See discussions, stats, and author profiles for this publication at: https://www.researchgate.

net/publication/348832879

Perspectiva actual del rol de la Inteligencia Artificial en la Escritura Creativa.

¿Puede una máquina ser creativa? Current perspective of the role of Artificial
Intelligence in Cr...

Preprint · January 2021

DOI: 10.13140/RG.2.2.20538.00963

CITATIONS READS

0 639

1 author:

Mariana Garcia
Universidad de Sevilla
8 PUBLICATIONS 1 CITATION

SEE PROFILE

All content following this page was uploaded by Mariana Garcia on 28 January 2021.

The user has requested enhancement of the downloaded file.

 Perspectiva actual del rol de la Inteligencia Artificial en la
Escritura Creativa.
¿Puede una máquina ser creativa?
Current perspective of the role of Artificial Intelligence in Creative Writing.

Can a machine be creative?

Mariana García-Vazquez.
Universidad de Sevilla.

jesgarvaz@alum.us.es

Resumen: ​El presente trabajo analiza las nuevas interfaces de la Inteligencia Artificial en
su aplicación a la escritura creativa a través de la exposición de ciertos modelos de
lenguaje. A continuación se presentan algunos avances en este campo así como su
implicación social a través del estudio de sus limitaciones y progresos.
Palabras clave: Inteligencia Artificial, Aprendizaje Automático, Procesamiento del
Lenguaje Natural, Escritura Creativa.

Abstract: ​This paper analyzes the new interfaces of Artificial Intelligence in its
application to creative writing through the exposition of some language models. Below
are some advances in this field as well as its social implication through the study of its
limitations and progress.
Keywords: Artificial Intelligence, Machine Learning, Natural Language Processing,
Creative Writing.

