Universidad Técnica Federico Santa María

Departamento de Informática
Programa de Magíster en Tecnologías de la Información

Trabajo Final 1
MTI-478 Infraestructura TIC Emergente

“Conceptos de la Inteligencia Artificial Generativa”

Profesor: Mauricio Solar

Alumnos: Christian Andrade, Hermann Hoffmann, Guillermo Villalón

19/01/2024
 Universidad Técnica Federico Santa María
Departamento de Informática
Programa de Magíster en Tecnologías de la Información

1. Introducción y Conceptos básicos

«Cualquier tecnología lo suficientemente avanzada es indistinguible de la magia»
Arthur C. Clarke, escritor de ciencia ficción

¿Qué es la inteligencia artificial generativa?

Definición: La inteligencia artificial generativa es una rama de la inteligencia artificial que se enfoca en la
creación de contenido original a partir de datos existentes.

La inteligencia artificial generativa (Generative AI) se ha convertido en uno de los campos más innovadores e
impactantes de la IA moderna. Se refiere a modelos de IA que en cuestión de segundos pueden producir nuevos
contenidos tales como texto, código de software, imágenes, audio y video de una manera autónoma al aprender
de grandes volúmenes de datos. Esta habilidad para crear data sintética de alta calidad está mostrando
aplicaciones revolucionarias en sectores como entretenimiento, salud, retail, diseño, y otros más; y plantea
desafíos éticos sin precedentes. La inteligencia artificial generativa no es magia ni ciencia ficción. Sin embargo,
nos permite conseguir realizar tareas y ampliar nuestras capacidades hasta límites que aún no conocemos.

En concreto, esta tecnología utiliza algoritmos y redes neuronales avanzadas para aprender y posteriormente
generar contenido nuevo y único. De hecho, se llama generativa porque esta inteligencia artificial crea algo que
no existía previamente. Antes, la inteligencia artificial tenía una función meramente discriminativa, pero desde
el nacimiento de la inteligencia artificial generativa, esta tecnología es capaz de entender qué tiene que crear y,
a continuación, generarlo. Dicho de otra forma, la inteligencia artificial, tal como la conocíamos hasta esta gran
revolución, nos daba respuestas concretas y se enfocaba en hacer predicciones empleando datos de
entrenamiento para generar modelos de agrupamiento, clasificación, regresión...

En la actualidad, la inteligencia artificial, además de resolver problemas acotados y predictivos, es capaz de

generar nuevo contenido. Los avances en las tecnologías de deep learning han sido un factor clave, ahora con
algoritmos capaces de generar una impresionante variedad de resultados realistas y creativos, desde imágenes
hasta música y más.

Además, la evolución de las capacidades del hardware ha influido significativamente en el crecimiento de la

IA generativa, habilitando el procesamiento de grandes cantidades de datos de forma rápida y eficiente. La
expansión de los datasets, incluyendo una variedad de opciones de código abierto, ha proporcionado las bases
de entrenamiento necesarias para que estos algoritmos mejoren su precisión y rendimiento.

Sigue existiendo mucho debate sobre cuestiones filosóficas y su impacto económico y social. Pero sin duda
nos encontramos ante una tecnología disruptiva y una revolución creativa que no podemos dejar de lado para
seguir siendo competitivos en el mercado laboral.
La inteligencia artificial generativa supone un cambio de paradigma en el que la visión, la idea y el propósito
de la generación marcará la diferencia en cualquier proceso creativo, puesto que somos las personas quienes
tendremos que entregar las instrucciones en ese proceso generativo.

2
 Universidad Técnica Federico Santa María
Departamento de Informática
Programa de Magíster en Tecnologías de la Información

¿En qué momento estalla esta gran revolución?

A mediados de 2022, gran cantidad de titulares empiezan a inundar las redes sociales y los medios en general,
con avances y aplicaciones sorprendentes que usan la inteligencia artificial generativa. En concreto, ChatGPT
hace historia al conseguir en menos de una semana un millón de usuarios. Un ritmo de adopción que ni
aplicaciones como Facebook o startups revolucionarias han conseguido.

Para situarnos en el tiempo, podemos ver estos avances en una línea temporal:
2014. Momento en el que la inteligencia artificial es capaz de superar el Test de Turing (chatbot llamado
Eugene Goostman), hace poco más de diez años.
2014. Se publica el paper “Generative Adversarial Nets”. En el modelo GAN existen dos redes neuronales que
se enfrentan entre sí: un generador y un discriminador. El generador crea nuevos datos sintéticos y el
discriminador para juzgar su autenticidad. Las redes GAN se utilizan para generar imágenes o contenido
multimedia.

Figura 1: Arquitectura de una GAN

2017. Google publica el paper académico "Attention Is All You Need" sobre los Transformers, tecnología
clave para el desarrollo de los grandes modelos de lenguaje o LLM’s (Large Language Models).
Transformers: Redes neuronales que aprenden contexto y, por lo tanto, significado. Son capaces de detectar
patrones y relaciones entre elementos y cómo se influencian entre sí. A partir de estas relaciones, son capaces de
predecir qué elementos aparecerán cerca unos de otros o serán los próximos dentro de una secuencia.
2018. Se publica la primera versión del Modelo GPT, en 2019, la segunda y en 2020, la tercera.

