El laboratorio
Una introducción a los conceptos, tipos y tecnologías que hacen posible la IA y la IA generativa, con énfasis en su uso responsable en investigación e innovación.
Definición
La inteligencia artificial (IA) es el campo de la ciencia computacional dedicado a crear sistemas capaces de realizar tareas que normalmente requieren inteligencia humana: reconocer patrones, comprender el lenguaje, tomar decisiones, aprender de la experiencia y generar contenido.
No se trata de una única tecnología, sino de un conjunto de métodos, algoritmos y disciplinas —como el aprendizaje automático, la estadística, la lingüística computacional y la neurociencia— que, combinados, permiten que las máquinas procesen información de manera útil y, en algunos casos, creativa.
Tipos
Sistemas entrenados para realizar una tarea específica de manera eficiente: clasificar imágenes, traducir textos, recomendar contenidos o responder preguntas en un dominio delimitado. Es la forma de IA más común hoy.
Hipotética forma de IA con capacidades cognitivas comparables a las humanas en múltiples dominios: razonamiento abstracto, aprendizaje por transferencia y resolución de problemas novedosos. Aún no existe.
Escenario futuro en el que una IA superaría el rendimiento humano en casi cualquier área. Es objeto de debate científico, ético y de gobernanza tecnológica.
Sistemas capaces de crear contenido nuevo: texto, imágenes, audio, video, código o datos sintéticos. Funcionan aprendiendo patrones estadísticos de grandes volúmenes de datos y generando ejemplos coherentes a partir de una instrucción.
Tecnología
La IA generativa es una rama de la inteligencia artificial especializada en crear contenido original a partir de patrones aprendidos de datos masivos. A diferencia de los sistemas tradicionales que solo clasifican o predicen, los modelos generativos pueden producir texto, imágenes, audio, video, música, código o datos sintéticos.
Su funcionamiento se basa en arquitecturas como los transformers y las redes generativas adversarias (GAN), que capturan la estructura subyacente de la información y generan ejemplos nuevos que mantienen coherencia con el dominio aprendido.
Glosario
Modelos computacionales inspirados en el funcionamiento del cerebro biológico. Están formadas por capas de neuronas artificiales que procesan información, detectan patrones y aprenden representaciones a partir de datos.
Ejemplo: Una red neuronal puede aprender a reconocer tumores en radiografías tras entrenarse con miles de imágenes médicas etiquetadas.
Rama de la IA que permite a las máquinas mejorar en una tarea a partir de la experiencia (datos), sin ser programadas explícitamente para cada caso.
Ejemplo: Un modelo que predice el riesgo de abandono escolar analizando historiales académicos.
Subcampo del aprendizaje automático que utiliza redes neuronales con muchas capas para modelar relaciones complejas en datos de alta dimensionalidad.
Ejemplo: Los sistemas de reconocimiento de voz y visión por computadora suelen basarse en aprendizaje profundo.
Conjunto de técnicas que permiten a las computadoras comprender, interpretar y generar lenguaje humano de manera útil.
Ejemplo: Traductores automáticos, resumidores de textos y chatbots conversacionales usan PLN.
Redes neuronales entrenadas con enormes cantidades de texto para predecir y generar secuencias de palabras. Pueden responder preguntas, redactar, programar o razonar en lenguaje natural.
Ejemplo: GPT, LLaMA, Gemini o Mistral son ejemplos de LLM utilizados en asistentes conversacionales.
Modelos que pueden procesar y generar simultáneamente diferentes tipos de datos: texto, imagen, audio y video. LMM significa Large Multimodal Model.
Ejemplo: Un sistema que recibe una fotografía y genera una descripción textual detallada, o viceversa.
Instrucción o entrada que se le da a un modelo de IA generativa para orientar su respuesta. Diseñar prompts efectivos es una habilidad clave en la interacción con estos sistemas.
Ejemplo: Redacta un resumen académico de 150 palabras sobre evaluación educativa, dirigido a docentes de licenciatura.
Fenómeno por el cual un modelo generativo produce información plausible pero incorrecta o inventada. Es un riesgo importante en contextos académicos, clínicos y legales.
Ejemplo: Un modelo puede citar estudios inexistentes o atribuir afirmaciones falsas a un autor real.
Tendencia de un modelo a reproducir inequidades presentes en los datos de entrenamiento o en su diseño, afectando decisiones automatizadas.
Ejemplo: Un sistema de selección laboral puede penalizar a ciertos grupos si los datos históricos reflejan discriminación.
Principio ético y metodológico que exige que una persona revise, valide y asuma responsabilidad sobre las decisiones o contenidos generados por IA.
Ejemplo: En LIIA+G, todo producto o análisis asistido por IA es revisado por especialistas del área correspondiente.
Conjunto de ejemplos utilizados para ajustar los parámetros de un modelo. Su calidad, representatividad y licenciamiento determinan gran parte del comportamiento del sistema.
Ejemplo: Corpus textuales, bases de imágenes médicas o registros educativos anonimizados.
Proceso de reentrenar parcialmente un modelo ya existente con datos específicos de un dominio para mejorar su desempeño en tareas particulares.
Ejemplo: Adaptar un LLM general para que responda con terminología propia de la psicometría o la educación.
Aplicaciones
Compromiso
En LIIA+G entendemos la IA como una herramienta de amplificación del conocimiento humano, no como un sustituto del juicio experto. Todos nuestros proyectos incorporan supervisión humana, validación científica, transparencia metodológica y atención a los sesgos algorítmicos.
Promovemos un uso ético y pertinente de la IA generativa, especialmente en contextos educativos, de salud y social, donde las decisiones automatizadas pueden afectar la vida de las personas.