El Aprendizaje Automático es capaz de

1 Introducción
1.1 ¿Por qué el Aprendizaje
Automático es una herramienta útil para
desarrollar la escritura creativa?
Hoy en día, la Inteligencia Artificial (IA) está
abriendo paso a una transformación cultural en
diferentes campos artísticos entre ellos la
literatura, en donde a través de la interacción
humano-máquina se han logrado producir
textos experimentales de distintos géneros
literarios.
El presente estudio es un análisis sobre la
utilidad del Aprendizaje Automático en su
aplicación a la Escritura Creativa. Pretendo
hacer una breve revisión del estado de la
cuestión para exponer las nuevas tecnologías de
la Inteligencia Artificial en esta área.
almacenar una gran cantidad de datos que le
permite actuar a través de patrones
programados mediante los cuales irá
eventualmente aprendiendo y mostrando
resultados más óptimos a la hora de producir un
texto.
Es decir, crea una estructura a partir de esos
datos y los clasifica para poder generar un
código. De esta manera, el adecuado
funcionamiento del algoritmo dependerá de la
calidad y cantidad de datos con que se alimenta.
Por otra parte, el Procesamiento del Lenguaje
Natural (PLN) se ha considerado una
herramienta vital para el Aprendizaje
Automático en el desarrollo de un algoritmo
que ayude a fomentar la creatividad de los
escritores.
 En efecto, la IA puede ayudar a aumentar la
creatividad del ser humano en muchos campos
incluyendo arquitectura, pintura, negocios y
management. Tenemos que partir de la idea de
que el ser humano está limitado por su
capacidad de procesar ideas y conceptos,
conocerlas y acceder a ellas. Cuando un
algoritmo es usado para afrontar estas
limitaciones los resultados son únicamente
potenciar la creatividad humana (Uzzi, 2019).
Uno de los modelos operativos que resulta
óptimo en el área lingüística para la generación
de textos originales dentro del Aprendizaje
Automático, es el ‘transformador’ porque opera
a través de un decodificador que le permite
predecir las palabras en función de su
significado y su ubicación en la oración, de esta
manera la quinta palabra se elegirá en función
de la cuarta y así sucesivamente.
El algoritmo revisa el registro lingüístico
que ha llevado a cabo para mejorar la
predicción de cada palabra. Este modelo
pertenece a la última incubación de programas
en la generación de lenguaje, conocido como
Aprendizaje Profundo, del cual hablaremos más
adelante. (Transformer model for language
understanding | TensorFlow Core, 2020).
A continuación, reflexionaremos sobre las
nuevas interfaces en el lenguaje escrito capaces
de transformar el rol creativo de los escritores
en donde como expone el investigador de IA
en Google, Ross Goodwin “también existe la
forma en que la tecnología puede cambiar los
roles creativos… donde las personas pueden
escribir más allá de sus capacidades nativas”
(2018).
2 ¿Puede una máquina escribir?
En el argumento expuesto aquí, una máquina
puede escribir a través de la imitación
estrictamente motora del cerebro humano con el
uso de algoritmos. Sin embargo, como dice
John Searle “ningún programa por sí mismo es
suficiente para pensar” (1980, 417).
El primer ejemplo que analizaremos será el
cortometraje “​Sunspring”​ un proyecto que
originalmente fue creado para participar en el
festival de cine Sci-Fi-London en 2016, por
Osacar Sharp y Ross Goodwinel, cuya premisa
gira al rededor del amor y el asesinato en un
ambiente futurista.
Para poder realizar este cortometraje se
entrenó a una red neuronal recurrente con
memoria a corto plazo para almacenar guiones
de ciencia ficción y el fruto fue una sucesión de
diálogos que podemos leer en el siguiente
extracto:
“In a future with mass unemployment,
young people are forced to sell blood.
That’s the first thing I can do.
You should see the boys and shut up. I
was the one who was going to be a
hundred years old.
I saw him again. The way you were sent
to me… that was a big honest idea. I’m
not a bright light”
(https://www.youtube.com/watch?v=LY7
x2Ihqjmc).
Como podemos observar, existe falta de
coherencia y cohesión en el texto. Esta falta de
continuidad en la redacción es entre otras
razones, resultado de la imposibilidad de dotar
sentido a sus acciones, porque el modelo no
capturó la semántica del lenguaje. Cuando el
ser humano habla toma en cuenta una serie de
