Unidad 3.3. Más allá del texto. IA Generativa
"La inteligencia artificial generativa es como una máquina que puede soñar y crear mundos nuevos." - Ian Goodfellow, uno de los científicos de la computación más influyentes en el campo de la inteligencia artificial generativa y creador de la técnica conocida como Generative Adversarial Networks (GANs).
Introducción
Inicialmente las aplicaciones de aprendizaje automático se centraban en su posibilidad de clasificar y predecir categorías o valores.
Podemos resumirlo en el siguiente esquema
En este caso partimos de un modelo que ha sido entrenado con valores reales y es capaz de determinar, a partir de nuevos casos, la nueva etiqueta, valor, imagen o predicción en general en el caso de regresión o clasificar (aprendizaje supervisado), ó también agrupar conjuntos de datos similares (clustering o aprendizaje no supervisado).
Sin embargo el auge de las arquitecturas de red convolucionales (para detección de objetos) y de transformers ha abierto la puerta a la parte de más potente de la IA como es la IA generativa.
Sus posibilidades son inmensas y ha generado un miríada de aplicaciones y usos con un potencial enorme y una cantidad de aplicaciones creciente.
Todas ellas o la mayoría se basan en la conversión (generación o modificación) de información en distintos formatos destacando las que generan vídeo o imágenes a partir de texto (prompts). Pero existen muchas otras, como texto a juegos, texto a voz o música etc...
La lista de posibilidades es larga pero podemos sintetizarla de algún modo en el siguiente esquema según el cual todos los procesos implican la conversión de una entrada en otra de una forma multimodal, es decir, que pasamos al mismo o diferente formato entendiendo por formato la forma en que se presenta la información (texto, imagen, audio o vídeo).
Incluso recientemente se ha demostrado la posibilidad de capturar el sueño de un humano a partir de las ondas generadas convirtiendo este a imágenes.
Este esquema describe sucintamente el proceso que ocurre en la mayoría de aplicaciones de IA basado inicialmente en generar cualquier tipo de formato a partir de texto, texto a vídeo, texto a audio etc... pero también para mejorar imágenes (imagen a imagen) o extraer el texto de un vídeo (audio a texto).
Veremos más ejemplos en la última sección de esta unidad.
Inteligencia Artificial Generativa
La Inteligencia Artificial Generativa (IA generativa) es una rama de la inteligencia artificial que se enfoca en la creación de modelos capaces de generar contenido nuevo y creativo. Utiliza técnicas avanzadas de aprendizaje profundo, especialmente las Redes Neuronales Generativas (GANs) y las Redes Neuronales Recurrentes (RNN), para producir contenido que a menudo es indistinguible del creado por seres humanos.
Se centra en la creación de datos, contenido y modelos a través de algoritmos autónomos. A diferencia de la IA tradicional, que se enfoca en tareas específicas y predefinidas, la IA generativa tiene como objetivo principal generar nuevos datos y contenido de manera autónoma, similar a cómo funcionan los procesos creativos humanos.
Una de las tecnologías más destacadas en este campo son las Redes Generativas Adversarias (GANs), desarrolladas por Ian Goodfellow en 2014. Las GANs consisten en dos redes neuronales, una generadora y otra discriminadora, que compiten entre sí para crear y evaluar datos. Esta competencia entre las redes permite crear contenido realista, como imágenes, música, texto y más, que es indistinguible de lo que podría haber sido producido por humanos.
Los usos de la IA generativa son diversos y se están expandiendo rápidamente en diferentes industrias. Algunos de los principales usos incluyen:
Generación de contenido creativo: Las GANs pueden utilizarse para crear arte, música, texto y otros tipos de contenido creativo de manera automática, lo que amplía las posibilidades en la producción artística y creativa.
Mejora de imágenes y video: La IA generativa puede mejorar la calidad de imágenes y videos, eliminar ruido y restaurar contenido dañado.
Diseño de productos: En el ámbito del diseño industrial y la moda, la IA generativa puede ayudar a generar diseños de productos innovadores y únicos.
