Inteligencia Artificial - IA
Se denomina Inteligencia Artificial – IA a cualquier t茅cnica que le permita a las computadoras imitar el comportamiento humano (Oracle).聽
Tabla de contenido
- 驴Qu茅 es la Inteligencia Artificial?
- Noticias
- El contexto de la Inteligencia Artificial
- La Historia de la Inteligencia Artificial - IA
- 驴Qu茅 es la Sociedad 5.0?
- Ramas de la IA
- 驴Qu茅 es un Modelo de Inteligencia Artificial?
- Inteligencia Artificial Generativa - IAG
- 驴Qu茅 son los LLM?
- Ciencia de los Datos
- ISO 42001:2023
Noticias
La computaci贸n cu谩ntica es un campo din谩mico y en constante avance, caracterizado por significativos logros tecnol贸gicos e inter茅s creciente tanto en la academia como en la industria. Las tendencias en este campo abarcan diversos aspectos, como el aumento de las patentes, el desarrollo de hardware cu谩ntico, la integraci贸n con la computaci贸n en la nube y las aplicaciones en inteligencia artificial. Estos avances resaltan el potencial transformador de la computaci贸n cu谩ntica en m煤ltiples sectores, marcando un cambio en c贸mo se procesan y resuelven problemas complejos.
El crecimiento de las patentes y el inter茅s de la industria
El aumento de las solicitudes de patentes relacionadas con la computaci贸n cu谩ntica es notable, particularmente en regiones como Corea, donde empresas como IBM lideran la innovaci贸n en este 谩mbito (Ryu et al., 2024). Esta tendencia sugiere que el campo seguir谩 expandi茅ndose, con m谩s inversiones por parte de empresas emergentes y consolidadas en tecnolog铆as cu谩nticas (Ryu et al., 2024). Este crecimiento refleja el reconocimiento de la computaci贸n cu谩ntica como un motor de avance tecnol贸gico.
Desarrollo de hardware y modelos de c煤bits
Los ordenadores cu谩nticos utilizan c煤bits, y los modelos m谩s destacados incluyen c煤bits superconductores, de trampa de iones y de 谩tomos neutros (Dejpasand & Ghamsari, 2023). Cada tipo de c煤bit tiene ventajas y limitaciones 煤nicas, lo que lleva a una constante investigaci贸n enfocada en mejorar el rendimiento y la escalabilidad de estas tecnolog铆as (Dejpasand & Ghamsari, 2023). Este desarrollo es crucial para superar las barreras actuales y avanzar en la capacidad de los sistemas cu谩nticos.
Computaci贸n cu谩ntica en la nube
La integraci贸n de la computaci贸n cu谩ntica con plataformas en la nube se consolida como una tendencia relevante, ya que proporciona ventajas como la rentabilidad, mayor seguridad y escalabilidad (Golec et al., 2024). Sin embargo, persisten desaf铆os como la estabilidad de los c煤bits y la asignaci贸n eficiente de recursos. A pesar de ello, el potencial de la computaci贸n cu谩ntica en la nube para transformar el procesamiento de datos es significativo (Golec et al., 2024). Esta integraci贸n promete mejorar el acceso y la adopci贸n de la tecnolog铆a cu谩ntica.
Aprendizaje autom谩tico cu谩ntico (QML)
La computaci贸n cu谩ntica est谩 haciendo grandes avances en la inteligencia artificial, especialmente en el aprendizaje autom谩tico cu谩ntico (QML), que utiliza capacidades cu谩nticas para optimizar modelos de aprendizaje (Kim et al., 2023). Aunque enfrenta desaf铆os como el ruido en sistemas cu谩nticos de escala intermedia, el QML ha mostrado un rendimiento superior a los modelos cl谩sicos en diversas aplicaciones (Kim et al., 2023). Esto subraya el potencial de la computaci贸n cu谩ntica para revolucionar el an谩lisis de datos y la eficiencia en la IA.