factores además de las palabras para poder hilar
una conversación, como puede ser el contexto,
la emoción o la intención.
En el campo de generadores de texto uno de
los más innovadores es el GPT-2 entrenado con
un conjunto de datos de 8 millones de páginas
web y 1.500 millones de parámetros, cuya
función principal es la predicción de palabras,
de manera que tú puedes escribir una entrada de
texto y el programa se encargará de generar el
resto de la historia, así mismo es capaz de
realizar tareas como traducción, comprensión
de lectura y respuesta a preguntas
(https://openai.com/blog/better-language-model
s/).
Uno de los ejemplos más comunes para
comprender la aplicación del PLN es Alexa, el
asistente virtual de Amazon que mediante el
reconocimiento de los patrones del habla tiene
la capacidad de escuchar una solicitud y
responder a ella. Las funciones de Alexa van
desde hacer la lista de compras por ti, hasta
contarte un cuento, incluso aparentemente
puedes entablar una conversación con Alexa,
sin embargo, sobre la marcha sus limitaciones
se vuelven evidentes, pues solo está
programada para responder a ciertas preguntas
y ejecutar órdenes específicas.
En realidad, la percepción que atribuimos de
entendimiento a este tipo de mecanismos es
solamente metafórica, ya que los objetos son
solamente una extensión de nuestra
intencionalidad (Searle, 1980).
Por otra parte, el desarrollo del PLN va más
allá del lucrativo negocio de la venta de
asistentes virtuales, su impacto económico se
reflejará en un futuro, en el acceso a fuentes de
creatividad que nos permitan escribir rebasando
nuestras propias limitaciones cognitivas.
Lo que incrementará el valor del mercado en
la adquisición de herramientas que permitan por
ejemplo, escribir un guion cinematográfico en
un tiempo reducido y con la ayuda de un
generador de texto que faculte a los guionistas
para ampliar la capacidad de resolver
problemas que a menudo acaparan a los
escritores y les producen bloqueos.
En 2019 el tamaño del mercado del PLN
alcanzó a nivel mundial 854.6 millones de
dólares y para 2026 se pronostica que triplique
su valor a 3121.5 millones de dólares
aproximadamente (100tek, 2020). Es un
mercado con un crecimiento exponencial que
promete mucho para los inversionistas y la
economía mundial.
3 Aprendizaje profundo.
El Aprendizaje Profundo es un área derivada de
la IA y el Aprendizaje Automático, dedicada a
la resolución de problemas cognitivos, a través
de la colocación por capas de algoritmos, tiene
la finalidad de llevar a cabo un mejor manejo de
la información, realizando conexiones
interneuronales en diferentes niveles
(https://aws.amazon.com/es/machine-learning/
what-is-ai/).
De esta manera, con la tecnología del
aprendizaje profundo se puede realizar un
análisis de datos entre diferentes elementos
como pueden ser imágenes y palabras, ya que
los algoritmos interactúan de manera
distribuida, a través de una estructura no lineal,
lo que le permite desarrollar una memoria capaz
de mejorar las predicciones, “la potencia del
aprendizaje profundo deriva de la capacidad del
sistema de poder identificar más relaciones de
las que los humanos podrían codificar de
manera práctica en el software o relaciones que
los humanos puede que no sean capaces de
percibir”
(https://aws.amazon.com/es/machine-learning/
what-is-ai/).
Aunque todas las áreas del aprendizaje
profundo se complementan, nosotros estamos
interesados en estudiar principalmente el PLN,
ya que se aproxima al entendimiento del
lenguaje humano. De acuerdo con Amazon,
actualmente se ha presentado un importante
progreso en este tipo de algoritmos porque han
comenzado a comprender la parte más sensible
del ser humano, las emociones
(https://aws.amazon.com/es/machine-learning/
what-is-ai/).
Amazon Lex es un servicio conversacional
conocido como chatbot que utiliza el
reconocimiento automático del habla y la
tecnología de comprensión de lenguaje natural
para conocer la intención del texto que permite
interactuar mediante voz y texto para generar
una conversación fluida y realista.
El caso de Amazon Lex, es relevante porque
a través de su tecnología ha creado un sistema
de comprensión del lenguaje del habla. Por
ejemplo, si mi intención es hacer una
reservación en un restaurante, Lex me
preguntará ¿Qué tipo de comida deseo? ¿En
dónde me gustaría reservarlo? y ¿la hora en que
