Los sistemas de inteligencia artificial en desarrollo, aunque suelen mostrar un rendimiento impresionante en las fases de demostración, pueden enfrentar serios problemas al pasar a la fase de producción. Muchos agentes de IA, a pesar de surgir con la promesa de operar de manera independiente, terminan necesitando intervención humana. Esta situación representa un obstáculo significativo para la eficiencia y sostenibilidad de las aplicaciones de inteligencia artificial.

¿Qué ha pasado?

Los últimos desarrollos revelan que los sistemas de inteligencia artificial enfrentan dos desafíos principales: las deficiencias de métodos tradicionales como el "fine-tuning" (ajuste fino) y el "in-context learning" (aprendizaje en contexto). El fine-tuning se enfrenta al problema de la 'olvido catastrófico', que ocurre cuando se agrega nueva información a un modelo y se olvida la información existente. El in-context learning, por otro lado, experimenta pérdida de contexto debido a la necesidad de proporcionar información actualizada en cada ejecución. Esto demuestra que ambos métodos hacen inevitable el control humano.

¿Por qué es importante?

Los sistemas de inteligencia artificial tradicionales prometen aumentar la velocidad de los procesos comerciales y minimizar la intervención humana. Sin embargo, las limitaciones de los métodos de ajuste fino y aprendizaje en contexto impiden que estos objetivos se cumplan. El fine-tuning amplía el conjunto de conocimientos de un modelo, pero también provoca la pérdida de información previa. Esto dificulta que las empresas accedan a información actualizada de manera continua y afecta negativamente la eficiencia operativa.

El aprendizaje en contexto, a medida que aumentan las entradas de datos, puede causar pérdida de precisión. Es decir, a medida que un agente de IA se alimenta con más información, su rendimiento disminuye. Por lo tanto, el uso de tales sistemas en el mundo empresarial se convierte en una estructura compleja que requiere supervisión humana.

Sobre el papel, estos sistemas tienen el potencial de aumentar la eficiencia, pero en la práctica, muchas empresas no pueden registrar el rendimiento debido a las dificultades de implementación de estos métodos. En otras palabras, se necesitan enfoques más actualizados y efectivos para alcanzar la autonomía deseada.

¿Qué está cambiando?

Un nuevo enfoque, el sistema "hypernetwork", promete superar los problemas existentes. Este sistema tiene la capacidad de generar estructuras de modelos necesarias bajo demanda. Es decir, puede crear instantáneamente pequeños modelos enfocados en tareas según las políticas de una empresa. Esto reduce los costos asociados con el proceso de ajuste fino y minimiza el riesgo de pérdida de contexto.

Además, el uso de pequeños modelos en el desarrollo de sistemas de inteligencia artificial está ganando cada vez más importancia. Las investigaciones muestran que estos modelos son más eficientes y rentables en comparación con los modelos grandes y de propósito general. Por ejemplo, se señala que los pequeños modelos son más efectivos en la realización de tareas de alcance limitado y repetitivas. Esto permite a las empresas utilizar los sistemas de inteligencia artificial de manera más eficiente.

¿Qué sigue?

Se espera que en el futuro haya una mayor adopción de sistemas hypernetwork. Este tipo de sistemas permite a las empresas operar con menos margen de error utilizando su propia información de inmediato. Sin embargo, no se espera que la intervención humana desaparezca por completo para aumentar la autonomía de las aplicaciones de inteligencia artificial. La supervisión humana seguirá desempeñando un papel crítico.

En conclusión, aunque los sistemas de inteligencia artificial tienen el potencial de aumentar la eficiencia, las limitaciones de los métodos actuales demuestran que la intervención humana es inevitable. En este sentido, enfoques nuevos como el hypernetwork ofrecen una solución importante, pero la efectividad de estos sistemas dependerá de cómo se integren en los procesos de implementación.