Más allá de ChatGPT: el futuro de la IA generativa para empresas

Las empresas de capital riesgo han invertido más de 1700 millones de euros en soluciones de inteligencia artificial generativa en los últimos tres años. Las que han recibido más financiación son las de descubrimiento de medicamentos mediante IA y codificación de software asistida por IA. 

“Los modelos fundacionales, como ChatGPT, se centran en la capacidad de la IA generativa de potenciar el trabajo creativo, pero se espera que para 2025 más del 30 % (partiendo del cero actual) de los nuevos medicamentos y materiales se descubran sistemáticamente con técnicas de IA generativa”, afirma Brian Burke, VP de Investigación de Innovación Tecnológica en Gartner. “Y este es solo uno de sus numerosos usos en la industria”.

La inteligencia artificial generativa puede analizar muchos diseños posibles de un objeto para encontrar el correcto o más adecuado. No solo aumenta y acelera el diseño en muchas áreas, sino que también tiene el potencial de “inventar” nuevas creaciones u objetos que los humanos tal vez no habríamos pensado. 

En ámbitos como el marketing y los medios de comunicación ya se notan los efectos de la inteligencia artificial generativa. Según las previsiones de Gartner:

• En 2025, un 30 % de los mensajes de marketing emitidos por las grandes empresas se generarán de forma sintética, partiendo de menos del 2 % en 2022. 

• En 2030, una superproducción cinematográfica se creará con más del 90 % del metraje generado por IA (de texto a vídeo), partiendo del 0 % en 2022.

De todas formas, las innovaciones en IA se están acelerando de forma generalizada y surgen numerosos casos de uso de IA generativa en diferentes sectores, incluidos los cinco siguientes.

Según un estudio de 2010, el costo medio de producción de un medicamento, desde su descubrimiento hasta la comercialización, ascendía a unos 1800 millones de euros. Un tercio de estos eran costos de descubrimiento, y el proceso de descubrirlo era muy largo, de tres a seis años. La IA generativa ya se ha utilizado para diseñar fármacos para diferentes usos en cuestión de meses, lo que ofrece a la industria farmacéutica importantes oportunidades de reducir los costos y los plazos de descubrimiento de medicamentos.

La inteligencia artificial generativa está impactando en los sectores de automoción, aeroespacial, defensa, medicina, electrónica y energía al componer materiales totalmente nuevos con propiedades físicas específicas. El proceso, denominado diseño inverso, consiste en definir las propiedades requeridas y descubrir materiales que probablemente las posean, en lugar de confiar a la suerte el hallazgo de un material que las tenga. El resultado es que se encuentran, por ejemplo, materiales más conductores o con mayor atracción magnética que los utilizados actualmente en la energía y el transporte, o para usos en los que se requiere mayor resistencia a la corrosión.

La inteligencia artificial generativa puede utilizar el aprendizaje por refuerzo (una técnica del machine learning) para optimizar la colocación de los componentes en el diseño de chips semiconductores (“floorplanning” o esquema de distribución) y acortar de esta forma el ciclo de desarrollo del producto: de unas semanas en el caso de expertos humanos a unas horas con la IA generativa.

La inteligencia artificial generativa permite crear datos sintéticos, una clase de datos que se generan artificialmente, en lugar de obtenerse a partir de observaciones directas de la realidad. Esto garantiza la privacidad de las fuentes de datos originales utilizadas para entrenar el modelo. A modo de ejemplo, es posible generar datos de salud artificialmente con fines de investigación y análisis sin revelar la identidad de los pacientes cuyas historias clínicas se utilizaron, de modo que se protege su privacidad.

La inteligencia artificial generativa permite a sectores como el de fabricación, automoción, aeroespacial y defensa diseñar piezas optimizadas para cumplir con determinados objetivos y restricciones; por ejemplo, en términos de rendimiento, materiales y métodos de producción. A modo de ejemplo, los fabricantes de automóviles pueden aplicar el diseño generativo para innovar y lograr modelos más ligeros que contribuyan a su objetivo de fabricar coches más eficientes en términos de consumo de combustible.

La mayoría de los sistemas actuales de inteligencia artificial son clasificadores, lo que significa que pueden entrenarse para diferenciar entre imágenes, por ejemplo, de perros y de gatos. Los sistemas de IA generativa pueden entrenarse para generar la imagen de un perro o un gato que no existe en realidad. La capacidad creativa de la tecnología está cambiando las reglas del juego.

La IA generativa capacita a los sistemas para crear artefactos de alto valor, como vídeos, relatos, datos de formación e incluso diseños y esquemas. 

Por ejemplo, la transformación generativa preentrenada o “Generative Pre-trained Transformer”, más conocida por sus siglas GPT, es una tecnología de procesamiento de lenguaje natural a gran escala que utiliza el aprendizaje profundo para producir textos aparentemente escritos por humanos. Su tercera generación (GPT-3), que predice qué palabra tiene más probabilidades de figurar a continuación en una frase a partir del entrenamiento adquirido acumulado, puede escribir relatos, canciones y poesía, e incluso código informático; también capacita a ChatGPT para hacer los deberes de tus hijos adolescentes en unos segundos.

Aparte de textos, existen generadores de imágenes digitales, como DALL-E 2, Stable Diffusion y Midjourney, capaces de crear imágenes a partir de texto. 

Existen numerosas técnicas de inteligencia artificial utilizadas en la IA generativa, pero recientemente la atención se ha centrado en los modelos fundacionales. 

Los modelos fundacionales se entrenan previamente, a partir de fuentes de datos generales, de una manera autosupervisada, lo que permite adaptarlos después para resolver problemas nuevos. Los modelos fundacionales se basan, principalmente, en arquitecturas de transformación, que representan un tipo de arquitectura de redes neuronales profundas que procesa una representación numérica de los datos de entrenamiento. 

Las arquitecturas de transformación aprenden el contexto y, por lo tanto, el significado, mediante el seguimiento de relaciones en los datos secuenciales. Los modelos de transformación aplican un conjunto de técnicas matemáticas evolutivas, denominadas de atención o de autoatención, para detectar sutiles influencias e interdependencias incluso entre los elementos de datos más separados de una serie.

Antes de pisar el acelerador, recuerda que no todo en la IA generativa son ventajas para las empresas; las amenazas también son reales, incluidos el potencial de “deepfake” (falsedad profunda), los problemas de copyright y otros posibles usos maliciosos de la tecnología de IA generativa dirigidos contra tu empresa.

Trabaja con los directores de seguridad y gestión del riesgo para reducir de forma proactiva los peligros en términos de reputación, falsificación, fraude y política que suponen los usos maliciosos de la IA generativa para las personas, las organizaciones y los gobiernos. 

Considera también implementar una guía sobre el uso responsable de la IA generativa mediante una lista recomendada de proveedores y servicios aprobados, priorizando aquellos que ofrezcan transparencia sobre los conjuntos de datos de entrenamiento y el uso de modelos adecuados, o que proporcionen sus modelos en código abierto.

Brian Burke es VP de Investigación de Innovación Tecnológica, y cuenta con 25 años de experiencia en innovación tecnológica y arquitectura empresarial. Su investigación se centra, principalmente, en detectar tendencias emergentes y tendencias tecnológicas estratégicas. Ha sido el autor principal de las “Principales tendencias tecnológicas estratégicas” y el “Hype Cycle para las tecnologías emergentes”. También es autor del libro de 2014 “Gamify: How Gamification Motivates People to Do Extraordinary Things”