Si me describieras tus síntomas como líder empresarial y yo los ingresara en ChatGPT, ¿esperarías que generara y prescribiera un plan de tratamiento sin consultar primero a un médico? ¿Qué pasaría si te ofreciera un trato: los mejores científicos de datos del mundo se unieran a tu organización, pero cada uno de tus expertos en negocios tuviera que ir a tu competidor, dejándote con datos pero sin expertos que brinden contexto?
En el panorama actual impulsado por la IA, abundan las voces que discuten las oportunidades, riesgos y mejores prácticas para integrar la IA generativa, particularmente modelos de lenguaje como GPT-4 o Bard. Cada día, vemos anuncios de nuevos modelos de código abierto, avances en investigación y lanzamientos de productos.
En medio de este desarrollo acelerado, se centra la atención en las capacidades de los modelos de lenguaje. Sin embargo, el lenguaje solo es efectivo cuando se combina con conocimiento y comprensión. Por ejemplo, si alguien memoriza todas las palabras relacionadas con la química pero carece de conocimientos fundamentales, ese lenguaje memorizado sigue siendo ineficaz.
Ajustando la Receta
Los modelos de lenguaje pueden resultar engañosos, ya que generan contenido sin una comprensión genuina. Si se les pide crear una nueva receta, pueden analizar recetas anteriores en busca de correlaciones, pero carecen del conocimiento intrínseco sobre qué combina bien. Esto puede dar lugar a combinaciones inusuales, como mezclar aceite de oliva, ketchup y duraznos, algo poco probable debido a su ausencia en conjuntos de datos previos, no porque el modelo posea verdadera experiencia culinaria.
Así, una receta bien elaborada por un modelo de lenguaje se deriva estadísticamente, gracias a los aportes de expertos culinarios. La clave de los modelos de lenguaje efectivos radica en la integración de la experiencia.
La Experiencia Combina Lenguaje con Conocimiento y Comprensión
La frase "la correlación no implica causación" resuena entre los profesionales de datos, destacando el riesgo de vincular erróneamente fenómenos no relacionados. Si bien las máquinas son expertas en identificar correlaciones y patrones, se requiere verdadero conocimiento para discernir la causación y guiar la toma de decisiones.
En nuestro camino de aprendizaje, el lenguaje es solo el punto de partida. A medida que los niños desarrollan el lenguaje, los cuidadores les transmiten conocimiento sobre su entorno. Eventualmente, comprenden causa y efecto, relacionando acciones como saltar a un lago con resultados. En la adultez, internalizamos estructuras complejas de experiencia que entrelazan lenguaje, conocimiento y comprensión.
Recreando la Estructura de la Experiencia
Al explorar cualquier tema, tener lenguaje sin conocimiento o comprensión no equivale a experiencia. Por ejemplo, puedo saber que un automóvil tiene una transmisión y un motor con pistones, pero mi comprensión de cómo funcionan y la capacidad de repararlos requeriría experiencia práctica, un área en la que carezco de especialización.
Traduciendo esto a un contexto de máquina, los modelos de lenguaje sin conocimiento asociado o comprensión no deberían tomar decisiones. Permitir que un modelo de lenguaje opere de forma independiente es similar a darle una caja de herramientas a alguien que solo sabe predecir la siguiente palabra probable relacionada con coches.
Aprovechando los Modelos de Lenguaje al Recrear la Experiencia
Para utilizar efectivamente los modelos de lenguaje, debemos comenzar con la experiencia y reverse-engineer el proceso. El aprendizaje automático (ML) y la enseñanza automática se centran en transmitir la experiencia humana a formatos que las máquinas pueden leer, permitiendo que estas informen o tomen decisiones de forma autónoma, mejorando así la capacidad humana para una toma de decisiones matizada.
Un mito común sobre la IA y el ML es que los datos son el elemento más crítico. En realidad, la experiencia ocupa esa posición. Si un modelo carece de la orientación de un experto, ¿qué conocimientos valiosos puede extraer de los datos?
Identificando patrones que los expertos reconocen como beneficiosos, podemos traducir ese conocimiento al lenguaje de la máquina para decisiones autónomas. Así, el proceso comienza con la experiencia y trabaja hacia atrás. Por ejemplo, un operador de máquina puede identificar ciertos sonidos que indican ajustes necesarios. Al equipar a las máquinas con sensores, esta experiencia puede traducirse en lenguaje de máquina, liberando al operador para otras tareas.
Identificar la Experiencia Crítica
Al construir soluciones de IA, las organizaciones deben determinar qué experiencia es más crucial y evaluar el riesgo asociado con perder ese conocimiento frente a los beneficios potenciales de automatizar decisiones relacionadas.
¿Hay un empleado único crucial para un proceso determinado? ¿Se pueden delegar tareas rutinarias a sistemas autónomos para otorgar más tiempo a los empleados? Después de esta evaluación, las organizaciones pueden discutir cómo traducir la experiencia de alto riesgo o alta recompensa al lenguaje de la máquina.
Afortunadamente, las bases para los sistemas expertos a menudo ya están establecidas. Los modelos de lenguaje pueden aprovechar la experiencia existente programada en ellos.
De la Exploración a las Operaciones
En la próxima década, el panorama del mercado cambiará en función de las inversiones de las organizaciones en IA. Como ejemplo de precaución, consideremos a Netflix, que introdujo la transmisión en 2007, lo que llevó a la quiebra de Blockbuster solo tres años después, a pesar de los esfuerzos tempranos de Blockbuster en el mismo ámbito.
Cuando los competidores revelan aplicaciones avanzadas de IA, puede ser demasiado tarde para que otros se adapten, especialmente dada la cantidad de tiempo y habilidades necesarias para desarrollar soluciones robustas.
Para 2030, las empresas que elijan reaccionar en lugar de innovar podrían encontrar su relevancia comprometida, similar al destino de Blockbuster.
En lugar de esperar a que otros se pongan al día, los líderes empresariales deberían explorar proactivamente qué posiciones de mercado únicas pueden crear, obligando a los competidores a apresurarse en busca de respuestas.
En esta era de transformación autónoma, las organizaciones que prioricen transferir experiencia operativa a las máquinas y visualizar las dinámicas futuras del mercado consolidarán sus posiciones en el mismo.
Clasificación
