Introducción a los modelos básicos de IA: tipos, casos de uso y cómo comenzar

Si bien las organizaciones de todo el mundo llevan mucho tiempo invirtiendo en IA, la cantidad de proyectos de inteligencia artificial que pasan de los prototipos a la producción todavía fluctúa alrededor del 53 % .

Los expertos creen que esto sucede a menudo debido a la falta de habilidades tecnológicas, recursos humanos y herramientas para escalar pruebas de conceptos (PoC) de IA aisladas en otros casos de uso. Y el presumiblemente alto costo de entrenar modelos de IA separados para diferentes tareas, por supuesto.

Los modelos básicos, es decir, grandes modelos de aprendizaje automático entrenados en grandes volúmenes de datos sin etiquetar bajo la guía de consultores de IA calificados, pueden ser la respuesta definitiva a los abrumadores problemas de escalabilidad y costos de la IA.

Su empresa podría utilizar estos modelos como punto de partida para mejorar o automatizar varias tareas, desde convertir documentos en papel en archivos de texto editables hasta descubrir la opinión de los clientes en las reseñas de las redes sociales . Y construya sobre su excelencia en IA a partir de ahí, adaptando los modelos básicos para futuras tareas y casos de uso.

¿Qué son los modelos básicos y cómo podrían ayudar a su empresa a sobresalir en IA?

A menos que haya estado viviendo bajo una roca, ha oído hablar de ChatGPT de OpenAI . Este modelo de lenguaje ha absorbido tremendos volúmenes de texto conversacional utilizando el aprendizaje supervisado y, en la etapa de ajuste, el aprendizaje reforzado a partir de enfoques de retroalimentación humana (RLHF).

La solución de IA generativa puede analizar datos de entrada contra 175 mil millones de parámetros y comprender profundamente el lenguaje escrito. La herramienta inteligente puede responder preguntas, resumir y traducir texto, producir artículos sobre un tema determinado, escribir código y mucho más. Todo lo que necesita es proporcionarle a ChatGPT las indicaciones correctas .

El innovador producto de OpenAI es solo un ejemplo de modelos básicos que transforman el desarrollo de aplicaciones de IA tal como lo conocemos.

Los modelos básicos interrumpen el desarrollo de la IA tal como la conocemos. En lugar de entrenar múltiples modelos para casos de uso separados, ahora puede aprovechar una solución de IA previamente entrenada para mejorar o automatizar completamente las tareas en múltiples departamentos y funciones laborales.

Con modelos básicos de IA como ChatGPT, las empresas ya no tienen que entrenar algoritmos desde cero para cada tarea que desean mejorar o automatizar. En su lugar, solo necesita seleccionar un modelo de base que mejor se adapte a su caso de uso y ajustar su rendimiento para un objetivo específico que le gustaría lograr.

Los modelos básicos son perfectos para industrias en las que los datos de capacitación pueden ser demasiado difíciles o costosos de adquirir. Estas industrias incluyen atención médica , ciencias de la vida, biotecnología y fabricación, por nombrar algunas.

¿Qué tipos de modelos básicos de IA existen?

Varios tipos de modelos básicos de IA se usan comúnmente en aplicaciones comerciales:

• Los modelos de aprendizaje semisupervisados se entrenan en un conjunto de datos que contiene una combinación de datos etiquetados y no etiquetados. El objetivo es utilizar los datos etiquetados para mejorar el rendimiento del modelo en los datos no etiquetados. Los expertos en IA recurren al aprendizaje semisupervisado cuando los datos de capacitación son difíciles de obtener o le costarían un ojo de la cara a su empresa. Esto, por ejemplo, puede suceder en entornos médicos donde se promulgan diversas regulaciones de TI para el cuidado de la salud. Algunos ejemplos comunes de modelos semisupervisados incluyen algoritmos de clasificación de contenido web y documentos de texto previamente entrenados.

  
  

• Los modelos de aprendizaje no supervisados están completamente entrenados en conjuntos de datos no etiquetados. Descubren patrones en los datos de entrenamiento o los estructuran por su cuenta. Dichos modelos, entre otras cosas, podrían segmentar la información en grupos en función de los parámetros que han descubierto en un conjunto de datos de entrenamiento. Los ingenieros de ML recurren a codificadores automáticos, K-Means, agrupación jerárquica y otras técnicas para crear soluciones de aprendizaje automático no supervisadas y mejorar su precisión.

  
  

• Los modelos de aprendizaje por refuerzo interactúan con su entorno sin un entrenamiento específico. Al lograr un resultado deseado, es decir, hacer una predicción que los desarrolladores esperaban, los modelos son recompensados. Por el contrario, los modelos de aprendizaje por refuerzo son penalizados cuando se hacen suposiciones erróneas. El enfoque permite que los algoritmos de IA tomen decisiones más complejas que sus contrapartes supervisadas y semisupervisadas. Un ejemplo de aprendizaje por refuerzo en acción serían los vehículos autónomos o la inteligencia artificial de juegos como AlphaGo.

