Qué es la IA generativa

Antes de empezar

Este curso está orientado a aprender qué se puede hacer con IA generativa desde el punto de vista práctico. Es importante remarcar que los avances en IA son constantes y, debido a ello, el ecosistema cambia cada pocos meses: nombres, interfaces, precios, modelos... Lo que no cambia tan rápido son las capacidades subyacentes: generar, editar, controlar, etc., ni los criterios para decidir si el resultado sirve o no. Así que nos centraremos en eso.

El programa

El curso está estructurado en cuatro sesiones, que abordaremos progresivamente:

Para poder superar el curso os pediré una prueba de aprovechamiento que consistirá en realizar una pequeña campaña o pieza de comunicación construida encadenando varios de los temas vistos. Lo abordaremos en detalle en el último capítulo.

IA tradicional vs IA generativa

Aunque hoy usemos "Inteligencia Artificial" para referirnos a los últimos avances, la IA lleva muchos años entre nosotros. Desbloquear el móvil con la cara, la cámara que lee la matrícula al entrar en un parking o el filtro de spam del correo son sistemas de IA, y ninguno nos pareció nunca especialmente llamativo.

Como puedes ver en la figura, dentro del panorama de la inteligencia artificial, la IA generativa engloba métodos y técnicas capaces de generar nuevas muestras de datos.

Durante décadas, casi todo lo que llamábamos inteligencia artificial eran modelos que recibían una entrada y devolvían una predicción. Ejemplos de ello son:

• Reconocer una cara en una fotografía.
• Detectar vehículos en una cámara de tráfico.
• Segmentar una imagen médica.
• Detectar defectos en una pieza industrial.
• Clasificar un documento en una categoría.
• Decidir si un correo es spam.

En todos estos casos el espacio de salida es pequeño y está definido de antemano: una etiqueta, un número, una región...

La IA generativa cambia el tipo de salida. En lugar de elegir entre diferentes opciones, construye contenido nuevo: texto, imágenes, voz, música, vídeo, documentos, código...

La entrada deja de ser un dato a clasificar y pasa a ser una instrucción. Y la salida deja de ser una etiqueta y pasa a ser una pieza que antes no existía.

¿Por qué justo ahora?

Si la IA lleva décadas entre nosotros, la pregunta razonable es por qué de repente parece que todo ha cambiado en unos pocos años. Hay muchas fechas que se podrían citar, pero tres explican casi todo.

2012 — las máquinas empiezan a ver. El modelo AlexNet gana la competición de clasificación de imágenes ImageNet con un margen enorme sobre los métodos tradicionales. Fue la demostración de que las redes neuronales profundas funcionaban, y arrancó la revolución del deep learning. No fue solo mérito del algoritmo: las tarjetas gráficas (GPUs), diseñadas originalmente para videojuegos, resultaron ser ideales para entrenar estas redes porque hacen muchísimos cálculos en paralelo.

2017 — deja de hacer falta etiquetar. Google presenta la arquitectura Transformer. Entrenada de forma auto-supervisada, permite aprender a partir de texto sin anotar: se ocultan palabras y se pide al modelo que las reconstruya. Es la base de ChatGPT, Gemini o Claude, pero también de aplicaciones como la predicción del plegado de proteínas.

2022 — llega al público. Aparecen los modelos de difusión que popularizan la generación de imágenes (Stable Diffusion, DALL·E, Midjourney) y en noviembre se lanza ChatGPT. Por primera vez, cualquiera puede usar todo esto desde un navegador y sin saber nada de lo anterior.

Hay otro detalle de esa última década que conviene tener presente, porque explica también en parte el ritmo vertiginoso de los últimos años. Al aumentar el tamaño de los modelos empezaron a aparecer capacidades para las que nunca se les había entrenado explícitamente. Un modelo entrenado únicamente para predecir la siguiente palabra acabó traduciendo, razonando y escribiendo código. Nadie se lo enseñó de forma directa.

De modelos especializados a modelos multimodales

Hasta hace relativamente poco, cada tarea tenía su modelo:

• un modelo de texto,
• un modelo de imagen,
• un modelo de clasificación,
• un modelo de audio.

