La burbuja de la inteligencia artificial generativa ha explotado y es ahora cuando, poco a poco, cambiamos las expectativas por un uso más real y productivo de la misma. Como con cualquier tecnología, y según explicábamos en un post anterior, debemos ver detrás del hype de la IA generativa  y utilizarla en las situaciones donde realmente tiene sentido.

Es en esta fase donde esta nueva IA se compara con las técnicas más tradicionales, para elegir la mejor solución. Para ver en qué casos de uso es mejor aplicar una u otra, en el IIC hemos desarrollado una metodología para hacer una evaluación formal de cada proyecto.

Diferencias entre IA generativa e IA tradicional

Como explica Álvaro Barbero, director del área de Inteligencia Artificial del IIC:

“La inteligencia artificial generativa no reemplaza a la que ya existía. La que ahora se empieza a llamar IA tradicional es en realidad la IA que llevamos muchos años utilizando y se sigue usando hoy en día”.

De hecho, dependiendo del tipo de proyecto a abordar, unas técnicas nos ofrecerán más ventajas que otras.

Por ejemplo, mientras que la IA generativa es más flexible, muchas veces no es tan precisa como un modelo entrenado específicamente para una tarea con técnicas de aprendizaje supervisado. Además, suele incurrir en costes más altos de implantación si la llevamos a producción. Eso sí, es ideal para crear y probar soluciones de manera ágil.

Resumimos las diferencias entre IA generativa y no generativa:

IA generativa

• Modelos más generales, flexibles para abarcar muchos tipos de problemas.
• Permite crear prototipos de forma rápida y ágil.
• Altos costes de hardware y escalado en producción.

IA “tradicional” o no generativa

• Modelos más específicos. Resultan de entrenarlos con datos representativos del problema, obteniendo un mayor rendimiento y resultados de calidad.
• Requiere necesariamente de proyectos específicos de entrenamiento.
• Bajos costes de hardware y escalado en producción.

Algunas aplicaciones de IA generativa y no generativa

Como vemos, la elección de un tipo u otro de inteligencia artificial depende en gran medida del objetivo de un proyecto dado. Por ejemplo, algoritmos de clasificación o predicción más sencillos pueden ofrecer una solución más práctica y económica que recurrir a un modelo de lenguaje generativo.

Es más, para Álvaro Barbero:

“IA generativa y no generativa son compatibles e incluso complementarias en muchas aplicaciones”.

Lo importante es, para cada caso de uso, evaluar qué enfoque aporta más valor y utilizarla con criterio profesional y la vista puesta en los resultados.

Si generalizamos, sí podríamos decir que algunas tareas o aplicaciones se suelen resolver mejor con una u otra IA. Mientras que, en otras, ambas podrían una buena opción.

• Tareas a resolver con IA tradicional: clasificación de datos estructurados, predicción de series temporales, detección en imágenes, segmentación de imágenes, chatbot no generativo, recuperación de información, detección de anomalías, explicabilidad, clustering.

• Tareas a resolver con IA generativa: transcripción y traducción, generación de imágenes, vídeo y audio, descripción de imágenes, resumen, asistente de código, sistemas de RAG, chatbots generativos.

• Tareas que podrían resolverse con ambas: extracción de entidades, clasificación de imágenes, clasificación de textos, OCR, QA extractivo.

Independientemente de esta clasificación y especialmente en estas últimas tareas, desde el IIC, insistimos en la importancia de estudiar cada caso y de probar diferentes soluciones para dar con la más efectiva, especialmente teniendo en cuenta que estas fronteras son cambiantes, dada la velocidad a la que avanzan actualmente las investigaciones en inteligencia artificial.

Cómo plantear y evaluar un proyecto de IA generativa

Si hemos decidido utilizar la IA generativa en nuestro caso de uso, el modo de plantear y evaluar el proyecto no es muy distinto de la metodología que tenemos asentada en el IIC para cualquier proyecto de inteligencia artificial:

• Definir y concretar los objetivos para no abarcar un problema demasiado grande (tendemos a ello porque parece que la IAG puede resolver cualquier cosa)
• Definir qué métricas vamos a utilizar para medir si estamos consiguiendo esos objetivos
• Preparar un conjunto de datos de test con el que probemos si la IA generativa está funcionando suficientemente bien

Según Álvaro Barbero, esto tiene varias ventajas: da solidez al proyecto o prototipo y garantías de que, cuando pongamos el sistema en producción, va a funcionar de manera consistente y fiable. “Además, es una forma de comparar distintos modelos de IA generativa, contrastarlos con la IA más tradicional y estar más seguros de que la solución que estamos desplegando es la mejor posible”, explica el experto del IIC.

Un perfil esencial para aplicar IA generativa son los lingüistas computacionales, parte de los equipos del IIC desde que empezamos a trabajar en procesamiento de lenguaje natural (PLN) hace más de 10 años. “En el caso de la IA generativa, los lingüistas computacionales se encargan de preparar una simulación de las interacciones que tendría el usuario con, por ejemplo, un chatbot, así como las respuestas deseadas. Con esto, podemos contrastar si las nuevas respuestas que da el chatbot son parecidas o cumplen con la calidad de las preparadas previamente”, explica Álvaro Barbero.

Así pues, con sus particularidades, la IA generativa no deja de ser un tipo de inteligencia artificial que hay que conocer y aplicar si realmente va a ayudarnos. En el IIC, trabajamos también con las organizaciones para adaptar o fine-tunear los modelos de lenguaje para que se ajusten a sus necesidades y puedan utilizar la IA con garantías.

Te puede interesar ver el vídeo «IA Generativa: del hype a la realidad de las organizaciones»

¡VER VÍDEO!