  
  

• Los modelos de IA generativa producen nuevos datos similares a los datos con los que han sido entrenados. Estos datos pueden incluir texto, imágenes, clips de audio y videos. La solución ChatGPT mencionada en la sección anterior pertenece a esta categoría de modelos básicos de IA. Otros ejemplos de IA generativa incluyen la herramienta DALL-E 2 , que crea imágenes basadas en descripciones escritas en lenguaje natural, y la plataforma de video Synthesia.io , que utiliza entradas basadas en texto para producir contenido de video.

• Los modelos de transferencia de aprendizaje pueden resolver tareas distintas a las que han recibido capacitación. Por ejemplo, los ingenieros de visión por computadora pueden aprovechar los algoritmos de clasificación de imágenes previamente entrenados para la detección de objetos. O aproveche las soluciones NLP existentes para tareas más intensivas en conocimiento, como el análisis de la opinión del cliente. Algunas soluciones populares de aprendizaje automático previamente entrenadas incluyen OpenCV, una biblioteca de visión por computadora que contiene modelos sólidos para la clasificación de objetos y la detección de imágenes, y las ofertas de la biblioteca de Transformers de Hugging Face, como el transformador generativo preentrenado (GPT), es decir, un modelo de lenguaje enriquecido cuyo la tercera generación (GPT-3) impulsa el servicio ChatGPT.

  
  

• Los modelos de metaaprendizaje , a diferencia de sus equivalentes orientados a tareas, literalmente aprenden a aprender (sin juego de palabras). En lugar de devorar datos para resolver un problema específico, estos modelos desarrollan estrategias generales para la resolución de problemas. De esta manera, las soluciones de metaaprendizaje pueden adaptarse fácilmente a los nuevos desafíos mientras utilizan sus recursos, como la memoria y la potencia informática, de manera más eficiente. Los expertos en ML aprovechan el metaaprendizaje cuando los datos de capacitación son escasos o cuando una empresa carece de planes definitivos con respecto a la implementación de IA en los negocios. TensorFlow, PyTorch y otras bibliotecas y marcos de aprendizaje automático de código abierto ofrecen herramientas que permiten a los desarrolladores explorar técnicas de metaaprendizaje. Y los proveedores de computación en la nube como Google ayudan a los expertos y novatos de ML a entrenar modelos de aprendizaje automático personalizados mediante AutoML.

Según la aplicación específica y el tipo de datos que tenga, un modelo de base puede ser más apropiado que otro. Y su empresa es libre de elegir entre una solución de código abierto, que necesita algunos ajustes, o un producto de terceros listo para usar, siempre que cumpla con sus objetivos comerciales.

Las 3 razones principales para aprovechar los modelos básicos de IA para su próximo proyecto

En comparación con los modelos independientes de aprendizaje automático orientados a tareas, los modelos básicos ayudan a crear soluciones de IA confiables de manera más rápida y económica, con menos datos involucrados y un ajuste mínimo. Y eso sin mencionar que, al recibir capacitación sobre más datos de los que una sola organización podría obtener, los modelos básicos muestran una alta precisión desde el primer día.

A continuación encontrará un resumen de las ventajas de los modelos básicos de IA:

• Los modelos básicos lo ayudarán a implementar la IA de manera más rápida, económica y con menos recursos involucrados . Crear e implementar una solución de IA requiere mucho tiempo y recursos. Para cada nueva aplicación, necesita un conjunto de datos separado y bien etiquetado. Y si no lo tiene, necesitará un equipo de expertos en datos para encontrar, limpiar y etiquetar esa información. Según Dakshi Agrawal, CTO de IBM AI, los modelos básicos ayudan a reducir los requisitos de etiquetado de datos entre 10 y 200 veces según el caso de uso dado, lo que se traduce en un ahorro de costos significativo. En el aspecto comercial, también debe considerar los crecientes gastos de computación en la nube. Google, por ejemplo, gastó hasta 35 millones de dólares para enseñar a DeepMind a jugar Go. Y aunque su proyecto de IA puede no ser ni la mitad de ambicioso, fácilmente podría gastar $300,000 solo en costos de servidor en la nube para poner en funcionamiento su aplicación de IA. Otra razón para utilizar modelos básicos, como las soluciones de IA generativa, es la oportunidad de crear rápidamente prototipos y probar diferentes conceptos sin invertir mucho en I+D.

  
  

• Puede reutilizar los modelos básicos de IA para crear diferentes aplicaciones . Como su nombre lo indica, los modelos básicos de IA pueden servir como base para múltiples aplicaciones de IA. Piensa en conducir un coche. Una vez que tenga una licencia de conducir, no necesita aprobar el examen cada vez que compre otro vehículo. De manera similar, puede usar una cantidad menor de datos etiquetados para entrenar un modelo básico de propósito general que resuma textos para procesar contenido específico del dominio. Y los modelos de base también poseen capacidades de "emergencia", lo que significa que un modelo, una vez entrenado, puede aprender a resolver problemas que no se suponía que debía abordar u obtener información inesperada de los datos de entrenamiento.