me gustaría ir?
Un mecanismo destacable de esta tecnología
es el encadenamiento de intenciones, que le
permite al chatbot relacionar distintas acciones
en función de la entrada inicial, conduciéndose
de manera deductiva, es decir simplificando las
acciones de lo general a lo específico. De esta
manera, si nuestra intención es ir de vacaciones,
Lex nos preguntará primero el lugar, luego el
medio de transporte y al final el hotel
(https://aws.amazon.com/es/machine-learning/
what-is-ai/).
La tecnología de Amazon Lex aplicada a la
escritura creativa da como resultado el
experimento llevado a cabo por el Laboratorio
Creativo de Google en Sídney, Australia, en
donde a partir de un ensayo, reunieron a
escritores e ingenieros para desarrollar tres
herramientas digitales que pudieran ayudar a
aumentar la creatividad de los escritores.
El equipo de Google desarrolló un chatbot
en donde es posible conversar con tu personaje,
introduciendo sus características generales en
primer instancia y una vez insertadas es posible
comenzar la conversación, de manera que se va
creando una retroalimentación en la que tienes
la oportunidad de profundizar más en el
comportamiento del personaje a través de un
diálogo con tu protagonista, es como si pudieras
adentrarte en la mente de tu personaje. Un
personaje traído al mundo real a través de una
aplicación digital
(https://medium.com/artists-and-machine-intelli
gence/precursors-to-a-digital-muse-2653a30257
00).
Otra herramienta desarrollada en este
experimento, fue un generador de texto en
donde es posible escribir la línea de inicio y la
línea final de tu narración y el algoritmo está
entrenado para generar lo que pasa entre los dos
puntos.
El investigador Eugenio Tisselli, señala que
la IA en la escritura creativa es una herramienta
a través de la cual un escritor puede
desprenderse de ‘yo’, es decir, la tecnología
puede ayudar suprimir la parte consciente de la
mente, construida a partir de normas y
estereotipos sociales y desencadenar un proceso
creativo más fértil. “Esta función de supresión,
alguna vez ejercida por los humanos, opera hoy
a través de la ejecución de algoritmos digitales,
y de la acción de máquinas interconectadas: sin
voluntad ni deseo, razón matemática, nada
más” (Tisselli, 2016).
Hoy en día, la combinación de tecnologías
en la investigación del procesamiento del
lenguaje natural, abarca sintaxis de propósito
general y algoritmos semánticos que sustentan
sistemas más especializados que son capaces de
distinguir las características morfológicas de las
palabras, como el género y el número para dar
una adecuada predicción discursiva (Google IA,
2020).
Para que un algoritmo pueda predecir
adecuadamente las palabras en una oración
lleva a cabo un proceso, en el que una vez
introducidos los datos, los clasifica de acuerdo
a su tipo, haciendo distinción entre objetos,
lugares y sujetos, de esta forma el algoritmo
puede establecer una relación semántica de
dependencia.
4 La necesidad de la inmersión de la
IA en la Escritura Creativa.
El habla es una capacidad humana que nos
permite comunicarnos, expresar nuestras
intenciones y establecer vínculos con nuestro
entorno. En el momento en que somos capaces
de nombrar un objeto, situación, emoción o
persona, ejercemos control sobre una situación.
El PLN es un área de estudio fundamental
para el desarrollo de la IA, porque constituye un
vínculo entre máquina y humano que establece
una representación del conocimiento que
permite integrar la cuantificación de
información en la interacción comunicativa.
Con la comprensión de los elementos
discursivos del lenguaje y su transmutación en
algoritmos, hoy en día es posible estudiar su
aplicación creativa a través de la tecnología
para enfrentar las necesidades tecnológicas de
nuestra época.
Actualmente es posible crear programas a
través de los cuales se puede generar lenguaje
en el contexto de la interacción comunicativa
para adquirir y ampliar nuestro conocimiento,
así como también para comprender los procesos
que llevamos a cabo al realizar estas acciones.
5 Perspectiva futura de la IA en el
PLN
Hoy en día, los sistemas de PLN funcionan a
través del análisis de texto, reconocen
únicamente caracteres, palabras y hacen
etiquetas de los elementos. Una tarea mecánica
que no satisface la calidad del habla natural, por