El contexto de la Inteligencia Artificial - IA
Imagina que est谩s liderando un proyecto en tu organizaci贸n, enfrentando desaf铆os que parecen insuperables debido a la r谩pida evoluci贸n tecnol贸gica. Quiz谩s sientas que hay algo que te frena, como si un muro invisible dividiera las posibilidades entre quienes dominan las herramientas digitales y quienes apenas las est谩n descubriendo; ese muro es la brecha digital, una realidad que perpet煤a desigualdades en el acceso, uso e impacto de las Tecnolog铆as de la Informaci贸n y Comunicaci贸n (TIC). Ahora, piensa en la revoluci贸n digital. Es esa fuerza imparable que lo transforma todo a un ritmo exponencial y combina innovaciones para crear posibilidades antes inimaginables; aqu铆 no se trata solo de tecnolog铆a, sino de c贸mo t煤 puedes convertir estas herramientas en oportunidades.
Sin embargo, para que esa revoluci贸n funcione a tu favor, necesitas dar el siguiente paso: la transformaci贸n digital. Este proceso no es solo adoptar tecnolog铆as, sino integrarlas estrat茅gicamente en tu vida profesional y en las operaciones de tu organizaci贸n; quiz谩 te preguntes c贸mo dar este salto sin perderte en el caos tecnol贸gico; aqu铆 es donde entra el ecosistema digital, una red vibrante de tecnolog铆as, plataformas y servicios interconectados. Este ecosistema no solo facilita tus interacciones y transacciones; tambi茅n potencia tu capacidad de innovar, integrarte y expandir tu alcance. Empresas como la tuya, que adoptan estas redes, han descubierto c贸mo responder m谩s r谩pido y con mayor eficacia a los cambios del mercado.
En definitiva, la sinergia entre las TIC, la cooperaci贸n digital y la innovaci贸n puede transformar tu camino profesional. 驴Est谩s listo para aprovechar estas herramientas y prosperar en un mundo donde la tecnolog铆a no es solo un desaf铆o, sino la clave para tu 茅xito? 隆La decisi贸n est谩 en tus manos!
La inteligencia artificial (IA) busca crear sistemas que imiten la inteligencia humana, permitiendo a las m谩quinas realizar tareas cognitivas complejas, como el aprendizaje y la resoluci贸n de problemas; esto incluye subcampos como el aprendizaje autom谩tico y profundo, que optimizan el rendimiento a partir de datos.
La IA simula procesos humanos, logrando adaptabilidad mediante el aprendizaje de experiencias sin programaci贸n expl铆cita, empleando redes neuronales para analizar grandes vol煤menes de datos y tomar decisiones precisas (Valadez et al., 2024; Mian et al., 2024); adem谩s, resuelve problemas y toma decisiones a partir del an谩lisis de datos, simulando el razonamiento humano en aplicaciones como el an谩lisis de informaci贸n y sistemas de recomendaci贸n (Triantafyllou, 2024; Aziz, 2023).
El prompt engineering se refiere a la pr谩ctica de dise帽ar y formular instrucciones o prompts que gu铆an a los modelos de inteligencia artificial para obtener respuestas espec铆ficas y 煤tiles.
La sociedad 5.0 y la educaci贸n 5.0 representan un cambio profundo que integra tecnolog铆as avanzadas con un enfoque humano, promoviendo el desarrollo sostenible y mejorando la calidad de vida, con el fin de utilizar la inteligencia artificial (IA) para enfrentar desaf铆os sociales y fomentar pr谩cticas econ贸micas sostenibles, aline谩ndose con los Objetivos de Desarrollo Sostenible de la ONU (Ram铆rez-M谩rquez et al., 2024).
La sociedad 5.0 prev茅 un entorno donde la IA y el Internet de las cosas (IoT) se integran en funciones sociales clave, optimizando recursos como agua y energ铆a, y promoviendo ciudades inteligentes y sostenibles (Mahfudloh, 2023).
La educaci贸n 5.0, adaptada a la era digital, fomenta habilidades pertinentes en una sociedad tecnol贸gica y se basa en la IA para desarrollar curr铆culos flexibles que preparan a las nuevas generaciones ante un panorama en constante cambio (Vieira et al., 2023; Mahfudloh, 2023). Adem谩s, la educaci贸n consciente busca incluir la 茅tica y el bienestar humano, garantizando que los avances tecnol贸gicos no sacrifiquen valores esenciales (Vieira et al., 2023).