Si querías describir una imagen y luego generar otra parecida, necesitabas encadenar herramientas distintas, cada una con su interfaz y su formato.

¿Por qué estaba todo tan fragmentado? Porque cada uno de esos modelos se entrenaba con aprendizaje supervisado: hacían falta miles de ejemplos etiquetados a mano para la tarea concreta que se quería resolver, y esas etiquetas no se reutilizaban entre tareas. Un modelo entrenado para separar una figura del fondo no servía para describir la escena, ni para aumentar la resolución, aunque las tres cosas se hicieran sobre la misma fotografía.

El preentrenamiento auto-supervisado rompió justamente eso. En lugar de anotar a mano, se entrena al modelo ocultando partes del propio material como palabras de una frase o regiones de una imagen y pidiéndole que las reconstruya. Las etiquetas salen del propio dato, así que se puede aprender de cantidades enormes de material sin anotar. De ahí que un mismo modelo pueda hoy describir, editar y generar sin haber sido entrenado por separado para cada cosa.

Hoy la situación es otra. Podemos abrir una conversación en un chatbot, subir una imagen, preguntar qué aparece en ella, pedir que se modifique un detalle y seguir trabajando sobre el resultado. Todo en el mismo sitio y sin cambiar de herramienta.

Cómo procesa el modelo lo que le das

Este curso es de nivel usuario y no vamos a entrar en cómo funcionan estos modelos internamente. Pero hay una excepción que compensa: entender la ventana de contexto. Explica tres cosas con las que vas a chocar constantemente:

• por qué se salta detalles
• por qué se olvida de instrucciones
• por qué unas peticiones cuestan mucho más que otras

El texto se parte en tokens

Antes de procesar nada, el texto se trocea en unidades llamadas tokens. Un token no siempre es una palabra: puede ser una palabra corta entera, un fragmento de una larga, un signo de puntuación o un espacio. Cada token se convierte después en un vector de números (un embedding), y eso es lo que realmente entra en la red.

Puedes verlo tú mismo en Tiktokenizer: pega una frase y observa cómo la parten los distintos modelos. Los acentos, las palabras poco frecuentes y los nombres propios suelen romperse en varios trozos.

Las imágenes también son tokens

Aquí está la parte que más ayuda a entender la multimodalidad. Una imagen no entra en el modelo como una fotografía: se divide en una cuadrícula de pequeños fragmentos, los parches, y cada parche se convierte en un vector de números, exactamente igual que un token de texto.

Es decir, una imagen acaba siendo una secuencia de tokens, igual que una frase.

Y como ambos tipos de token tienen la misma forma, pueden ir juntos en una única secuencia. Por eso puedes subir una foto y preguntar por ella en la misma frase: para el modelo, tu pregunta y tu imagen son lo mismo, una tira de números que procesa a la vez.

La ventana de contexto

Esa secuencia no puede crecer indefinidamente. Cada modelo tiene una ventana de contexto: el número máximo de tokens que puede tener presentes a la vez. Todo lo que se salga de ahí, deja de existir para él.

Si quieres profundizar

Primera generación

Lo mejor en la evolución de estos modelos es que están accesibles a todo el mundo y para empezar a utilizarlos no es necesario tener conocimientos profundos de como funcionan.

Prueba a abrir ChatGPT, Gemini o el chatbot que suelas utilizar y prueba con una instrucción simple. Ejemplo:

Genera una fotografía de un pangolín surfeando.

Observa el resultado antes de seguir. Probablemente sea razonable, quizá incluso divertido, pero también es probable que no sea exactamente lo que tenías en la cabeza.

Ahora añade restricciones concretas y vuelve a pedirla:

Debe llevar un bañador rojo con flores
Ambos brazos deben estar extendidos.
La tabla ha de ser verde.
Al fondo debería haber un volcán.

Fíjate en cuáles de esas cuatro condiciones se cumplen y cuáles no. Dependiendo de las restricciones que hayas añadido se respetarán en mayor o menor medida. Por ejemplo, color y postura se respetan con bastante fiabilidad, mientras que la cantidad exacta de elementos o texto suele fallar más a menudo, aunque cada vez menos.