“La data sintética es data que generamos nosotros mismos. En la Inteligencia Artificial todo, absolutamente todo, es entrenamiento, y lo que nos está pasando a las empresas es que cada vez nos falta más data para poder entrenar. Entonces, lo que hacemos es utilizar la IA para generar esa data”, afirma David Soto, director global de oferta en Softtek y experto en IA.
Como consecuencia de ese déficit de datos, cada día se crea más información ‘artificial’ que tiene un impacto concreto en los negocios. Por ejemplo, es posible diseñar buyers persona y ponerlos a discutir entre sí para que una empresa pueda probar la recepción de un producto antes de lanzarlo al mercado:
“En vez de hacer un focus group, tengo esta opción que es mucho más barata e inmediata”, dice Soto, al tiempo que recuerda que para 2027 se espera que las empresas utilicen IAs mucho más adaptadas a sus áreas y formas de trabajo específicas.
De SML a modelos más sostenibles
Aunque actualmente el mercado se ve saturado por los grandes modelos de lenguaje (LLM o Large Language Model), David Soto describe el crecimiento de un modelo que cada día gana más adeptos: los modelos pequeños o SML (Small Language Models), que no necesitan estar conectados a Internet y pueden operar en el hardware local.
“Son modelos mucho más pequeños que vamos a acabar viendo integrados dentro de nuestro celular, dentro de la refrigeradora, dentro de la aspiradora”, agrega Soto, recordando que gracias a sus dimensiones y operación local son “mucho más económicos, se pueden integrar en más sitios y, además, son más eficientes”.
Precisamente la eficiencia es descrita por Soto como otro de los grandes retos de la Inteligencia Artificial, donde la misma IA va a ayudar a automejorarse, contribuyendo a disminuir el consumo excesivo de electricidad que se emplea en la actualidad para alimentar toda esa capacidad de cómputo.
Humano-Máquina, una interacción creciente y necesaria
El conversatorio de IA también dio espacio para hablar de otros escenarios del futuro cercano y la interacción entre los usuarios y las máquinas. En primer lugar, se destacó la importancia de los agentes de IA omnipresentes en infinidad de industrias, automatizando tareas (no empleos).
En cuanto a la interacción, se resaltó la importancia de los modelos ‘Human in the loop’ o (HITL), que en el contexto de la IA se refiere a un enfoque donde la intervención humana es parte integral del sistema. Esto significa que los humanos participan activamente en el proceso de toma de decisiones, supervisión o entrenamiento de la Inteligencia Artificial.
“Con el Human in the loop, tenemos un humano en medio del proceso en el cual la IA va trabajando y, en algún momento, cuando necesita algo de nuestra parte, lo que hace es levantar la mano, le damos esa información, acceso o lo que necesite, y continúa trabajando”, afirma David Soto.
A pesar de sus ventajas, la IA también presenta desafíos. El sesgo en los datos de entrenamiento puede perpetuar estereotipos y discriminaciones. Además, la creciente dificultad para distinguir entre lo real y lo generado por IA plantea interrogantes sobre la autenticidad y la confianza.
Otro desafío es la posibilidad de generar documentos falsos, como pasaportes y DNIs, lo que puede facilitar el fraude y el lavado de activos. Estos riesgos éticos y de seguridad deben ser abordados para garantizar una implementación responsable de la IA generativa.
