Inteligencia Artificial: Mucho Más que Chats e Imágenes Creativas

Mgtr. Daniel Chimbo | Docente UEFCM

Mgtr. Juan Castaño | Docente UEFCM

Seguramente has oído hablar muchísimo sobre Inteligencia Artificial (IA) últimamente. Quizás has interactuado con ChatGPT, o te has maravillado con imágenes creadas de la nada por herramientas como DALL-E o Midjourney. ¡Es fascinante! Pero:

¿Sabías que la IA es un campo mucho más amplio y que sus aplicaciones están transformando áreas tan cruciales como la medicina y la biotecnología?

Acompáñanos a explorar los dos grandes tipos de modelos de IA y cómo uno de ellos está revolucionando la ciencia.

¿Qué es la Inteligencia Artificial? Una Breve Introducción

En esencia, la Inteligencia Artificial se refiere a la capacidad de las máquinas y los programas informáticos para realizar tareas que normalmente requieren inteligencia humana. Esto incluye aprender, razonar, resolver problemas, percibir el entorno y comprender el lenguaje (Russell & Norvig, 2021). Para lograrlo, la IA se basa en diferentes enfoques y modelos. Hoy nos centraremos en dos categorías principales: los modelos generativos y los no generativos.

Modelos Generativos: Los Creadores Digitales

Los modelos generativos son, probablemente, los que más titulares acaparan hoy en día. Como su nombre indica, están diseñados para crear contenido nuevo y original que se asemeja a los datos con los que fueron entrenados. Piensa en ellos como aprendices de artistas o escritores.
Aprenden de enormes cantidades de texto, imágenes, música o código, y luego pueden generar:

• Texto: Redactar correos, poemas, código de programación (¡como ChatGPT!).
• Imágenes: Crear ilustraciones fotorrealistas o artísticas a partir de descripciones textuales.
• Música: Componer melodías en diversos estilos.
• Voz: Sintetizar voces humanas muy realistas.

Estos modelos identifican patrones y estructuras en los datos de entrenamiento y los utilizan para producir resultados novedosos que, idealmente, son indistinguibles de los creados por humanos (Goodfellow et al., 2016).

Modelos No Generativos: Los Analistas Expertos

En contraste, los modelos no generativos (también conocidos como modelos discriminativos o predictivos) no se enfocan en crear contenido nuevo. Su principal función es analizar datos existentes para realizar clasificaciones, predicciones o tomar decisiones. Son como detectives o analistas expertos.
Algunos ejemplos comunes incluyen:

• Clasificación de correos electrónicos: Decidir si un email es spam o no.
• Reconocimiento de imágenes: Identificar objetos o personas en una fotografía (por ejemplo, desbloquear tu teléfono con tu rostro).
• Sistemas de recomendación: Sugerir películas en Netflix o productos en Amazon basándose en tus gustos previos.
• Diagnóstico médico: Ayudar a identificar posibles enfermedades a partir de síntomas o imágenes médicas.

Estos modelos aprenden a distinguir entre diferentes categorías de datos o a predecir un valor específico basándose en las características de entrada (Bishop, 2006). No generan una nueva radiografía, sino que analizan una existente para, por ejemplo, detectar anomalías.

La IA en Biotecnología y Medicina: Un Salto Cuántico Más Allá de lo Conocido

Aquí es donde la IA, especialmente los modelos no generativos (aunque los generativos también empiezan a tener roles), muestra un potencial que va mucho más allá de las aplicaciones más populares. En campos como la biotecnología y la medicina, la IA está revolucionando la investigación y el tratamiento de enfermedades de maneras asombrosas:

1. Descubrimiento y Desarrollo de Fármacos:
   Los modelos de IA pueden analizar enormes bases de datos de compuestos moleculares y predecir su posible efectividad contra enfermedades específicas, así como sus posibles efectos secundarios. Esto acelera drásticamente el proceso de encontrar nuevos medicamentos, que tradicionalmente es largo y costoso (Schneider et al., 2020). Imagina poder probar virtualmente millones de compuestos en lugar de unos pocos cientos en el laboratorio.
2. Diagnóstico Asistido por IA:
   Los modelos no generativos son increíblemente buenos analizando imágenes médicas como radiografías, tomografías computarizadas (TC) o resonancias magnéticas (RM). Pueden detectar patrones sutiles que el ojo humano podría pasar por alto, ayudando a los médicos a diagnosticar enfermedades como el cáncer, retinopatías o enfermedades cardíacas en etapas más tempranas y con mayor precisión (Topol, 2019).
3. Medicina Personalizada:
   La IA puede analizar el perfil genético de un paciente, su historial médico y datos de estilo de vida para predecir su riesgo de desarrollar ciertas enfermedades o cómo responderá a diferentes tratamientos. Esto permite diseñar terapias personalizadas, optimizando la efectividad y minimizando los efectos adversos (Esteva et al., 2019).
4. Análisis Genómico:
   Interpretar la ingente cantidad de datos generados por la secuenciación del genoma humano es una tarea hercúlea. La IA ayuda a identificar genes relacionados con enfermedades, comprender interacciones genéticas complejas y avanzar en la terapia génica.

¿Por Qué Importan Ambos Tipos de IA?

Tanto los modelos generativos como los no generativos son cruciales. Mientras los generativos nos ofrecen nuevas herramientas para la creatividad, la comunicación y la generación de ideas, los no generativos están resolviendo problemas complejos, optimizando procesos y, como hemos visto, salvando vidas en campos como la medicina.

Es importante entender que la IA es una herramienta poderosa con un espectro de aplicaciones muy amplio. Reducirla solo a los chatbots o generadores de imágenes es perder de vista su verdadero potencial transformador.

Conclusión

La Inteligencia Artificial es un campo en constante evolución que ya está impactando profundamente nuestras vidas. Desde los modelos generativos que nos asombran con su creatividad hasta los modelos no generativos que potencian avances científicos y médicos, la IA nos ofrece un abanico de posibilidades extraordinario. Como estudiantes, entender sus fundamentos y su alcance os preparará mejor para el futuro y, quién sabe, quizás alguno de vosotros contribuya a la próxima gran revolución impulsada por la IA.

Referencias

• Bishop, C. M. (2006). Pattern Recognition and Machine Learning. Springer.
• Esteva, A., Robicquet, A., Ramsundar, B., Kuleshov, V., DePristo, M., Chou, K., Cui, C., Corrado, G., Thrun, S., & Dean, J. (2019). A guide to deep learning in healthcare. Nature Medicine, 25(1), 24–29. https://doi.org/10.1038/s41591-018-0316-z
• Goodfellow, I., Bengio, Y., & Courville, A. (2016). Deep Learning. MIT Press.
• Russell, S. J., & Norvig, P. (2021). Artificial Intelligence: A Modern Approach (4th ed.). Pearson.
• Schneider, P., Walters, W. P., Plowright, A. T., Sieroka, N., Listgarten, J., Goodnow, R. A., Fisher, J., Jansen, J. M., Duca, J. S., Rush, T. S., Zentgraf, M., Hill, J. E., Krutoholow, E., Kohler, M., Trottet, L., Stauch, T., & Ertl, P. (2020). Rethinking drug design in the artificial intelligence era. Nature Reviews Drug Discovery, 19(5), 353–364. https://doi.org/10.1038/s41573-019-0050-3
• Topol, E. J. (2019). High-performance medicine: the convergence of human and artificial intelligence. Nature Medicine, 25(1), 44–56.