Después de una larga edad de hielo que comienza en los 80 y se extiende hasta finales de los 90 y en los que apenas hay avances técnicos destacables, comienza a haber un lento resurgir con la aparición de los procesos RPA (Procesos Robóticos Automatizados). Estos son pequeños procesos que ayudan a automatizar tareas repetitivas en las empresas como, por ejemplo, la facturación o la gestión de pagos. Estos procesos no son inteligentes por sí mismos, pero más adelante tendrían un gran uso al añadirles inteligencia que puede permitir cosas como leer correos, pasarlos a una IA y que esta cree la respuesta.
La revolución del aprendizaje automático
A mediados de la década de 2010 las empresas comenzaron a aprovechar grandes volúmenes de datos para entrenar algoritmos que pudieran identificar patrones y hacer predicciones. Este avance revolucionó áreas muy diversas y con distintos usos. Aparecen los sistemas de recomendación en función de los gustos particulares del usuario, como los que encontramos en Netflix, Youtube o Amazon. Estos algoritmos son capaces de ofrecer contenido según patrones de comportamiento.
En el mundo financiero el uso del aprendizaje automático permite a las instituciones financieras identificar patrones sospechosos que indican fraude. Antes de los chatbots, los algoritmos de machine learning ya estaban ayudando a detectar actividades anómalas en transacciones bancarias en tiempo real, mejorando la seguridad de los sistemas financieros.
En una primera instancia, el aprendizaje automático llegó a muchos campos, como el procesamiento de imágenes, que ayuda al reconocimiento de enfermedades al analizar radiografías. También aparece el procesamiento de lenguaje natural (NLP), usado en corrección gramatical o traductores, como Google Translate.
La aparición del aprendizaje automático revolucionó nuestra vida cotidiana, desde nuestro tiempo libre hasta nuestro entorno profesional. Algunos usos para facilitar la vida de la gente fueron los sistemas de lectura, que ayudan a las personas invidentes o dar voz a aquellos que no pueden hablar.
Este avance en el aprendizaje automático sentó las bases para la aparición de tecnologías más interactivas, como los chatbots y los asistentes virtuales, que utilizan estos mismo algoritmos para ofrecer experiencias mucho más cercanas a la interacción humana. Así se crearían los primeros asistentes como Siri o Alexa, que supusieron una evolución natural del machine learning, enfocándose más en la interacción directa con los usuarios, pero los avances previos ya habían sentado una base sólida en otras áreas. Algunos de estos chatbots han evolucionado y son capaces de analizar sentimientos para ofrecer una experiencia mucho más personalizada.
Años después comienzan a presentarse sistemas de IA generativa, que permiten crear contenido de manera automática, desde publicaciones en redes sociales a propuestas comerciales. Esto democratiza la creatividad y reduce el tiempo que hace falta para producir contenido.
Diferenciando los tipos de IA
Hasta ahora hemos visto que la inteligencia artificial puede ser generativa o no generativa, pero en realidad, su clasificación es otra muy distinta y algunas formas aún están en un plano teórico.
El primer grupo es el de IA Débil o específica. Esta se utiliza para tareas como servicios al cliente o automatización de procesos. Puede ser generativa, como los chatbots ChatGPT, Gemini o los motores de generación de imágenes, pero también puede ser no generativa, como Alexa, que nos da respuestas en base a lo que ya tiene programado en una gran base de respuestas. No son sus únicos usos. En el sector financiero podemos encontrar estos sistemas en plataformas de trading y análisis de riesgo. En general, es lo que conocemos ahora.
El segundo grupo sería la IA General o AGI. Esta podría ser capaz de comprender, aprender y aplicar conocimiento en distintas tareas y contextos, sin estar limitada a un solo dominio específico. Para ello, el razonamiento es una capacidad fundamental ya que necesita comprender el contexto, razonar sobre la información que recibe y, con esto, tomar decisiones adecuadas adaptándose a nuevas circunstancias. Además, una gran diferencia con la IA débil, sería capaz de adaptarse sobre la marcha, resolviendo problemas nuevos a medida que estos se presentan. Esto requeriría la habilidad de razonar sobre su experiencia previa, modificando sus estrategias según sea el caso.
Los sistemas de IA actuales pueden aprender patrones a partir de grandes volúmenes de datos, pero no entienden el porqué de los patrones. Es decir, la AGI sería lo más similar al proceso de pensamiento y razonamiento humano. Aún no hemos llegado a este punto y no existe ningún sistema de AGI puro, aunque algunos expertos opinan que con las nuevas versiones de GPT, como la versión 4o1 de ChatGPT puede ser un paso inicial para llegar a esto. Sin embargo, aún queda un largo camino.
