Archivo de la etiqueta: Inteligencia artificial

La nueva tendencia de la IA: modelos más pequeños, rápidos y sostenibles

Emslie, Karen. «The Big Shrink in LLMsCommunications of the ACM, 28 de febrero de 2025. Disponible en: https://cacm.acm.org/news/the-big-shrink-in-llms/

La inteligencia artificial está empezando a usar modelos más pequeños y rápidos que gastan menos energía y funcionan mejor en dispositivos como los móviles. Así se consiguen resultados más precisos y fáciles de usar sin necesitar tantos recursos.

El crecimiento acelerado de la inteligencia artificial generativa (GenAI) y los grandes modelos de lenguaje (LLMs) ha traído consigo problemas como disputas de propiedad intelectual, sesgos, preocupaciones por la privacidad y el alto consumo energético. Además, en sectores especializados como el legal o financiero, los LLMs no siempre ofrecen resultados precisos o útiles, y los errores (llamados «alucinaciones») se han vuelto comunes.

Ante estos desafíos, está surgiendo una tendencia hacia modelos más pequeños y eficientes, gracias a técnicas como knowledge distillation (transferencia de conocimientos de modelos grandes a otros más pequeños), pruning (eliminación de parámetros innecesarios) y avances en edge computing (procesamiento local en dispositivos). Estos modelos reducidos permiten menor consumo de recursos, mayor velocidad y mejor adaptación a contextos específicos como la salud, donde la precisión es clave.

Expertos como Amir H. Gandomi y Julian Faraway destacan que los conjuntos de datos pequeños y bien seleccionados pueden ser más precisos y fiables que los grandes volúmenes de datos ruidosos, especialmente cuando se busca comprender causas y no solo hacer predicciones.

Grandes compañías tecnológicas también se han sumado a esta tendencia:

  • Google lanzó versiones reducidas de su modelo Gemini y la familia ligera Gemma.
  • Meta investiga estrategias de eliminación de capas sin pérdida significativa de rendimiento.
  • Nvidia logró reentrenar un modelo con solo el 3% de sus datos originales, creando la serie Minitron.
  • Microsoft presentó phi-3.5-mini, diseñado para funcionar directamente en smartphones.

El auge de la informatica de bajo coste y alto rendimiento (edge computing) impulsa esta transformación hacia modelos más pequeños, sostenibles y accesibles, cambiando la mentalidad de «más grande es mejor» por la de «más inteligente y eficiente».

A medida que la sostenibilidad y la personalización ganan importancia, estos modelos compactos podrían convertirse en el nuevo estándar de la IA.

El desafío ambiental de la inteligencia artificial generativa y las claves para un desarrollo sostenible

Capgemini Research Institute. 2025. Developing Sustainable Gen AI. Capgemini. https://www.capgemini.com/insights/research-library/sustainable-gen-ai/

Ver informe

El informe Developing Sustainable Gen AI de Capgemini analiza el elevado impacto ambiental de la inteligencia artificial generativa debido a su alto consumo energético, uso intensivo de agua y generación de residuos electrónicos. Destaca la falta de medidas sostenibles en las organizaciones y la necesidad urgente de incorporar criterios ambientales en el desarrollo y uso de Gen AI. Propone estrategias para reducir su huella, como optimizar modelos, emplear energías renovables y fomentar una gobernanza responsable.

El informe del Capgemini Research Institute advierte sobre el fuerte impacto ambiental que está generando la inteligencia artificial generativa (Gen AI). Esta tecnología, que se ha popularizado rápidamente por su capacidad para crear textos, imágenes o vídeos de manera automática, requiere un uso intensivo de recursos. Para funcionar, Gen AI precisa procesar enormes cantidades de datos mediante potentes sistemas computacionales, lo que implica un consumo energético desmesurado, la explotación de materiales críticos para la fabricación de hardware y una alta generación de residuos electrónicos. Por ejemplo, entrenar un modelo como GPT-4 supone un gasto energético equivalente al consumo anual de unos 5.000 hogares estadounidenses, y se estima que para 2030, Gen AI podría generar hasta cinco millones de toneladas de desechos electrónicos, mil veces más que en 2023.