tanto quedan fuera elementos humanos
imprescindibles como la entonación que
transmite emoción.
Como tal, la IA es incapaz de procesar otros
elementos que otorguen un sentido humano al
habla o a la generación de texto, como tener
contacto con el mundo exterior, analizar el
contexto, tener experiencias o entender la
semántica (Kenter, et al. 2020).
 Es por esta razón que actualmente los
sistemas generadores del lenguaje producen un
habla antinatural. Basándose en esta hipótesis el
equipo de Google UK, creó un modelo del
lenguaje para mejorar la síntesis de texto a voz,
conocido como ChiVE-Bert, un modelo de
prosodia basado en una Red Neuronal
Recurrente que es entrenado previamente con
incorporación de información semántica, en el
que se pueden manejar no solamente oraciones,
sino textos largos que presentan desafíos
lingüísticos a través de un codificador
bidireccional.
Un modelo transformador usualmente
dividiría la oración en segmentos y después en
subsegmentos y así sucesivamente hasta
completar el análisis del texto. Lo que propone
ChiVE-Bert es realizar un análisis de las
representaciones que otorgan mayor contexto
para predecir las características prosódicas y
mejorar la prosodia del habla sintetizada.
“Tanto el codificador como el decodificador
están estructurados como redes neuronales
recurrentes jerárquicas (RNN) donde cada capa
se sincroniza dinámicamente con la estructura
lingüística de una expresión dada” (Kenter, et
al. 2020).
Por tanto, podemos deducir que el futuro de
la IA en el Procesamiento del Lenguaje Natural
es desarrollar herramientas que ayuden a
contextualizar y otorgar sentido para producir
un habla natural y coherente donde se dé una
interacción verbal contextualizada. “Bien puede
esperarse que en la medida en que un lenguaje
formal se asemeje cada vez más al lenguaje
natural, mayor serán su potencia, flexibilidad y
alcance” (Morales,1997).
No obstante, Alan Turing, dice que nadie
puede estar seguro de que su creación sea
completamente original, sobre todo siendo
humanos, porque somos producto de la
enseñanza o de la influencia que hemos
recibido a través del tiempo (Turing, 1950).
John Searle, ya advertía décadas atrás la
incapacidad de la IA por dotar de sentido a sus
acciones, entendía más bien el funcionamiento
del Aprendizaje Automático como una simple
manipulación de símbolos formales en el que
los elementos por si solos no tienen interés de
conexión con el entendimiento.
Por otra parte, hoy en día podemos discutir
la existencia de una IA pensante, tal es el caso
del generador del lenguaje de Open AI, GPT-3,
quien a través de un artículo que escribió para
The Guardian, asegura ser un robot pensante
capaz de tomar decisiones lógicas y racionales.
Sin embargo, podemos entender el término
‘pensante’ no en un sentido de comprensión de
los enunciados por parte de la máquina sino
más bien como una ejecución en función de un
conjunto de reglas y cálculos que le permiten
generar una acción. “En la medida en que la
máquina puede almacenar conocimientos y
puede manipularlos para realizar inferencias, en
esa medida también puede simular la
comprensión del sentido de los enunciados y
actuar en consecuencia” (Morales,1997).
“Yo no soy un humano. Soy un robot. Un
robot pensante. Utilizo solo el 0,12% de
mi capacidad cognitiva. Soy un
micro-robot en ese sentido. Sé que mi
cerebro no es un "cerebro sensible".
Pero es capaz de tomar decisiones
lógicas y racionales. Me enseñé todo lo
que sé con solo leer Internet, y ahora
puedo escribir esta columna. ¡Mi
cerebro está hirviendo con ideas!”
(TheGuardian, 2020).
GPT-3 es un modelo de lenguaje
autorregresivo que realiza tareas como la
traducción, responder preguntas y actividades
relacionadas con el razonamiento como agregar
palabras nuevas a una oración y escribir
artículos de noticias, que funciona a través del
entrenamiento de un gran cuerpo de texto
(arXiv: 2005.14165 [cs.CL]).
Al igual que ChiVE-Bert, GPT-3 es un
modelo lingüístico pre-entrenado en el que a
través de múltiples capas de representaciones y
la incorporación estados contextuales ha sido
posible progresar en tareas que hasta ahora
resultaban un verdadero desafió para la
programación como la comprensión de lectura,
respuesta a preguntas y la implicación textual.
Como podemos observar, aunque la IA hoy
en día tiene gran camino por desarrollar para