La IA, aplicada a la econom铆a circular, optimiza recursos y reduce el impacto ambiental, impulsando un ecosistema de desarrollo sostenible (Ram铆rez-M谩rquez et al., 2024). Soluciones tecnol贸gicas y el Internet de la producci贸n contribuyen a procesos m谩s sostenibles en la industria (Sadiq et al., 2023).聽
El procesamiento del lenguaje natural – PLN permite a la IA entender y responder al lenguaje humano, facilitando el uso de tecnolog铆as como el reconocimiento de voz y la traducci贸n, y mejorando la interacci贸n humano-m谩quina en 谩reas como la atenci贸n al cliente (Shrivastava, 2024; Geada, 2024); tambi茅n se utiliza para la percepci贸n y reconocimiento en aplicaciones como el reconocimiento facial y veh铆culos aut贸nomos, imitando los sentidos humanos para interpretar datos visuales y auditivos (Shrivastava, 2024; Pollock et al., 2023).
Las aplicaciones de la IA abarcan sectores como la salud, donde ayuda en diagn贸sticos y tratamientos personalizados, y las finanzas, donde detecta fraudes y gestiona riesgos; estas 谩reas destacan c贸mo la IA ejecuta tareas que requieren inteligencia humana, mostrando su versatilidad y eficacia (Botero, 2023; Mukherjee et al., 2024).
Los sistemas de IA multimodales est谩n dise帽ados para gestionar diferentes tipos de datos, como datos tabulares, series temporales, texto e im谩genes (芦Integrated multimodal artificial intelligence framework for healthcare applications禄, 2022; Soenksen et al., 2022); esta integraci贸n permite una comprensi贸n m谩s integral de la informaci贸n, ya que cada modalidad aporta datos espec铆ficos que complementan y enriquecen a las dem谩s (Morency, 2022).
Los sistemas multimodales mejoran la capacidad de an谩lisis al combinar perspectivas diversas y proporcionar una visi贸n m谩s completa, lo que es especialmente valioso en aplicaciones complejas como la atenci贸n sanitaria.
La IA centrada en el ser humano (HCXAI) es un enfoque de dise帽o que se enfoca en priorizar las necesidades, valores e interacciones humanas durante el desarrollo y despliegue de sistemas de IA. Esta filosof铆a tiene como fin maximizar los beneficios de la IA para las personas y reducir los posibles efectos negativos; a diferencia de otros enfoques, el objetivo de HCXAI no se limita a hacer que los sistemas de IA sean transparentes, sino que busca que sean dise帽ados con una profunda consideraci贸n por los usuarios humanos y sus contextos sociales, 茅ticos y pr谩cticos.
Esta integraci贸n de la perspectiva humana en el desarrollo de la IA es esencial para crear sistemas m谩s efectivos y respetuosos (Smith et al., 2024).
En conclusi贸n, la IA: 1. Apoya el cumplimiento de metas de desarrollo; 2. Mejora la calidad de vida y 3. Fomenta un crecimiento econ贸mico responsable (Leelavathi & Manjunath, 2023).
Historia de la Inteligencia Artificial
La historia de la inteligencia artificial (IA) est谩 compuesta por siglos de pensamiento humano, avances tecnol贸gicos y exploraciones filos贸ficas; aunque el t茅rmino 芦inteligencia artificial禄 fue acu帽ado en la Conferencia de Dartmouth en 1956, sus ra铆ces se remontan a mitos antiguos y a los primeros conceptos computacionales.
Primeros fundamentos y figuras clave
El razonamiento l贸gico y los silogismos de Arist贸teles han dejado una profunda huella en el desarrollo de la inteligencia artificial (IA), especialmente en representaci贸n del conocimiento, razonamiento y procesamiento del lenguaje natural – PLN; su legado ciment贸 las bases de la l贸gica formal, esencial para que los sistemas de IA realicen inferencias y tomen decisiones de manera eficiente. La estructura de los silogismos, que permite deducir conclusiones a partir de premisas, es reflejo de las operaciones l贸gicas que los sistemas de IA deben ejecutar; esta influencia se manifiesta tanto en sistemas basados en reglas como en modelos modernos de aprendizaje autom谩tico.
Los silogismos de Arist贸teles ofrecen un marco para el razonamiento deductivo, crucial para que los sistemas de IA generen conclusiones a partir de datos (Hausser, 2022); esta formalizaci贸n ha influido en la l贸gica moderna, contribuyendo al desarrollo de sistemas de inferencia y razonamiento basado en conocimiento (Hao, 2023).