Los centros de datos que soportan estos sistemas también requieren grandes volúmenes de agua para evitar el sobrecalentamiento de los servidores. De hecho, se calcula que realizar entre 20 y 50 consultas a un modelo de lenguaje grande (LLM) puede llegar a consumir medio litro de agua solo para refrigeración. Esta situación preocupa especialmente si se considera el aumento global del estrés hídrico. Además, el hardware necesario para la IA, como las tarjetas gráficas (GPU), utiliza metales escasos cuya extracción es altamente contaminante y acelera la degradación de los ecosistemas.

El informe también pone de relieve que casi la mitad de las organizaciones que utilizan Gen AI han observado un incremento en sus emisiones de carbono. Sin embargo, pese a este impacto, la sostenibilidad aún no es un criterio prioritario a la hora de desarrollar o implementar estas tecnologías. Solo el 12% de las empresas mide la huella ambiental de sus modelos de Gen AI y apenas un 20% tiene en cuenta ese impacto como un factor decisivo al seleccionar modelos o proveedores. La mayoría de las compañías prioriza aspectos como el coste, la eficiencia y la escalabilidad, dejando en un segundo plano los efectos medioambientales.

Ante este panorama, Capgemini propone una serie de medidas para avanzar hacia una Gen AI más sostenible. En primer lugar, recomienda elegir cuidadosamente la tecnología en función de las necesidades reales del negocio, combinando soluciones de IA tradicional con IA generativa cuando sea posible, ya que esto reduce el consumo energético. Asimismo, destaca la importancia de medir y mitigar la huella de carbono durante todo el ciclo de vida de los modelos, desde su desarrollo hasta su uso diario. Para ello, las organizaciones deberían optar por modelos más pequeños y optimizados, emplear hardware reciclable y energéticamente eficiente, utilizar centros de datos que funcionen con energías renovables y monitorizar el impacto ambiental de manera continua.

El informe también resalta el potencial de Gen AI para contribuir a la sostenibilidad empresarial si se aplica en casos de uso adecuados. Algunas de sus aplicaciones más prometedoras son la automatización de informes medioambientales (ESG), el diseño de productos sostenibles, la evaluación de ciclos de vida o la optimización de procesos productivos para reducir desperdicios y consumo energético. No obstante, para que estas iniciativas generen un impacto positivo, es imprescindible equilibrar los beneficios económicos y operativos con los costes ambientales.

Finalmente, Capgemini subraya la necesidad urgente de establecer una gobernanza específica para la sostenibilidad en el ámbito de Gen AI. Esto implica exigir transparencia a los proveedores tecnológicos sobre la huella de carbono de sus modelos, establecer objetivos claros de reducción de emisiones y colaborar con otras organizaciones para compartir buenas prácticas y desarrollar estándares comunes. Solo así será posible aprovechar el potencial de la inteligencia artificial generativa sin comprometer los objetivos climáticos y minimizando su impacto en el planeta.

Copyright y obras generadas por IA: el caso Zarya of the Dawn y sus implicaciones legales

Pina, Carolina. 2023. «Copyright and AI-Generated Works: Zarya of the DawnGarrigues Digital, March 16, 2023. https://www.garrigues.com/en_GB/garrigues-digital/copyright-and-ai-generated-works-zarya-dawn

El 23 de febrero de 2023, la Oficina de Copyright de Estados Unidos (USCO) revocó el registro de derechos de autor de la obra Zarya of the Dawn, un cómic creado parcialmente mediante inteligencia artificial (IA). Aunque figuraba como autora Kristina Kashtanova, el motivo de la cancelación fue claro: las imágenes generadas por IA no son fruto de la creatividad humana directa, requisito esencial para que una obra sea protegida por derechos de autor.

Kashtanova defendió que había intervenido activamente proporcionando indicaciones detalladas («prompts») a Midjourney, la IA utilizada. Según ella, fueron necesarios cientos de indicaciones para lograr el resultado deseado. Sin embargo, la USCO argumentó que, aunque los prompts pueden influir, el resultado final sigue siendo impredecible y escapa al control absoluto del humano, pues las IA no siguen órdenes específicas sino que interpretan sugerencias.

