correo electrónico que sugiere respuestas de oraciones completas, como "Suena bien, nos vemos entonces", al comprender instantáneamente todo el mensaje.

¿Cómo se entrenan los modelos fundacionales de IA generativa?

En lugar de entrenar modelos separados para cada tarea, los modelos base como ChatGPT están entrenados para realizar una variedad de tareas, como responder preguntas, escribir código y resumir texto.

El entrenamiento de estos modelos requiere recursos significativos, incluida una gran potencia de cálculo y conjuntos de datos cuidadosamente seleccionados.

Para entrenarlos se utilizan varios tipos de datos y comentarios:

• Datos etiquetados y no etiquetados: una mezcla utilizada en el entrenamiento inicial, que ayuda a los modelos a generalizar los patrones en una amplia gama de contenido sin supervisión directa
• Datos sintéticos: a menudo se utilizan para complementar conjuntos de datos reales, especialmente cuando se trabaja con información sensible o limitada
• Comentarios humanos: Las personas califican o corrigen las respuestas, lo que a menudo se denomina “aprendizaje reforzado con comentarios humanos”, o RLHF, para hacer que las respuestas sean más útiles, precisas y alineadas con lo que esperan los usuarios

Una vez entrenados, las organizaciones pueden adaptar los modelos de varias maneras:

• Ajustarlos con sus propios datos para realizar tareas específicas
• Añadir bases de conocimiento personalizadas
• Entrenamiento de capas adicionales que admiten su dominio o caso de uso particular
• Adición de datos novedosos o complejos de fuentes como artículos científicos, documentos legales y manuales técnicos

¿Cómo se utiliza la IA generativa en diferentes industrias?

La IA generativa se ha aplicado en múltiples sectores para la creación de contenido y la automatización, como la salud, para el descubrimiento de fármacos y los datos médicos sintéticos; las finanzas, para la redacción de informes y el servicio de atención al cliente; y los medios de comunicación, para la composición de música y la generación de vídeo.

Así es como los diferentes sectores están utilizando estas herramientas:

• Atención médica: los proveedores de atención médica lo utilizan para mejorar las imágenes médicas, ayudar con la documentación clínica y personalizar el tratamiento. También puede generar datos sintéticos de los pacientes para entrenar modelos de aprendizaje automático sin exponer información confidencial.
• Descubrimiento de fármacos: las empresas farmacéuticas y biotecnológicas utilizan la IA generativa para acelerar el desarrollo de fármacos en sus etapas iniciales: identificar compuestos y refinar estructuras moleculares. También puede ayudar a diseñar ensayos clínicos.
• Automatización de procesos de negocio: genAI agiliza las operaciones mediante la automatización de tareas repetitivas como la redacción de informes, el resumen de hojas de cálculo y la respuesta a las consultas de los clientes, lo que libera a los equipos para realizar trabajos de mayor valor.
• Industrias creativas y arte con IA: Los diseñadores y artistas utilizan herramientas como DALL-E, Midjourney y Adobe Firefly para generar arte conceptual y gráficos personalizados a partir de indicaciones de texto. GenAI también compone música y crea entornos, personajes y avatares para videojuegos y simulaciones, convirtiendo el trabajo que antes llevaba horas en minutos.
• Mejora en el desarrollo de software: la IA generativa ayuda a los desarrolladores a escribir código repetitivo, refactorizar sistemas heredados y crear funciones a partir de prompts en lenguaje sencillo. Junto con plataformas como MongoDB Atlas, también puede generar queries de base de datos, definiciones de esquemas y lógica de aplicaciones.
• Herramientas de marketing y mensajería: los equipos de marketing usan IA generativa para producir entradas de blog, copias publicitarias y campañas de correo electrónico más rápido. Herramientas como Jasper, Copy.ai y Persado pueden adaptar el tono y el formato para diferentes audiencias.

¿Cuáles son los desafíos de implementar la IA generativa?

Adoptar la IA generativa puede conllevar muchos desafíos que van más allá de configurar el modelo y lograr que funcione. Algunos de esos desafíos incluyen:

• Alucinaciones: los modelos pueden producir resultados que parecen plausibles pero son incorrectos (alucinaciones).
• Derechos de autor: el entrenamiento de modelos con material protegido por derechos de autor y extraído de la web sin permiso ha provocado disputas legales sobre el uso justo y la compensación del creador, y sigue sin resolverse si las obras generadas por IA pueden protegerse por derechos de autor en absoluto.
• Sesgo: los modelos pueden codificar y amplificar los prejuicios presentes en sus datos de entrenamiento, lo que produce resultados injustos o discriminatorios en áreas como la contratación y la aprobación de préstamos. Por eso son importantes unos datos de entrenamiento diversos y una evaluación continua.
• Mal uso: La IA generativa se puede utilizar para crear deepfakes —simulando la apariencia y el habla de una persona en videos realistas generados por IA— que hacen que parezca que alguien dijo o hizo algo que nunca hizo.

¿Cómo añado IA generativa a mis aplicaciones?

Cuando desee agregar IA generativa a sus aplicaciones, deberá decidir qué enfoque se ajusta a sus necesidades: implementar IA puede ser muy sencillo o muy complejo. En el extremo más sencillo, puede agregar un chatbot para resumir correos electrónicos. Las opciones más complejas podrían incluir el ajuste de un LLM, el establecimiento de flujos de trabajo agentes, la creación de un sistema de generación de recuperación aumentada (RAG) o la creación de sus propios almacenes vectoriales con una base de datos vectorial como MongoDB.

Para aplicaciones más avanzadas, los equipos pueden usar una plataforma de agentes que aporta memoria, recuperación y gobernanza a la arquitectura de la aplicación.

Las aplicaciones de IA generativa se vuelven más útiles cuando superan las respuestas puntuales para convertirse en flujos de trabajo de varios pasos fundamentados en el contexto empresarial. MongoDB Atlas Agent Engine ofrece a los equipos una plataforma para compilar, implementar y gobernar agentes con memoria y recuperación con funcionalidad incorporada, para que los agentes puedan trabajar con un contexto preciso en lugar de empezar desde cero o depender de pipelines fragmentados. Un único plano de control rige las acciones de los agentes, mientras que la compatibilidad con diferentes LLM, infraestructuras y entornos ayuda a los equipos a desarrollar su arquitectura a medida que cambian sus casos de uso.

Las preguntas clave para ayudarle a decidir incluyen: ¿busca una solución rápida y sencilla utilizando los servicios de IA existentes? ¿O necesita algo más sofisticado que funcione con sus propios datos y una lógica empresarial específica?

¿Todo listo para sumergirse y empezar a desarrollar en Atlas? Configure un clúster hoy mismo o revise nuestra documentación.

Si desea empezar desde cero o no sabe por dónde comenzar, consulte nuestra Ruta de insignias de aprendizaje Building GenAI Apps o gane la ¡insignia de habilidad de RAG!

¿Quiere explorar nuestras soluciones? Eche un vistazo a los casos de uso de la IA

Conclusión: Adoptar la IA generativa

La IA generativa está cambiando nuestra forma de escribir, diseñar, programar y comunicarnos, pasando del análisis de información a la creación de la misma. Pero obtener valor real requiere más que acceso: exige entender sus límites, agregar protecciones e integrarlo con atención. A medida que las organizaciones navegan por este cambio, deben equilibrar la innovación con la responsabilidad.