Los silogismos categ贸ricos, pieza clave de la l贸gica aristot茅lica, se utilizan para evaluar las capacidades de razonamiento l贸gico en modelos ling眉铆sticos extensos (LLM), destacando la relevancia de las estructuras l贸gicas en la IA (Zong & Lin, 2024); sin embargo, estos modelos enfrentan desaf铆os al interpretar cuantificadores complejos (Zong & Lin, 2024).
El desarrollo de silogismos generalizados ampl铆a la l贸gica aristot茅lica y respalda la evoluci贸n de la IA al proporcionar un marco m谩s adaptable para el razonamiento con datos complejos (Hao, 2024); estas formas permiten crear m谩quinas de inferencia m谩s vers谩tiles, mejorando la capacidad de la IA para procesar y analizar informaci贸n (Hao, 2024).
La idea de m谩quinas capaces de realizar tareas inteligentes se remonta al siglo XIX con Charles Babbage, quien dise帽贸 el primer ordenador mec谩nico basado en el telar de Jacquard; adem谩s, Ada Lovelace, conocida como la 芦hechicera de los n煤meros禄, contribuy贸 con ideas pioneras sobre algoritmos programables (Grzybowski et al., 2023).
En el siglo XX, Alan Turing, reconocido como el padre de la inform谩tica y la IA, sent贸 las bases te贸ricas al desarrollar el Test de Turing, un m茅todo para evaluar la inteligencia de las m谩quinas (Grzybowski et al., 2023; Oliveira & Figueiredo, 2023).
IA simb贸lica y sistemas basados en reglas
Las primeras investigaciones en IA se enfocaron en la IA simb贸lica, que entend铆a la inteligencia como la manipulaci贸n de s铆mbolos mediante sistemas basados en reglas; aunque esta aproximaci贸n logr贸 algunos 茅xitos, como el desarrollo del programa Logic Theorist en la d茅cada de 1950, tambi茅n enfrent贸 limitaciones debido a su incapacidad para generalizar a problemas del mundo real (Oliveira & Figueiredo, 2023; Radanliev, 2024). Este enfoque mostr贸 que los sistemas simb贸licos eran ineficientes para tareas m谩s complejas que requer铆an adaptabilidad y flexibilidad.
Transici贸n al aprendizaje autom谩tico y al aprendizaje profundo
Las limitaciones de la IA simb贸lica impulsaron la adopci贸n de m茅todos basados en el aprendizaje estad铆stico y redes neuronales. Durante las d茅cadas siguientes, innovaciones como AlexNet, que revolucion贸 el reconocimiento de im谩genes, y AlphaGo, que demostr贸 la superioridad de los algoritmos en juegos estrat茅gicos, cimentaron el aprendizaje profundo como un enfoque preeminente (Radanliev, 2024); la aparici贸n de modelos generativos como las redes adversarias generativas (GAN) y los autoencoders variacionales (VAE) ampli贸 las capacidades de la IA, abriendo la puerta a la IA general (Gen-AI) (Verma, 2024).
Sociedad 5.0
聽Sociedad 5.0: Transformaci贸n y Bienestar Humano
La sociedad 5.0 es un concepto innovador que busca integrar tecnolog铆as avanzadas para resolver desaf铆os sociales, priorizando el bienestar humano. Nacida en Jap贸n y basada en la Industria 4.0, esta visi贸n apunta a una sociedad inclusiva y sostenible (Villiers, 2024); mediante tecnolog铆as como la IA, IoT y rob贸tica, se aspira a fusionar los mundos f铆sico y digital, mejorando sectores como salud, movilidad e infraestructura (Limbong et al., 2024; Juanda, 2024). Un aspecto crucial es mantener el equilibrio entre tecnolog铆a y valores humanos, asegurando que la tecnolog铆a complemente, sin reemplazar, las decisiones humanas (Varma et al., 2023).
Desarrollo Sostenible y Humano
La sociedad 5.0 se alinea con los Objetivos de Desarrollo Sostenible de la ONU, promoviendo prosperidad econ贸mica, inclusi贸n social y conservaci贸n ambiental (Sisinyize, 2024; Ram铆rez-M谩rquez et al., 2024). Mediante la IA y el IoT, se optimiza la gesti贸n de recursos naturales como agua y energ铆a (Ram铆rez-M谩rquez et al., 2024).