Medicina y investigación científica: La IA generativa se aplica en la generación de moléculas para el desarrollo de medicamentos y en la síntesis de proteínas para la investigación científica.
Juegos y simulaciones: Se utiliza en la creación de mundos virtuales, personajes y entornos en juegos y simulaciones.
Generación de contenido para marketing: En marketing, se emplea para crear contenido publicitario, como imágenes y texto persuasivo.
Creación de voces sintéticas y asistentes virtuales: La IA generativa puede generar voces humanas sintéticas naturales y se utiliza en asistentes virtuales como chatbots.
En resumen, la IA generativa está transformando numerosas industrias al proporcionar la capacidad de generar contenido y datos de manera automática y creativa. Su potencial es vasto y sigue expandiéndose a medida que la tecnología avanza y se integra en diversas aplicaciones y sectores.
Funcionamiento
El proceso mediante el cual funciona una IA generativa implica aprender patrones y estructuras a partir de un conjunto de datos existente y utilizar ese conocimiento para generar nuevas muestras que sigan la misma distribución de esos datos. Este proceso se puede resumir en estas cinco fases:
• Recopilación y preprocesamiento de datos: el primer paso es recopilar un conjunto de datos que represente el tipo de contenido que desea generar. Este conjunto de datos puede consistir en imágenes, texto, audio o cualquier otra forma de datos. Posteriormente, el conjunto de datos se preprocesa para asegurarse de que esté en un formato adecuado y para normalizar o transformar los datos si es necesario.
• Entrenamiento de modelos: un modelo generativo se entrena usando el conjunto de datos preprocesado. La elección del modelo depende del tipo de datos y la salida deseada. Los modelos generativos más populares incluyen redes adversarias generativas (GAN), codificadores automáticos variacionales (VAEs) y modelos autorregresivos. Durante el entrenamiento, el modelo aprende los patrones subyacentes y estructuras en los datos, capturando las estadísticas y distribución de los ejemplos de entrenamiento.
• Representación del espacio latente: los modelos generativos aprenden de un espacio latente, el cual es una representación de menor dimensión de los datos, donde les permite capturar los factores de variación más representativos. El espacio latente permite una manipulación más fácil y la generación de nuevas muestras.
• Proceso de generación: una vez que el modelo está entrenado, puede generar nuevo contenido mediante el muestreo de la distribución aprendida. Por ejemplo, en GANs, la red genera nuevas muestras basadas en vectores de ruido aleatorio o condiciones de entrada específicas.
• Evaluación y refinamiento: el contenido generado se evalúa en función de varias métricas, como la calidad visual, la coherencia o relevancia para el resultado deseado. El proceso de evaluación se puede utilizar para refinar el modelo o guiar el proceso de generación.
Principales empresas y aplicaciones
Todas las aplicaciones de IA Generativa tienen que ver con acciones humanas vinculadas a los sentidos, como son la visión, la audición y el lenguaje.
Así podemos distinguir varios grupos de aplicaciones, como son:
Generación de contenido multimodal: La IA generativa puede generar contenido en diferentes formatos como vídeo, voz, audio, música, dibujo (portadas, logos, comics...) a parir de texto o de otros formatos, comentar una imagen, transcribir el texto de un audio o generar el código de un juego a partir de un esquema son solo algunos ejemplos.
Mejora de la comprensión multimodal: La IA generativa puede ayudar a mejorar la comprensión de las entradas multimodales. Por ejemplo, en la traducción automática multimodal, puede generar una descripción de una imagen en un idioma diferente o generar subtítulos para un video en tiempo real o limpiar el ruido de un podcast.
Interacción multimodal con usuarios: Las aplicaciones multimodo a menudo implican interacciones con usuarios a través de diferentes modalidades, como texto, voz e imagen permitiendo además la inclusión de textos o documentación propia para ampliar y afinar el conocimiento por parte del chat de nuestro sistema de información.
Creación de experiencias de realidad aumentada y virtual: En el ámbito de la realidad aumentada y virtual, la IA generativa puede ser utilizada para generar objetos y entornos virtuales que respondan de manera dinámica a la interacción del usuario, incluyendo voz, gestos y movimientos.
