La inteligencia artificial ha pasado de sistemas que requerían instrucciones precisas para resolver un problema a modelos capaces de aprender características de los datos, generar información nueva y utilizar herramientas para realizar distintas tareas, explicó el Dr. Luis Fernando Quezada Mata, investigador del Instituto de Física de la Universidad Autónoma de San Luis Potosí (UASLP), durante el Seminario de Inteligencia Artificial IF-GUIA.
En la sesión “¿Puede una máquina hacer matemáticas? IA y los grandes problemas abiertos”, realizada en el Auditorio Tatlinsla del Instituto de Física, el investigador presentó un recorrido por las distintas etapas en el desarrollo de la inteligencia artificial y destacó la importancia de algoritmos como la retropropagación, que permitió entrenar redes neuronales de varias capas. “El algoritmo por sí solo empieza a aprender qué características, de todo lo que le metí, de todos los datos, son los importantes”, explicó.
Quezada Mata señaló que una segunda etapa estuvo relacionada con el aprendizaje automático, mediante herramientas como las máquinas de soporte vectorial, AdaBoost, Random Forest y Gradient Boosting. En estos modelos la inteligencia artificial comenzó a identificar estructuras en los datos, aunque todavía era necesario indicarle cuáles características debía considerar. Posteriormente, las redes convolucionales permitieron que los sistemas aprendieran esas características directamente, particularmente en el análisis de imágenes.
El desarrollo de los embeddings representó otro avance al permitir convertir palabras y otros elementos del lenguaje en representaciones numéricas que conservan relaciones entre conceptos. El investigador explicó que palabras utilizadas en contextos similares pueden quedar próximas dentro de un espacio de características. A partir de esta evolución surgieron tecnologías como las redes generativas, AlphaGo y, posteriormente, los transformadores, una arquitectura que abrió el camino a los actuales modelos generativos de lenguaje.
En este proceso, explicó, GPT utiliza transformadores para predecir qué palabra puede seguir dentro de una secuencia a partir del contexto previo. “Lo que hace GPT esencialmente es mucho de la IA generativa, es bayesiana en el sentido de que justamente modelan estas probabilidades condicionales”, señaló. De esta manera, los modelos pasaron de reconocer y clasificar información a generar nuevas secuencias de texto.
El investigador destacó finalmente una etapa en la que la inteligencia artificial deja de ser solamente un sistema que observa, predice o genera información y comienza a realizar acciones mediante herramientas. A través de protocolos y agentes, los modelos pueden determinar cuándo necesitan efectuar un cálculo, consultar información o utilizar una aplicación para resolver una tarea. La sesión también incluyó la participación del Dr. Lev Glewsky, con el tema “Problemas matemáticos, soluciones con IA y comprobación automática”, y una mesa redonda sobre las implicaciones sociales y científicas de estas tecnologías, moderada por el Dr. Diego Espitia, ambos del Instituto de Física de la UASLP.
INSTITUTO DE FÍSICA DE LA UASLP ABORDA NUEVAS CAPACIDADES DE LA INTELIGENCIA ARTIFICIAL