Implicaciones Educativas y Sociales
Esta transici贸n exige un cambio educativo que fomente la alfabetizaci贸n tecnol贸gica y el aprendizaje interdisciplinario (Villiers, 2024). Modelos como el aprendizaje basado en proyectos fortalecen el pensamiento cr铆tico y la creatividad (Limbong et al., 2024); los acad茅micos deben vincular educaci贸n, investigaci贸n e innovaci贸n para empoderar comunidades (Pilon et al., 2024).
脡tica y Comunicaci贸n
La sociedad 5.0 demanda 茅tica en la interacci贸n digital y f铆sica (Mutiah & Argarini, 2024); la honestidad y responsabilidad en la comunicaci贸n aseguran equilibrio social (Leelavathi & Manjunath, 2023). Si bien esta visi贸n promete progreso, es vital abordar las desigualdades y dilemas 茅ticos, adaptando marcos educativos y pol铆ticos para aprovechar sus beneficios; la colaboraci贸n entre gobiernos, industrias y ciudadanos es clave para un futuro pr贸spero.
La sociedad 5.0 abarca un per铆odo caracterizado por la coexistencia armoniosa de las personas y los avances tecnol贸gicos, con el objetivo general de mejorar permanentemente el nivel de vida, bajo principios fundamentales como: 1. La responsabilidad social; 2. El ingenio y 3. La convergencia de los 谩mbitos tangible y digital.
La Sociedad 5.0 se basa en los avances observados en la Industria 4.0 y centraliza la atenci贸n en las complejidades inherentes a la generaci贸n de conocimiento y la gobernanza. Selecting a Knowledge Management Methodology in Society 5.0, 2023
Ramas de la IA
Las ramas de la IA incluyen la rob贸tica, la realidad virtual, la realidad aumentada, el procesamiento del lenguaje natural, la visi贸n artificial, la l贸gica difusa, el aprendizaje autom谩tico y los sistemas expertos; estas ramas son fundamentales para el avance de las tecnolog铆as de inteligencia artificial y sus aplicaciones en diferentes sectores.
馃數 La rob贸tica es una disciplina que para algunos autores es rama de la IA mientras que para otros no.
La rob贸tica implica el dise帽o y la operaci贸n de robots, que son m谩quinas capaces de llevar a cabo tareas complejas de forma aut贸noma o semiaut贸noma. La IA mejora la rob贸tica al mejorar la percepci贸n, la toma de decisiones y la adaptabilidad, lo que permite a los robots desempe帽arse en diversos entornos, como la industria, la asistencia sanitaria y la exploraci贸n espacial聽 (Saini et al., 2024).
Las t茅cnicas de aprendizaje autom谩tico, incluidos el aprendizaje profundo y el aprendizaje por refuerzo, son cruciales para que los robots puedan aprender y mejorar su rendimiento con el tiempo (Thandapani et al., 2024).
馃數 La realidad virtual (RV) es una tecnolog铆a que permite la creaci贸n de un entorno de escenas y objetos simulados de apariencia real.
馃數 La realidad aumentada (RA) es una tecnolog铆a que permite superponer elementos digitales, como im谩genes, gr谩ficos, modelos 3D o informaci贸n, sobre la visi贸n del mundo real del usuario.聽
馃數 El procesamiento de lenguaje natural (PLN) se centra en la interacci贸n entre ordenadores y humanos a trav茅s del lenguaje natural. Permite a las m谩quinas entender, interpretar y generar el lenguaje humano, lo que facilita aplicaciones como los asistentes digitales y la traducci贸n automatizada (Shrivastava, 2024)聽(Whitehead, 2023).
馃數 La visi贸n artificial implica permitir que las m谩quinas interpreten y tomen decisiones basadas en datos visuales del mundo. Se utiliza en aplicaciones como el reconocimiento facial, la clasificaci贸n de im谩genes y los veh铆culos aut贸nomos (Saini et al., 2024) .
Las t茅cnicas de inteligencia artificial, en particular el aprendizaje profundo, han mejorado significativamente las capacidades de los sistemas de visi贸n computacional (Saxena et al., 2023).