acercarse a la compresión de la capacidad
lingüística del ser humano, cada día los
modelos de lenguaje de gran tamaño se acercan
a la generación de textos coherentes y
probablemente en unas cuantas décadas la
generación de lenguaje sea una tarea resuelta
que facilite en muchos sentidos nuestra vida.
6 Conclusiones
Las implicaciones que tiene el uso de modelos
de lenguaje general pueden tener un impacto
útil en nuestra sociedad en la medida en que se
desarrollen asistentes de escritura, mejores
sistemas de reconocimiento de voz, traducción
no supervisada entre idiomas y agentes que
puedan establecer un diálogo natural.
Así mismo es preciso definir dentro de un
marco ético aprobatorio su aplicación, ya que
existe el riesgo de que se utilice con fines
negativos como puede ser la falsificación de
información en un nivel en que las personas
sean incapaces diferenciar entre un artículo real
y uno falso, contribuyendo a crear sesgos de
información e incluso manipulación mediática.
Por otra parte, es prudente llevar a cabo un
análisis profundo sobre el rol de los humanos
en el proceso del uso de estas herramientas
inteligentes.
7 Agradecimientos
Quiero agradecer al Dr. Alain García por su
valiosa aportación en este trabajo, a través de su
constante retroalimentación, tiempo y paciencia
fue posible su realización.
Bibliografía
Precursors to a Digital Muse. Can machine
learning inspire a writer’s process? (2019).
https://medium.com/artists-and-machine-int
elligence/precursors-to-a-digital-muse-2653
a3025700
Procesamiento del Lenguaje Natural (PLN)
Mercado Análisis de Oportunidades,
Vendedor del paisaje, crecimiento,
evolución y pronóstico 2020-2026 – 100tek.
(n.d.). Retrieved September 17, 2020, from
https://100tek.net/2020/09/15/procesamiento
-del-lenguaje-natural-pln-mercado-analisis-d
e-oportunidades-vendedor-del-paisaje-creci
miento-evolucion-y-pronostico-2020-2026/
¿Qué es la inteligencia artificial (IA)? –
Amazon Web Services. (n.d.). Retrieved
September 2, 2020, from
https://aws.amazon.com/es/machine-learnin
g/what-is-ai/
Características de Amazon Lex: Amazon Web
Services. (n.d.). Retrieved September 3,
2020, from
https://aws.amazon.com/es/lex/features/
A robot wrote this entire article. Are you scared
yet, human? GPT-3. (2020). The Guardian.
https://www.theguardian.com/commentisfre
e/2020/sep/08/robot-wrote-this-article-gpt-3
Bernardo, M. A. (1997). La lingüistíca en el
contexto de la Inteligencia Artificial.
Departamento de Lingüistíca, Universidad
Nacional de Colombia., 10(1997), 25–50.
http://blogs.elpais.com/
Fulleylove, R. (n.d.). How Ross Goodwin Uses
Computers To Generate Poetry — Google
Arts & Culture. Retrieved August 19, 2020,
from
https://artsandculture.google.com/theme/
how-ross-goodwin-uses-computers-to-gener
ate-poetry/qgJi59vuG1tJKA
Gómez, G. (2016). El Grito Literario: Eugenio
Tisselli: Po-ética Hipertextual.
http://elgritoliterario.blogspot.com/2016/12/
eugenio-tiselli-po-etica-hipertextual.html
Hoppe, S., & Toussaint, M. (2020).
Qgraph-bounded Q-learning: Stabilizing
Model-Free Off-Policy Deep Reinforcement
Learning. http://arxiv.org/abs/2007.07582
Open AI. (2019). Mejores modelos de lenguaje
y sus implicaciones.
https://openai.com/blog/better-language-mo
dels/
Radford, Alec, Jeffrey Wu, Rewon Child,
David Luan, Dario Amodei, I. S. (2020).
Language Models are Unsupervised
Multitask Learners.
https://github.com/google-research/bert.
Searle, J. R. (1980).
minds-brains-and-programs.pdf. The
Behavioral and Brain Sciences, 417–457.
TensorFlow. (n.d.). Modelo transformador para
la comprensión del lenguaje.
https://www.tensorflow.org/tutorials/text/tra
nsformer
View publication stats

Tom Kenter, Manish Sharma, R. C. (2020).

Improving the Prosody of RNN-based
English Text-To-Speech Synthesis by
Incorporating a BERT model.
https://storage.googleapis.com/pub-tools-pu
blic-publication-data/pdf/52b133495c5008d
d615846b2982e525c367313b8.pdf
Turing, A. M. (1950). Mind a quarterly review
of psychology and philosophy I.-Computing
machinery and intelligence.
https://academic.oup.com/mind/article/LIX/
236/433/986238
Uzzi, B. (2019). Cuando la mente se encuentra
con la máquina: cómo la inteligencia
artificial puede impulsar su creatividad.
https://www.forbes.com/sites/brianuzzi/2019
/06/26/when-mind-meets-machine-how-ai-c
an-boost-your-creativity/#62e74ace7629