Figura 2: (izquierda) Arquitectura del Transformer GPT y objetivos de entrenamiento,

3
 Universidad Técnica Federico Santa María
Departamento de Informática
Programa de Magíster en Tecnologías de la Información

(derecha) Transformaciones del input para tuning

2020. Se publica el paper ”Diffusion Probabilistic Models”. El modelo de difusión entrena una red neuronal
para revertir el proceso de agregado de ruido, permitiendo llegar desde ruido aleatorio a imágenes realistas. El
secreto está en el entrenamiento basado en ruido y en aprender un proceso generativo determinístico mediante
difusión reversa dentro de la red.

Figura 3: Arquitectura de un modelo de Difusión

2022. Popularización de ChatGPT basado en el modelo GPT 3.5.
Algunos consideran al 2022 como el año del Big Bang de la inteligencia artificial generativa, y no solo por
ChatGPT, sino por programas como DALL-E, capaces de generar imágenes en base a instrucciones. A partir de
ese momento, grandes compañías siguen invirtiendo y anunciando soluciones disruptivas que emplean
inteligencia artificial generativa.

Principales capacidades de la IA generativa

Una de las principales diferencias entre la IA más tradicional y la IA generativa es que esta última puede crear
resultados novedosos que parecen ser generados por humanos. La escritura coherente y las imágenes
hiperrealistas que han captado el interés del público y de las empresas son ejemplos de modelos de IA
generativa que generan datos de formas que antes solo eran posibles con el pensamiento, la creatividad y el
esfuerzo humanos.

Figura 4: Modalidades clave de salidas generadas por modelos de IA (The Generative AI Dossier, Deloitte
2023)

4
 Universidad Técnica Federico Santa María
Departamento de Informática
Programa de Magíster en Tecnologías de la Información

2. Estado del Arte

Algunas de las herramientas de IA generativa más avanzados en la actualidad:

ChatGPT: Creación de OpenAI (subsidiaria Microsoft), es un modelo de lenguaje dinámico conocido por su
notable capacidad para producir texto relevante, cohesivo y original sobre cualquier tema especificado. Con una
habilidad especial para crear conversaciones naturales, aclarar consultas y ayudar en la escritura creativa,
ChatGPT muestra una versatilidad excepcional.
Esta aplicación tiene casos de uso como Chatbot, creación de contenido y lluvia de ideas para autores. Su
fortaleza en el lenguaje natural está en continuo refinamiento; sin embargo, surgen desafíos en su potencial para
la desinformación y el sesgo, junto con limitaciones para comprender matices contextuales intrincados.
Update: Lanzamiento de GPT Store (Enero 2024)

DALL-E: Creado por OpenAI, es un modelo de IA generativa de vanguardia, que sobresale en la síntesis de
imágenes. Al traducir descripciones cortas en lenguaje natural en imágenes cautivadoras, permite a artistas y
diseñadores explorar nuevos espacios de creatividad. Entre sus éxitos más notables se incluyen la producción de
obras de arte únicas e imágenes personalizadas.

Claude: Asistente de IA de última generación creado por Anthropic para interactuar en lenguaje natural.
Entrenado de manera similar a GPT-3, Claude puede responder preguntas, hacer recomendaciones y mantener
diálogos prolongados.

AlphaCode: Creada en Google Deepmind, es un revolucionario asistente de codificación, aprovecha la IA

generativa para empoderar a los desarrolladores. Destaca en la escritura de código, la resolución de errores y la
sugerencia de soluciones de programación óptimas. Los desarrolladores adoptan AlphaCode para acelerar los
flujos de trabajo, la automatización de tareas y la adquisición de idiomas.
La herramienta mejora la eficiencia, frena los errores y fomenta la competencia en codificación. Sin embargo,
situaciones complejas pueden llevar a una generación de código subóptima debido a su dependencia de patrones
de programación establecidos

GitHub Copilot: Ésta herramienta de Microsoft GitHub, revoluciona la codificación a través de funciones
colaborativas y la integración con populares editores de código populares. Ofrece fragmentos de código,
explicaciones y orientación basada en el contexto, lo que mejora la productividad y el aprendizaje de los
desarrolladores. Es una herramienta versátil que permite una codificación más rápida, facilita el aprendizaje y
soporta varios lenguajes de programación. No obstante, se requiere vigilancia ya que es posible que sea
necesario pulir parte del código generado y depende en gran medida de las API externas para recibir
sugerencias.