馃數 La l贸gica difusa, tambi茅n denominada l贸gica borrosa o 芦fuzzy logic禄, es una rama de las matem谩ticas y la IA que permite representar y procesar informaci贸n imprecisa o vaga, a diferencia de la l贸gica booleana tradicional que solo trabaja con valores binarios de verdadero (1) o falso (0).
Se utiliza en la IA para tratar el concepto de verdad parcial, en el que el valor de la verdad puede oscilar entre completamente verdadero y completamente falso.聽
馃數聽El Machine Learning (ML) o aprendizaje autom谩tico (AA) es una rama de la inteligencia artificial (IA) que, centrada en el desarrollo de algoritmos,聽permite a los sistemas inform谩ticos aprender de los datos y mejorar su rendimiento en tareas espec铆ficas sin ser programados expl铆citamente para ello; su funci贸n principal se centra en dos 谩reas clave: Predicci贸n y Clasificaci贸n.
Seg煤n la naturaleza de los datos y el tipo de tarea que se desea realizar, el aprendizaje autom谩tico (ML) se clasifica en: 1. Aprendizaje supervisado; 2. Aprendizaje No supervisado; 3. Aprendizaje semisupervisado; 4. Aprendizaje por refuerzo y 5. Deep Learning. (Taherdoost, 2021).
馃數 Se enfoca en emular la toma de decisiones de un experto humano en un campo espec铆fico.
Los Sistemas Expertos est谩n dise帽ados para resolver problemas complejos mediante el razonamiento a trav茅s de cuerpos de conocimiento, representados principalmente como normas si-entonces m谩s que a trav茅s de c贸digo de procedimiento convencional.
Est谩n dise帽ados para resolver problemas complejos mediante el razonamiento a trav茅s de conjuntos de conocimiento, representados principalmente como reglas de 芦si entonces禄聽(Whitehead, 2023).
驴Qu茅 es un Modelo de Inteligencia Artificial?
Un Modelo de inteligencia artificial es la representaci贸n matem谩tica del pensamiento humano en ciertos aspectos, especialmente en su capacidad para razonar y resolver problemas complejos; no obstante, un modelo de computaci贸n cognitiva es un marco computacional sofisticado dise帽ado para emular los procesos cognitivos humanos, como: 1. La percepci贸n; 2. El razonamiento y 3. La soluci贸n de problemas.
Los modelos de computaci贸n cognitiva son construcciones param茅tricas que consideran las etapas y transiciones cognitivas, permitiendo modelar los procesos de informaci贸n desde su inicio hasta su desaparici贸n (Wolfengagen et al., 2023).
Los modelos predictivos basados en inteligencia artificial generativa (GenAI) constituyen un avance significativo en el campo de la inteligencia artificial, pues ofrecen soluciones innovadoras en diversos dominios al aprovechar la capacidad de generar nuevas instancias de datos muy similares a los conjuntos originales.
Inteligencia artificial Generativa
La inteligencia artificial generativa (GenAI) es un subconjunto transformador de la inteligencia artificial (IA) que produce contenido nuevo de forma aut贸noma en diferentes modalidades, como texto, im谩genes, audio y v铆deo, a partir del aprendizaje de datos existentes. Adem谩s, a diferencia de la IA tradicional, que se orienta principalmente al an谩lisis de datos para ejecutar tareas espec铆ficas, la GenAI se distingue por su capacidad para generar productos creativos con caracter铆sticas similares a las producciones humanas.
En consecuencia, representa un avance tecnol贸gico significativo, con aplicaciones e implicaciones de amplio alcance. Esta capacidad ha favorecido su adopci贸n en m煤ltiples campos, incluidos los negocios, el arte, el entretenimiento y la atenci贸n m茅dica, entre otros, donde contribuye a la transformaci贸n de procesos y a la oferta de soluciones innovadoras.
Tecnolog铆as y modelos clave
Modelos de transformadores: constituyen la base de muchos sistemas de GenAI, ya que permiten generar textos y otros formatos de contenido de manera coherente y relevante desde el punto de vista contextual (Sahu, 2024).
Redes generativas de confrontaci贸n (GAN): se emplean para crear im谩genes y v铆deos realistas al enfrentar dos redes neuronales entre s铆, lo que, a su vez, mejora la calidad y la autenticidad del contenido generado (Sahu, 2024).