Además, se descartó el argumento del «sweat of the brow» (esfuerzo invertido), ya que el copyright no protege simplemente el trabajo arduo o el tiempo empleado, sino la creatividad original.

Según la legislación vigente, tanto en EE. UU. como en la Unión Europea, hay consenso en torno a dos ideas fundamentales para otorgar protección:

  • La obra debe ser fruto de una creación humana.
  • Debe poseer un mínimo de originalidad y reflejar elecciones libres y creativas del autor

En línea con esto, el Parlamento Europeo ya advirtió en 2020 sobre la necesidad de distinguir entre:

  • Creaciones asistidas por IA (donde el humano lidera el proceso creativo).
  • Creaciones generadas por IA de forma autónoma, que presentan un vacío legal, al no cumplir con el principio de originalidad vinculado a una persona natural.

Aunque simples o complejos, los prompts podrían ser protegibles por derechos de autor si son suficientemente creativos. Esto ha dado lugar al surgimiento de una nueva figura profesional: el prompt engineer (ingeniero de indicaciones), pero hasta ahora, los textos de prompts suelen considerarse solo una herramienta previa al resultado final, no como una obra en sí misma.

El marco de alfabetización en IA

Stanford Teaching Commons. «Understanding AI LiteracyTeaching Commons, last modified 2024. https://teachingcommons.stanford.edu/teaching-guides/artificial-intelligence-teaching-guide/understanding-ai-literacy

La alfabetización en IA se define como un conjunto de competencias que permite a las personas evaluar críticamente las tecnologías de IA, colaborar efectivamente con ellas y utilizarlas de manera ética, tanto en el hogar como en el trabajo. Se relaciona estrechamente con la alfabetización digital y de datos, ya que la IA depende de estos aspectos.

El marco de alfabetización en IA incluye cuatro dominios: funcional, ético, retórico y pedagógico. Cada uno tiene objetivos progresivos de competencia, buscando que se superpongan y se informen mutuamente.

El marco de alfabetización en IA sigue un enfoque centrado en el ser humano, subrayando que los individuos deben liderar el uso de la IA para maximizar sus beneficios y minimizar impactos negativos. El objetivo es emplear la IA para potenciar el aprendizaje y las capacidades humanas. Además, se destaca la responsabilidad ética en el uso de la tecnología, reconociendo que las decisiones informadas requieren esfuerzo y tiempo continuo.

El marco de alfabetización en IA identifica cuatro dominios clave:

  1. Alfabetización funcional: ¿Cómo funciona la IA?
  2. Alfabetización ética: ¿Cómo abordar los problemas éticos de la IA?
  3. Alfabetización retórica: ¿Cómo usar el lenguaje natural y generado por IA para lograr objetivos?
  4. Alfabetización pedagógica: ¿Cómo usar la IA para mejorar la enseñanza y el aprendizaje?

La alfabetización funcional en IA abarca el conocimiento de cómo funciona la IA, las habilidades necesarias para usar herramientas comunes y la conciencia sobre el desarrollo de la tecnología. Comienza con el uso básico de herramientas y la comprensión de términos y procesos clave, como el papel de los datos en el entrenamiento de la IA. Con el tiempo, se pueden evaluar las capacidades y limitaciones de la IA, usar herramientas avanzadas y crear recursos personalizados para la comunidad.

Los chatbots de IA basados en modelos de lenguaje grandes (LLM) generan respuestas al analizar datos masivos de la web, creando una voz compuesta basada en patrones comunes. Aunque pueden ser útiles en tareas como la lluvia de ideas o explicaciones generales, no son ideales para contenido especializado o soluciones originales. Comprender cómo funcionan los LLMs puede mejorar el uso de herramientas de IA y permitir aplicaciones más sofisticadas.

La alfabetización ética en IA implica comprender los problemas éticos relacionados con la IA y las prácticas para su uso responsable. Inicia con la evaluación de la precisión, fiabilidad y sesgos implícitos, y avanza hacia la reflexión sobre la integridad académica, la equidad, la privacidad y otros temas éticos. Con el tiempo, se pueden investigar impactos en comunidades marginadas y diseñar herramientas más éticas para la educación.