5
 Universidad Técnica Federico Santa María
Departamento de Informática
Programa de Magíster en Tecnologías de la Información

6
 Universidad Técnica Federico Santa María
Departamento de Informática
Programa de Magíster en Tecnologías de la Información

3. Consideraciones Éticas, Legales, Riesgos y Gobernanza

Consideraciones éticas y riesgos

Veracidad y sesgos
Hay riesgos de información falsa o imprecisa(alucinaciones) sobre eventos históricos, cifras económicas o
conceptos científicos en modelos no bien entrenados. Conjuntos de datos sesgados pueden amplificar
estereotipos dañinos relacionados a género, raza, orientación sexual u origen étnico. Realizar auditorías
algorítmicas, utilizar datasets más balanceados e integrar monitores humanos, mitigan estos riesgos.
Propiedad Intelectual
La inteligencia artificial generativa se entrena con infinidad de ejemplos de diferentes dominios de
conocimiento. Y los derechos de muchos de estos recursos pertenecen a sus autores. ¿Dónde queda la propiedad
intelectual? ¿Podemos considerar plagio algo que ha sido generado inspirándose de algún modo en otros
ejemplos o en un estilo aprendido?
Privacidad y uso de datos personales
Grandes datasets utilizados para entrenar modelos generativos pueden contener información personal sensible.
Es necesario aplicar sólidos controles de privacidad para uso responsable de datos y evitar perjuicios a
individuos y grupos.
Vulnerabilidad ante usos dañinos
Los avances en contenidos sintéticos traen riesgo de aplicaciones malintencionadas como fraude, manipulación
política (desinformación, discursos de odio, deepfakes), pornografía ilegal u otros efectos adversos imprevistos.
La seguridad digital es crítica.

Implicaciones económicas/sociales
La automatización de tareas creativas y cognitivas puede conllevar una precarización laboral en profesiones
como periodismo, diseño gráfico, traducción y análisis de datos. Si bien nuevos roles emergerán, éstos
requerirán mayor especialización, por lo que se debe facilitar la reconversión laboral.
Regulación y gobernanza
Se necesitan nuevas leyes, regulaciones industriales y marcos éticos para el desarrollo responsable de IA
generativa, en línea con esfuerzos actuales en IA general. Esto podría cubrir áreas como representación legal de
obras creadas por IA, consentimiento informado en el uso de datos personales, y restricción de aplicaciones
dañinas. Sin embargo, una regulación muy estricta podría limitar la innovación, se requiere un balance
cuidadoso.
Transparencia
Debe proveerse mayor transparencia técnica de cómo los modelos generativos son entrenados y evaluados. Esto
crea confianza sobre sus capacidades y limitaciones para usuarios tanto profesionales como generales.
Sostenibilidad

7
 Universidad Técnica Federico Santa María
Departamento de Informática
Programa de Magíster en Tecnologías de la Información

La IA generativa utiliza cantidades significativas de electricidad. Es recomendable elegir proveedores que

reduzcan el consumo de energía y aprovechen la energía renovable de alta calidad para mitigar el impacto en los
objetivos de sostenibilidad de las organizaciones.

8
 Universidad Técnica Federico Santa María
Departamento de Informática
Programa de Magíster en Tecnologías de la Información

4. Conclusión y proyecciones futuras

«La IA probablemente conduzca al fin del mundo, pero mientras tanto, habrá grandes compañías»
Sam Altman, OpenAI CEO

Predicciones de adopción masiva

La inteligencia artificial generativa ya muestra aplicaciones impresionantes en ámbitos como arte digital, diseño
gráfico, producción de contenido y software. Pero la mayoría de analistas predice una expansión y adopción
generalizada en los próximos 5 a 10 años a medida que la tecnología madure y los costos disminuyan. Se espera
un impacto disruptivo de magnitud similar a lo que ha sido internet para la economía digital.

Barreras y retos en ingeniería

Sin embargo, quedan obstáculos técnicos por superar antes que la IA generativa pueda ser aplicada
confiablemente. Por ejemplo, integrar conocimiento más profundo del mundo real, mejorar consistencia lógica a
mayor plazo, aumentar precisión y reducir los errores accidentales, lograr interoperabilidad entre modelos y
sistemas. Muchas de las capacidades actuales son aún frágiles, avanzar en la robustez y amplitud de su alcance
requiere años de investigación adicional.

Evaluar impactos positivos y negativos

Aun superando los desafíos técnicos, es crucial tener una discusión seria sobre los posibles daños sociales y
laborales producto de la automatización generativa descontrolada. Si bien puede traer numerosos beneficios en
áreas como educación, ciencia y cuidado de la salud, se necesitan políticas públicas para fomentar los efectos
positivos al tiempo de mitigar impactos adversos como la desinformación masiva, la pérdida de empleos y
problemas éticos complejos.

La IA generativa probablemente sea la tecnología de IA con mayor potencial de producir una transformación
radical en la historia de la humanidad, tenemos una gran oportunidad ante nosotros, donde la creatividad de
las personas sigue y seguirá siendo necesaria para encontrar soluciones a problemas reales y a todos los nuevos
retos que nos plantean las nuevas tecnologías. Y ello debe estar acompañado de una visión estratégica del
negocio para obtener valor de la inteligencia artificial.