La tercera clasificación sería la IA Superinteligente (ASI). Si una AGI tendría un nivel de inteligencia equiparable a un humano, una ASI superaría significativamente esa capacidad en todos los aspectos, así que podría hacer cosas como mejorar su propio diseño, pudiendo resolver problemas que no están dentro de la capacidad de comprensión del ser humano lo que la convertiría en una entidad superior en todos los aspectos.
Retos, riesgos y futuro de la IA
En el contexto actual de IA nos encontramos con más preguntas que respuestas. Entre las muchas preguntas que nos podemos hacer está la de qué es lo que hay detrás de un algoritmo. Para que una IA nos de confianza, es fundamental mejorar la comunicación y poder explicar cómo funciona para asegurarse de que las decisiones automatizadas sean comprensibles, ya que en muchas ocasiones afectan a personas de forma directa. Casos como un préstamo bancario, una candidatura de empleo o un diagnóstico médico tienen que estar perfectamente justificadas de manera clara y transparente o, de lo contrario, podemos acabar desconfiando de casi cualquier sistema.
Otro de los problemas que estamos encontrando son los sesgos que ya están presentes en los datos de los que ha aprendido la inteligencia artificial. Aquí es muy importante que las empresas implementen controles rigurosos para evitar resultados discriminatorios. Sin embargo esto no es nada sencillo, ya que cualquier manipulación en los datos podría llevar a falsear una realidad.
Además es importante pensar en los problemas éticos y filosóficos que nos puede traer. Quizá el más inmediato de estos problemas pueda ser el miedo de los empleados a perder sus trabajos debido a la automatización. Una pequeña empresa puede comenzar a generar su propio contenido para redes sociales sin necesidad de la ayuda de un creativo, o podrá prescindir de los servicios de un traductor para sus documentos.
Sin embargo, creo que lo más preocupante e inmediato es la recopilación masiva de datos de cada uno de nosotros. Muchas empresas recolectan grandes volumenes de información de múltiples fuentes, incluidos datos de navegación, redes sociales, aplicaciones móviles y dispositivos inteligentes, como altavoces o cámaras. Esta recopilación puede incluir datos personales sensibles como la ubicación, hábitos de consumo, intereses personales o, incluso, información de salud. Sin embargo los usuarios no tenemos claro qué está pasando con toda esa información, dónde se almacena, con qué seguridad y, especialmente, qué se hace con ella, qué tipos de perfiles pueden crear, ¿como consumidor?¿como votante?
Hay varias regulaciones que tratan de controlar este flujo de datos. Sin embargo, incluso así, es difícil garantizar el cumplimiento de las mismas por parte de todas las empresas. Y, por supuesto, tampoco nos defienden en caso de un robo de los mismos.
Otro problema es la responsabilidad en la toma de decisiones, especialmente si estas han tenido consecuencias y puede ser difícil esclarecer culpas. En el caso de un accidente de un coche autónomo el culpable podría ser el conductor, por no estar atento, o podría ser la empresa constructora del coche, porque su IA ha tomado una decisión errónea. Y aquí nos encontramos con la gran caja oscura que suelen ser los algoritmos de este tipo de elementos. Sin embargo, a medida que los sistemas inteligentes se vuelvan más autónomos, esta línea se va a ir diluyendo, y será aún más difusa cuando las AGI tomen decisiones mucho más complejas e independientes, y una gran cantidad de campos.
Por último debemos preguntarnos por la autonomía humana. La implementación masiva de la IA en la sociedad podría llevarnos a ser pequeñas máquinas dependientes de sistemas inteligentes que dependamos de ellas para decidir nuestro ocio, decisiones importantes o prácticamente cualquier cosa.
La inteligencia artificial se ha consolidado como un elemento más en nuestras vidas, transformando nuestra forma de trabajar, de consumir o de relacionarnos. Sin embargo, estos avances también vienen acompañados de desafíos significativos que no pueden ser ignorados.
Para aprovechar al máximo el potencial de la IA, es esencial que su desarrollo y uso sean guiados por principios éticos claros, asegurando la transparencia, equidad y protección de la privacidad, lo que requiere de un compromiso conjunto de gobiernos, empresas, desarrolladores y usuarios para establecer normativas que garantice que la IA sea utilizada de manera justa y responsable, libre de sesgos y asegurando que las decisiones automáticas sean comprensibles y justificadas.
El futuro de la inteligencia artificial es prometedor, pero para que realmente sea beneficioso, debemos asegurarnos de que su evolución esté dentro de los valores humanos y que se gestione de una manera favorable para toda la sociedad. La IA debe de venir para contribuir a un desarrollo más equitativo para todos.
Deja una respuesta