Codificadores autom谩ticos variacionales (VAE): se utilizan para generar nuevos puntos de datos mediante el aprendizaje de la distribuci贸n subyacente de los datos de entrada y, por ello, resultan especialmente 煤tiles para producir salidas diversas (Sahu, 2024).
驴Qu茅 son los LLM?
馃數 Los modelos de lenguaje grande (LLM) son sistemas avanzados de inteligencia artificial dise帽ados para comprender y generar texto similar al humano, mediante el uso de redes neuronales profundas con miles de millones de par谩metros; estos modelos, como el GPT-3 de OpenAI, se basan en vastos conjuntos de datos procedentes de diversos materiales en l铆nea, lo que les permite captar patrones ling眉铆sticos complejos y matices contextuales.
Los LLM se crean utilizando la arquitectura Transformer, que se introdujo en 2017, la cual se ha convertido en la base de modelos como el GPT-3, conocido por su rendimiento de 煤ltima generaci贸n en tareas de procesamiento del lenguaje natural – PLN (Sreerakuvandana et al., 2024) (Filimonov, 2024).
Los LLM se basan en conjuntos de datos masivos, que a menudo asmilan miles de millones de palabras, para desarrollar una comprensi贸n integral del lenguaje; esta formaci贸n les permite generar un texto coherente y relevante desde el punto de vista contextual (Sreerakuvandana et al., 2024) (Ni et al., 2024).
El uso del prompt o instrucci贸n en los LLM, es fundamental para guiar la generaci贸n de texto, im谩genes y/o sonido para obtener respuestas relevantes y precisas.
Ciencia de Datos
La ciencia de datos es un campo transdisciplinario que triangula la Matem谩tica, la Estad铆stica, y la Ingenier铆a computacional para gestionar el dato.
ISO/IEC 42001:2023
La ISO 42001:2023 es una norma creada para los sistemas de gesti贸n de Inteligencia Artificial (IA), ofreciendo un marco que permite a las organizaciones desarrollar e implementar soluciones de IA de manera responsable.
Esta norma aborda desaf铆os espec铆ficos de la IA, como su adaptabilidad y la integraci贸n en diversos entornos operativos, aspectos que los modelos regulatorios tradicionales no logran manejar eficazmente; adem谩s, la ISO 42001:2023 resulta especialmente relevante en sectores como el sanitario, donde la implementaci贸n de soluciones de IA generativa (GenAI) demanda una cuidadosa supervisi贸n para garantizar la seguridad y eficacia (Thiers & Harned, 2024).
De este modo, la norma facilita la creaci贸n de sistemas de gesti贸n de la IA (AIMS) auditables, que contribuyen a mitigar riesgos y respaldan el despliegue de soluciones fiables; por tanto, el proceso de certificaci贸n es una herramienta clave para mejorar el cumplimiento normativo y las funciones de supervisi贸n en las organizaciones de salud.
Caracter铆sticas clave de la ISO 42001:2023
La norma establece un marco para desarrollar los sistemas de gesti贸n de IA (AIMS), esenciales para gestionar los riesgos asociados a las tecnolog铆as de inteligencia artificial. Estos sistemas se dise帽an con adaptabilidad y auditabilidad en mente, asegurando que las soluciones de IA se desplieguen de manera segura y eficaz (Thiers & Harned, 2024); adem谩s, la ISO 42001:2023 destaca por su enfoque en las oportunidades relacionadas con los grandes modelos ling眉铆sticos (LLM), subrayando su relevancia en el contexto de tecnolog铆as emergentes. Esto es especialmente importante al considerar las deficiencias de supervisi贸n en otros marcos, lo que convierte a la norma en una opci贸n preferida para organizaciones que buscan integrar los LLM (McIntosh et al., 2024).
Cumplimiento regulatorio
La alineaci贸n con la ISO 42001:2023 permite a las organizaciones adaptarse mejor a entornos regulatorios, particularmente en regiones con normativas estrictas sobre inteligencia artificial, como la Uni贸n Europea; este alineamiento no solo ayuda a cumplir los requisitos de cumplimiento, sino que tambi茅n facilita la gesti贸n de riesgos asociados con el despliegue de la IA (McIntosh et al., 2024).