Inteligencia Artificial en capacitación: ¿cómo funciona?

Presentación de la Serie: Inteligencia Artificial en Capacitación

¡Bienvenido/a a nuestra serie de 4 artículos sobre la Inteligencia Artificial (IA) aplicada a la capacitación y el aprendizaje! A lo largo de estos artículos, exploraremos cómo la IA está transformando el panorama educativo, proporcionando herramientas innovadoras para personalizar, automatizar y optimizar la formación.

1. Inteligencia Artificial en Capacitación
   En este primer artículo, te sumergimos en los conceptos básicos de la IA, explicando cómo funciona y las tecnologías que la sustentan. Desde el aprendizaje automático (ML) hasta el aprendizaje profundo (DL), entenderás cómo la IA impulsa el desarrollo de soluciones innovadoras para el aprendizaje.
2. ¿Para qué utilizar IA?
   Aquí abordamos los principales usos de la IA en la capacitación. Veremos cómo esta tecnología no busca imitar al ser humano, sino mejorar nuestras capacidades en tareas repetitivas o complejas. También exploraremos los mitos y realidades sobre su impacto en el empleo y en la privacidad.
3. El papel de la IA en el Aprendizaje y Capacitación
   Este artículo profundiza en cómo la IA puede personalizar rutas de aprendizaje, automatizar procesos y analizar datos en tiempo real, mejorando la eficiencia de los programas de formación. Sin embargo, también evaluamos los desafíos éticos y las limitaciones que enfrenta esta tecnología.
4. Ética, Privacidad y Seguridad en la IA Generativa
   Finalmente, exploramos los riesgos asociados con el uso de la IA, desde los sesgos hasta las amenazas de ciberseguridad. Proporcionamos recomendaciones para implementar la IA de manera ética y segura, protegiendo la privacidad y garantizando la transparencia.

Con esta serie, buscamos ayudarte a comprender el potencial de la IA y cómo integrarla de manera estratégica en tus procesos de capacitación. ¡Acompáñanos en este viaje hacia el futuro del aprendizaje!

🚗 El ABC de la IA

Cuando intentamos comprender la inteligencia artificial (IA), es muy útil usar una analogía con un automóvil. La IA está compuesta por dos elementos principales: el aprendizaje automático (ML o machine learning, por sus siglas en inglés) y el aprendizaje profundo (DL o deep learning, por sus siglas en inglés). 

El automóvil representa el sistema de IA, donde te sientas en el asiento del conductor. El motor es el ML, que impulsa y permite que el automóvil se mueva, al igual que los modelos ML impulsan los sistemas de IA para funcionar, analizar datos y realizar tareas, como hacer predicciones. El combustible que alimenta el motor del automóvil es el DL, que proporciona inmensas cantidades de datos que nutren y entrenan modelos complejos de ML para reconocer patrones y características.

Pero, ¿cómo funciona realmente la IA? Fundamentalmente, se basa en dos aspectos clave: los datos y los algoritmos. 

Un modelo de ML ingiere datos, como texto, imágenes, videos y lecturas de sensores, para entrenar a la IA sobre el mundo y lo que queremos que comprenda. Los algoritmos son fórmulas matemáticas (piensa en ellos como recetas) que procesan los datos, identifican patrones complejos dentro de ellos y utilizan esos patrones para completar tareas sin necesidad de instrucciones humanas explícitas para cada paso.

A continuación, se presentan algunas otras técnicas clave que permiten diferentes capacidades de la IA:

• Las redes neuronales están modeladas libremente según el cerebro humano. Tienen nodos interconectados que pueden identificar patrones de datos, volviéndose más inteligentes con más datos. Las redes potencian habilidades como la visión por computadora, que permite a las computadoras ver y comprender imágenes y videos digitales, y el procesamiento del lenguaje natural, que les permite comprender y responder a la voz, el texto y la música.
• Las redes generativas adversariales generan contenido realista, como imágenes, videos o audio. Aprenden a imitar el mundo.
• El aprendizaje no supervisado ocurre cuando la IA encuentra patrones ocultos y relaciones en datos desordenados y no etiquetados para agrupar y categorizar cosas por sí misma.
• El aprendizaje supervisado se refiere a entrenar a la IA con datos etiquetados. Por ejemplo, la IA puede aprender las diferencias entre imágenes de gatos y perros analizando imágenes etiquetadas. Las personas interactúan con modelos de IA supervisados cada vez que completan un CAPTCHA de seguridad en un sitio web.

🚀 La era de la IA generativa

En la década de 1990, parecía que tardábamos horas en cargar una página web simple con una conexión a internet por marcación. Ahora, las películas en alta definición se transmiten instantáneamente en cualquier dispositivo. La IA ha experimentado una evolución similar, pasando de capacidades limitadas y expertas a la llegada de la IA generativa generalizada que cualquiera puede usar.

Los orígenes de la IA generativa se remontan a décadas atrás, con los primeros trabajos de investigación sobre algoritmos generadores de datos publicados en la década de 1980. Sin embargo, dicha tecnología requiere un poder computacional significativo, como las unidades de procesamiento gráfico. La década de 2010 vio el auge de las redes generativas adversariales para imágenes y WaveNet para la generación de audio. 

A finales de 2022, la IA generativa hizo su debut en el escenario mundial con modelos innovadores como DALL-E para la generación de imágenes 🖼️ y ChatGPT para la generación de texto 📑, señalando el inicio de una nueva era: la Cuarta Revolución Industrial.