Al usar herramientas de IA para trabajos académicos, como un artículo de investigación, es crucial examinar sus implicaciones en términos de autoría, originalidad y propiedad. Aunque las herramientas de IA pueden ser muy útiles, pueden generar confusión sobre quién posee el contenido. Con el uso colaborativo de IA, las diferencias entre el material generado por IA y el creado por humanos pueden volverse más sutiles, y las políticas sobre transparencia y atribución pueden variar según el contexto.

La alfabetización retórica en IA se refiere a la habilidad de usar el lenguaje de manera efectiva para lograr objetivos y analizar la relación entre el lenguaje humano y el generado por IA. Comienza con la experimentación en la estructuración de tus escritos y en la elección de palabras al interactuar con herramientas de IA. A medida que adquieres experiencia, puedes colaborar con la IA para mejorar la calidad del contenido y utilizarla de manera más inclusiva y crítica, promoviendo lenguajes y perspectivas marginadas.

La alfabetización pedagógica en IA implica integrar prácticas de enseñanza efectivas con herramientas de IA para apoyar el aprendizaje estudiantil. Se comienza explorando teorías del aprendizaje, métodos de diseño de cursos y estrategias pedagógicas, además de herramientas educativas impulsadas por IA. Con el tiempo, se identifican prácticas basadas en evidencia para promover el pensamiento crítico, la inclusión y el bienestar. Con maestría, se evalúan los efectos de la IA en la enseñanza y se promueven innovaciones pedagógicas.

La inteligencia artificial y la generación de contenidos académicos

La inteligencia artificial y la generación de contenidos académicos

27 DE FEBRERO de 2025 10:00 AM de Colombia. 16 h. de España Escuela de Ingenieros Militares de Colombia Biblioteca Coronel Lino de Pombo de la Escuela de Ingenieros Militares los invita: CONFERENCIA Virtual GRATUITA

Conferenciante: Julio Alonso Arévalo Universidad de Salamanca

Los trabajadores estadounidenses están más preocupados que esperanzados por el futuro uso de la IA en el lugar de trabajo

Pew Research Center. «U.S. Workers Are More Worried Than Hopeful About Future AI Use in the WorkplacePew Research Center, February 25, 2025.

Texto completo

Aunque existe un interés por parte de los trabajadores en la IA, las preocupaciones sobre su impacto negativo en el empleo y la falta de conocimientos y apoyo sobre cómo integrar la IA en sus trabajos son los principales obstáculos. Los trabajadores más jóvenes y con mayor formación son los más abiertos al uso de estas tecnologías, pero en general, la adopción sigue siendo baja.

Según una encuesta del Pew Research Center realizada entre 5,273 trabajadores estadounidenses en octubre de 2024, la mayoría de los trabajadores tienen más preocupaciones que expectativas sobre el impacto de la inteligencia artificial (IA) en el lugar de trabajo.

Alrededor de un tercio de los trabajadores afirma que el uso de la IA les ofrecerá menos oportunidades laborales a largo plazo; los chatbots se consideran más útiles para acelerar el trabajo que para mejorar su calidad.

Preocupaciones y Opiniones Generales

  • El 52% de los trabajadores se sienten preocupados por el impacto futuro de la IA en sus trabajos.
  • Un 32% de los encuestados cree que la IA llevará a menos oportunidades laborales a largo plazo, mientras que solo el 6% considera que resultará en más oportunidades.
  • Aunque el 36% de los trabajadores se sienten esperanzados por el uso de la IA, el 33% se siente abrumado por ella.
  • Entre los trabajadores que usan IA, el 16% afirma que al menos parte de su trabajo se realiza con herramientas de IA, con un 25% adicional que considera que su trabajo puede realizarse parcialmente con IA.