Hay infinidad de herramientas y aplicaciones que hacen uso de esta potente rama de la IA, indicamos a continuación las más relevantes en el momento actual
| Aplicación | Compañía | Descripción | Web |
| DeepDream | Aplicación de generación de imágenes desarrollada por Google. Utiliza redes neuronales para transformar imágenes de manera creativa. | https://deepdreamgenerator.com/ | |
| chatGPT | OpenAI | Modelo de lenguaje generativo que permite conversaciones naturales con IA así como cualquier otra actividad como la generación de código o imágenes a partir de texto. | |
| Midjourney | Midjourney | Generación de imágenes creativas a partir de texto | https://www.midjourney.com |
| Runway ML | Runway | una plataforma que permite a los diseñadores utilizar IA generativa para crear arte y diseño de productos. | https://research.runwayml.com/gen2 |
| Leonardo | Leonardo | Generación de recursos visuales a partir de texto | https://leonardo.ai/ |
| DALL-E | OpenAI | Modelo de IA generativa que puede generar imágenes a partir de descripciones de texto. | https://openai.com/research/dall-e |
| AIVA | AIVA | Plataforma que utiliza IA generativa para componer música original. | https://www.aiva.ai |
| Stable Diffusion | - | Es el generador de imágenes más potente en la actualidad | |
| ElevenLabs | ElevenLabs | Convertidor de texto a voz y clonación de voz | https://elevenlabs.io/ |
| Anthropic | Anthropic | Creador de productos de IA como chat conversacionales (claude y poe) | |
| Google Deep Mind | Tecnologías de IA | ||
| Bard | Versión conversacional de chatGPT de google | ||
| Whisper | OpenAI | Reconocedor de voz |
Por supuesto la mayoría de compañías tecnológicas como Amazon o Microsoft ya usan sistemasde intelgicencia artificial así como modelos conversacionales y otras herramientas.
En resumen, la IA generativa desempeña un papel esencial en el desarrollo y mejora de aplicaciones multimodo al permitir la generación y manipulación de contenido en diversas modalidades. Esto contribuye a la creación de experiencias más ricas y personalizadas para los usuarios en aplicaciones que involucran texto, imágenes, voz y otras formas de comunicación.
Pero va mucho más allá de la simple generación de texto a imagen, en los últimos meses están surgiendo aplicaciones para genrar toda clase de contenidos, en el siguientes listado destacamos algunas de ellas:
-
Texto a Código
- Descripción: Convierte texto descriptivo en código fuente para diferentes lenguajes de programación utilizando IA.
- Ejemplos de Sitios Web: GitHub Copilot, OpenAI Codex, Tabnine.
-
Texto a Video en Tiempo Real
- Descripción: Genera videos en tiempo real a partir de descripciones textuales mediante técnicas de IA.
- Ejemplos de Sitios Web: RunwayML, Synthesia, DeepArt.
-
Imagen a Código
- Descripción: Transforma imágenes en código fuente, como HTML/CSS o Python para análisis de imágenes, utilizando IA.
- Ejemplos de Sitios Web: Pix2Code, img2code, DeepAI.
-
Sueño a Imagen
- Descripción: Crea imágenes a partir de descripciones de sueños o pensamientos abstractos mediante IA.
- Ejemplos de Sitios Web: DeepDream, Artbreeder, This Person Does Not Exist.
-
Texto a Cómic
- Descripción: Convierte narrativas o diálogos en formato de cómic, incluyendo ilustraciones y viñetas, a través de IA.
- Ejemplos de Sitios Web: Comixify, Toonify, Pixton.
-
Video en Tiempo Real
- Descripción: Genera y modifica videos en tiempo real utilizando inteligencia artificial.
- Ejemplos de Sitios Web: Deepfake Technology, FaceSwap, Reface.
-
Generación de arte
- Descripción: Incluye diversas aplicaciones como generación de música, arte digital, y más, impulsadas por IA.
- Ejemplos de Sitios Web: Amper Music, Google DeepDream, DALL-E.
-
Texto a Música
- Descripción: Convierte texto descriptivo en composiciones musicales utilizando IA.