♻️ Inteligencia artificial tradicional vs. generativa

La IA tradicional resuelve problemas específicos. Generalmente, está basada en reglas y utiliza un conjunto de instrucciones preprogramadas para lograr sus objetivos. Por ejemplo, un diseñador/a instruccional puede usar un sistema de IA tradicional para realizar un análisis de sentimientos basado en datos de encuestas. El sistema tendría un conjunto de reglas programadas que definen lo que constituye varios sentimientos. Las reglas pueden especificar que una respuesta de encuesta de «totalmente en desacuerdo» es negativa y una respuesta de «totalmente de acuerdo» es positiva.

La IA generativa, por otro lado, está diseñada para crear contenido nuevo basado en datos históricos. Primero, utiliza el ML para aprender de los datos y luego generar contenido nuevo similar a los datos proporcionados. Un diseñador instruccional puede usar un sistema de IA generativa para crear un curso interactivo sobre seguridad en el trabajo completamente de cero, por ejemplo, El sistema entonces, utiliza un conjunto de datos existentes sobre seguridad en el trabajo y la información relevante para la empresa, y luego genera contenido del curso con características interactivas o mejoras a cursos anteriores. Esto es un potencial increíble y único, que creemos desde Kepler va a ser un cambio drástico en cómo abordamos la creación de contenido de ahora en más.

🧠 Entonces, ¿cómo funciona la IA generativa?

El meticuloso arte de crear contenido para cursos implica horas de investigación, escritura de esquemas, creación de guiones gráficos y borradores, y encontrar las imágenes y animaciones adecuadas. 

Muchos de los avances en la IA generativa que más entusiasman a los profesionales del aprendizaje están en el ámbito del lenguaje, aquellos que dependen de grandes modelos de lenguaje (LLM, por sus siglas en inglés – Large Language Models). 

Un LLM es como un algoritmo de texto predictivo con superpoderes. Por ejemplo, cuando estás escribiendo un mensaje de texto y tu teléfono inteligente intenta autocompletar la siguiente palabra, eso es un modelo de lenguaje básico en funcionamiento. Utiliza las palabras que has escrito para predecir la siguiente palabra.

Los LLM que impulsan los sistemas de IA generativa como ChatGPT, Gemini o Claude han analizado una gran cantidad de conjuntos de datos de texto, que equivalen a millones de libros, artículos, trabajos de investigación, publicaciones en línea y sitios web. Los LLM son expertos en hacer predicciones basadas en la digestión de enormes cuerpos de texto. Utilizan esos datos para calcular relaciones estadísticas complejas entre palabras y frases utilizando algo llamado parámetros, también conocidos como fragmentos de una palabra, para predecir las siguientes palabras con alta precisión, lo que permite a la aplicación generar texto similar al humano.

Cuando usas una herramienta de IA, debes proporcionar una solicitud llamada prompt, que incluye las instrucciones que das a la herramienta de IA generativa, a menudo especificando el resultado deseado. 

Un prompt puede ser una pregunta como «¿Cuáles son los marcos de trabajo de diseño instruccional más populares?». También, podrías solicitar información como «Dame una lista de preguntas que debo hacer a los especialistas y clientes al realizar una evaluación de necesidades para un taller sobre comunicación efectiva en el trabajo».

La herramienta de IA procesa los prompts a través de su LLM para generar el contenido más relevante. Sin embargo, para obtener la mejor respuesta posible, debes proporcionar a la herramienta contexto, que se refiere a la información o conocimiento de fondo (como oraciones o párrafos anteriores, palabras clave o frases específicas, documentos, imágenes y fragmentos de código) que proporcionas a la herramienta de IA para que pueda generar una respuesta coherente.

Al proporcionar ese contexto, recomendamos adoptar el enfoque de imaginar que estás hablando con una persona joven que no tiene experiencia en el mundo real y requiere información adicional además de, a veces, instrucciones explícitas para comprender el contexto de la tarea que le estás pidiendo que complete.

💬 Algunos ejemplos de prompts de inteligencia artificial generativa para Aprendizaje y Desarrollo (L&D)

Para comenzar con la inteligencia artificial generativa, aquí tienes algunas ideas de prompts para L&D, junto con ejemplos de cuándo podrías utilizarlos:

Conclusión

La IA generativa marca una nueva era de posibilidades para los equipos de aprendizaje que va más allá de lo que otras tecnologías, como la realidad aumentada y la realidad virtual, prometieron en el pasado. Después de años de innovación incremental en el mundo del aprendizaje, esta tecnología disruptiva promete desbloquear los lograr llegar a un aprendizaje personalizado y escalable, algo que ha parecido un sueño imposible para los profesionales de la industria durante muchos años. Sin embargo, nuestra industria debe contrarrestar el “bombo publicitario” y el optimismo exagerado con estrategia y monitoreo reflexivo.

Los equipos de aprendizaje deberían pilotear la Inteligencia artificial generativa de manera que aumenten la experiencia humana mientras se gestionan proactivamente los riesgos mediante el establecimiento de políticas, la evaluación sistemática de herramientas y el mantenimiento de la supervisión de las relaciones con los proveedores. Con responsabilidad y transparencia, los equipos pueden aprovechar los beneficios de la IA mientras protege la privacidad y la experiencia del aprendiz.

Para adoptar un enfoque equilibrado:

• Comienza en pequeño, aprende rápido. Realiza pilotos controlados de Inteligencia artificial generativa centrados en casos de uso de alto valor. Recoge rápidamente la retroalimentación del usuario para refinar tus soluciones antes de escalar.
• Mantén el elemento humano. Mantén a los diseñadores instruccionales y a los expertos en curaduría de aprendizaje involucrados en la curaduría y revisión del contenido de IA; combina la IA personalizada con el apoyo humano.

Hasta aquí llegamos con la primer entrega de nuestra serie de 4 artículos sobre la Inteligencia Artificial (IA) aplicada a la capacitación y el aprendizaje. Suscríbete a nuestro blog para recibir notificaciones de próximas entradas.