Una guía sobre el lenguaje de la inteligencia artificial

La inteligencia artificial (IA) está cambiando el mundo e inventando un nuevo lenguaje para describirlo. Para los profesionales de la tecnología, la aparición de términos como modelos de lenguaje extensos (LLM, por sus siglas en inglés), generación aumentada por recuperación (RAG) y aprendizaje por refuerzo a partir de retroalimentación humana (RLHF) puede generar inseguridad profesional. Para abordar esto, un glosario vivo de términos sirve para desmitificar el léxico en evolución de la industria.

Un punto central de discusión es la inteligencia artificial general (AGI, por sus siglas en inglés), un término que generalmente se refiere a una IA que es más capaz que el humano promedio en muchas, si no en la mayoría, de las tareas. Definir la AGI sigue siendo un desafío, con diferentes organizaciones ofreciendo puntos de referencia distintos. Sam Altman, el CEO de OpenAI, ha descrito la AGI como el “equivalente a un humano promedio al que podrías contratar como compañero de trabajo”. Mientras tanto, la carta de OpenAI define el concepto como sistemas altamente autónomos que superan a los humanos en la mayoría del trabajo económicamente valioso. Google DeepMind, un laboratorio de investigación de IA, considera que la AGI es una IA que es al menos tan capaz como los humanos en la mayoría de las tareas cognitivas.

Más allá de las definiciones de alto nivel, la industria enfrenta obstáculos técnicos. El principal de ellos es el fenómeno de las alucinaciones. Las alucinaciones producen resultados de IA generativa que pueden ser engañosos y podrían incluso conducir a riesgos en la vida real, con consecuencias potencialmente peligrosas (piense en una consulta de salud que devuelve consejos médicos dañinos). Este problema ha contribuido a un impulso por modelos especializados para reducir las brechas de conocimiento.

Para entender cómo funcionan estos modelos, los desarrolladores recurren al aprendizaje profundo (deep learning), un subconjunto del aprendizaje automático inspirado en redes neuronales: estructuras algorítmicas con orígenes que se remontan a la década de 1940. Los modelos de aprendizaje profundo requieren millones o más puntos de datos para producir buenos resultados. Para procesar estos datos, los sistemas dependen de la paralelización, que implica realizar múltiples cálculos simultáneamente. Esto es comparable a tener 10 empleados trabajando en diferentes partes de un proyecto al mismo tiempo en lugar de un empleado trabajando secuencialmente.

Estos métodos computacionales permiten técnicas de razonamiento como la cadena de pensamiento (chain of thought), donde un modelo descompone un problema en pasos intermedios. Por ejemplo, resolver un acertijo lógico donde un granjero tiene pollos y vacas con 40 cabezas y 120 patas requiere cálculos paso a paso para llegar a la respuesta correcta. Al optimizar estos procesos, la industria apunta a hacer que los sistemas de IA sean más confiables y eficientes.

Por qué importa

Este glosario sirve como una referencia viva para que los profesionales de la tecnología naveguen por el panorama de la IA en evolución, ayudando a desmitificar la terminología a medida que el campo madura.