  
  

• Los modelos básicos de IA ayudan a lograr los objetivos de sostenibilidad de su empresa . Entrenar un gran modelo de aprendizaje automático puede tener la misma huella ambiental que hacer funcionar cinco autos durante su vida útil. Una huella de carbono tan grande contrasta fuertemente con el hecho de que el 66 % y el 49 % de las empresas están aumentando la eficiencia en el uso de la energía y desarrollando nuevos servicios y productos amigables con el clima, respectivamente. Con los modelos básicos de IA, puede entrenar algoritmos inteligentes más rápido y utilizar los recursos informáticos de manera inteligente, sobre todo gracias a la arquitectura de los modelos que aprovecha el paralelismo del hardware, ejecutando varias tareas simultáneamente.

  
  

Considerados "el futuro de la IA", los modelos básicos reducen el umbral para aprovechar la inteligencia artificial y podrían poner fin al ciclo fallido de prueba de concepto de la IA al ayudar a las empresas a escalar modelos en otros casos de uso y en toda la empresa.

Pero con cada oportunidad viene un desafío.

Aspectos a tener en cuenta al utilizar modelos de base

El único inconveniente evidente de los modelos básicos de IA es la falta de explicabilidad .

Los modelos de base grandes pueden usar tantos datos de entrenamiento y tener tantas capas profundas que a veces es difícil determinar cómo los algoritmos llegan a sus conclusiones.

La naturaleza de caja negra de los modelos básicos también deja una puerta trasera para los ciberdelincuentes. Los piratas informáticos pueden lanzar ataques de envenenamiento de datos e introducir sesgos de IA , lo que exacerba aún más los problemas éticos de la inteligencia artificial.

Las empresas de tecnología deben unir fuerzas con los gobiernos para establecer una infraestructura para proyectos públicos de IA a fin de evitar la controversia en torno al uso de los modelos básicos de IA. Los proveedores de IA también deben revelar qué conjuntos de datos utilizan y cómo entrenan sus modelos.

Como Percy Liang, profesor de ciencias de la computación y facultad de HAI de Stanford, opinó durante su reciente entrevista con Venture Beat : “Estamos en los primeros días, por lo que las normas profesionales están subdesarrolladas. Por lo tanto, es imperativo que nosotros, como comunidad, actuemos ahora para garantizar que esta tecnología se desarrolle e implemente de manera ética y socialmente responsable”.

¿Qué se necesita para comenzar a usar modelos básicos en su organización?

Como alguien que pasó los últimos diez años ayudando a las empresas a implementar sistemas de inteligencia artificial, el equipo de ITRex está presenciando un cambio en la inteligencia artificial.

Los sistemas que ejecutan tareas específicas en un solo dominio dan paso a una IA amplia que aprende de manera más general y funciona en todas las industrias y casos de uso. Los modelos básicos, entrenados en grandes conjuntos de datos sin etiquetar y ajustados para varias aplicaciones, están impulsando esta transformación.

Si su empresa está lista para superar a sus competidores y obtener un ROI de sus sistemas de IA más rápido, aquí hay una estrategia de alto nivel para implementar modelos básicos:

1. Recopilar y preprocesar sus datos . El primer paso consiste en recopilar y preprocesar los datos que alimentará a un modelo básico de IA. La calidad y diversidad de estos datos son fundamentales para garantizar que el modelo ajustado sea preciso y sólido.
2. Elige un modelo de base . Muchos modelos básicos de IA preentrenados están disponibles en el mercado. Algunas soluciones populares incluyen BERT, GPT y ResNet, entre otras. Es importante elegir el modelo de base correcto en función de la tarea que desea resolver y el tipo de datos que tiene.
3. Modifique el modelo de acuerdo con sus objetivos comerciales . Una vez que su modelo base y los datos estén listos, puede ajustar los parámetros del modelo a su tarea específica. Una forma de lograr este objetivo es el aprendizaje por transferencia, en el que utiliza los pesos previamente entrenados del modelo básico como punto de partida y los ajusta en función de sus datos de entrenamiento.
4. Evalúa el modelo . Después del ajuste fino, es crucial determinar si el modelo funciona bien y si es necesario realizar más ajustes. Para evaluar el rendimiento del modelo básico, puede utilizar métricas estándar como exactitud, precisión, recuperación y puntuación F1.
5. Implemente su solución de IA . Una vez que esté satisfecho con el rendimiento de su modelo ajustado, puede implementarlo en un entorno de producción. Varias opciones para implementar modelos de IA incluyen plataformas basadas en la nube, servidores locales o dispositivos perimetrales.

Es importante recordar que la implementación de modelos básicos de IA requiere experiencia técnica y acceso a herramientas de hardware y software especializadas. Por lo tanto, puede ser útil asociarse con un proveedor de IA especializado o consultar con un equipo de expertos en IA para garantizar que el proceso se realice de manera efectiva.

¡Escríbanos para discutir sus necesidades de IA! ¡Evaluaremos la preparación de la IA de su empresa, auditaremos sus datos y los prepararemos para el análisis algorítmico, y elegiremos el modelo de base adecuado para comenzar con la inteligencia artificial!