- Ejemplos de Sitios Web: Amper Music, AIVA, Jukedeck.
-
Voz a Texto
- Descripción: Transcribe automáticamente el habla a texto con precisión utilizando IA.
- Ejemplos de Sitios Web: Google Speech-to-Text, IBM Watson Speech to Text, Rev.com.
-
Corrector de Imágenes
- Descripción: Mejora y corrige imágenes digitales, incluyendo resolución, color y defectos, mediante IA.
- Ejemplos de Sitios Web: Adobe Photoshop, Let's Enhance, Deep Image.
-
Texto a Podcast
- Descripción: Convierte artículos o textos en podcasts o audiolibros utilizando voces sintéticas basadas en IA.
- Ejemplos de Sitios Web: Anchor, SpeechKit, Amazon Polly.
-
Ampliación de Imagen
- Descripción: Amplía imágenes de baja resolución sin perder calidad utilizando técnicas avanzadas de IA.
- Ejemplos de Sitios Web: Let's Enhance, Bigjpg, Deep Image.
-
Generador de Imagen en 3D
- Descripción: Crea modelos tridimensionales a partir de descripciones textuales utilizando IA.
- Ejemplos de Sitios Web: NVIDIA Canvas, Google DreamBuilder, DeepArt.
El futuro de la IA Generativa
La evolución de la Inteligencia Artificial Generativa (IA Generativa) en los próximos años promete ser emocionante y transformadora. A medida que la investigación y la tecnología avanzan, es probable que veamos las siguientes tendencias y desarrollos en este campo:
Mayor realismo y calidad Las técnicas generativas seguirán mejorando en términos de la calidad y realismo de los datos y el contenido que generan. Esto incluye imágenes, videos, texto y audio que serán más difíciles de distinguir de las creaciones humanas.
Generación multimodal avanzada La IA generativa se volverá aún más hábil en la generación de contenido que combine múltiples modalidades, como la creación de historias visuales y auditivas a partir de texto, o la generación de contenido multimodal en tiempo real.
Entendimiento contextual La IA generativa mejorará su capacidad para comprender y generar contenido en función del contexto. Esto permitirá una interacción más natural y relevante con los usuarios, ya que la IA podrá adaptarse mejor a las necesidades y preferencias individuales.
Aplicaciones en la industria Veremos un aumento significativo en la adopción de IA generativa en industrias como la medicina, la arquitectura, el diseño de productos y la investigación científica, donde se utilizará para la generación de modelos, diseños y simulaciones complejas.
Creatividad asistida por IA Las herramientas de creatividad asistida por IA se volverán más accesibles y comunes. Los artistas, escritores y músicos podrán utilizar la IA para potenciar su creatividad y producir obras innovadoras.
Ética y regulación A medida que la IA generativa se vuelva más poderosa, surgirán preocupaciones éticas, como el uso indebido de la tecnología para la creación de contenido engañoso o perjudicial. Esto llevará a una mayor atención a la regulación y la ética en el desarrollo y uso de la IA generativa.
Interacción humano-IA más fluida La IA generativa se integrará más en la vida cotidiana de las personas, mejorando la interacción con dispositivos, asistentes virtuales y aplicaciones, lo que permitirá una experiencia más fluida y personalizada.
Aplicaciones en educación La IA generativa se utilizará cada vez más en la educación, ayudando a crear contenido educativo personalizado y generando ejercicios y evaluaciones adaptadas a las necesidades de los estudiantes, veremos más sobre esto en la siguiente unidad.
Investigación científica avanzada La IA generativa jugará un papel importante en la investigación científica, especialmente en la simulación y modelado de fenómenos complejos, como el clima, la biología y la física cuántica.
En resumen, la IA generativa seguirá evolucionando y expandiéndose en diversas industrias y aplicaciones. Se espera que la tecnología sea cada vez más sofisticada y que tenga un impacto significativo en la forma en que interactuamos con la información y el contenido en el futuro. Sin embargo, también surgirán desafíos éticos y regulatorios que deberán abordarse a medida que esta tecnología avance.