Uso y Percepciones sobre la IA

  • La mayoría de los trabajadores (63%) no usan IA en su trabajo, siendo los trabajadores jóvenes (menores de 50 años) y los que tienen títulos universitarios los más propensos a utilizarla.
  • Un 10% de los trabajadores afirma utilizar chatbots de IA (como ChatGPT) en su trabajo diariamente o varias veces a la semana, y un 7% lo hace algunas veces al mes.
  • El uso más común de los chatbots es para la investigación (57%), la edición de contenido escrito (52%) y la redacción de contenido (47%).

Eficacia de los Chatbots de IA

  • Los trabajadores que han usado chatbots de IA reportan que estos son más útiles para acelerar su trabajo que para mejorar su calidad. Un 40% de los usuarios de chatbots los consideran extremadamente útiles para hacer su trabajo más rápido, mientras que un 29% los considera igualmente útiles para mejorar la calidad de su trabajo.
  • Los trabajadores más jóvenes (18-49 años) son más propensos a considerar los chatbots de IA como útiles tanto para acelerar su trabajo como para mejorar su calidad.

Desafíos y Barreras

  • Los trabajadores con ingresos bajos y medianos son más propensos a creer que la IA reducirá las oportunidades laborales para ellos, mientras que los trabajadores de ingresos altos consideran que la IA no tendrá un gran impacto en sus oportunidades laborales.

Yippity herramienta de IA que permite transformar cualquier texto o página web en un cuestionario

https://yippity.io/

Yippity es una herramienta basada en inteligencia artificial diseñada para transformar texto o páginas web en cuestionarios de manera rápida y sencilla. Al ingresar hasta 10.000 caracteres de texto o la URL de una página web, Yippity genera automáticamente un conjunto de preguntas y respuestas que pueden copiarse y pegarse en aplicaciones de tarjetas didácticas o herramientas de cuestionarios.

Entre sus características principales, destaca la capacidad de generar preguntas de forma automática a partir de cualquier contenido textual o sitio web. Además, permite ingresar texto directamente o mediante la URL de una página web, lo que facilita su uso en distintos contextos educativos. También ofrece una función para compartir los cuestionarios generados mediante un enlace, lo que posibilita su distribución rápida y sencilla entre usuarios.

Otra ventaja de Yippity es la opción de editar y personalizar las preguntas y respuestas generadas, lo que permite a los usuarios adaptarlas a sus necesidades específicas. Esto es especialmente útil para docentes y estudiantes que desean ajustar el nivel de dificultad o el enfoque del material de estudio.

En cuanto a su modelo de acceso, Yippity dispone de una versión gratuita que permite generar hasta tres conjuntos de preguntas al mes. Para quienes requieren un uso más frecuente, existe un plan de pago sin limitaciones por 7,99$ al mes, lo que lo convierte en una opción accesible para quienes desean maximizar su potencial educativo.

El uso de Yippity ofrece múltiples beneficios. Automatiza la creación de materiales de estudio, lo que permite ahorrar tiempo y facilita el aprendizaje. Además, el uso de cuestionarios personalizados mejora la retención de información, ya que la práctica constante refuerza el conocimiento adquirido. También es una herramienta versátil, ideal para preparar exámenes, evaluaciones rápidas o sesiones de repaso, adaptándose a diversas necesidades académicas.

The Public Interest Corpus es un proyecto para desarrollar un corpus de entrenamiento de IA de alto nivel basado en libros y otros materiales de bibliotecas y archivos

 The Public Interest Corpus

El proyecto The Public Interest Corpus se enmarca en una tendencia global donde instituciones culturales y académicas buscan desarrollar infraestructuras de inteligencia artificial (IA) que prioricen el interés público. Estas iniciativas buscan democratizar el acceso a la IA y garantizar que su desarrollo beneficie a toda la sociedad.

En Europa, por ejemplo, se ha lanzado ALIA, la primera infraestructura pública, abierta y multilingüe de IA en el continente. Financiada completamente con fondos públicos, ALIA tiene como objetivo servir a la ciudadanía, administraciones públicas, universidades y empresas, asegurando un acceso universal a tecnologías avanzadas de IA. Este esfuerzo representa un paso significativo hacia la soberanía digital europea y la creación de modelos de lenguaje que reflejen la diversidad lingüística y cultural de la región.

Además, la Authors Alliance, con el apoyo de la Fundación Mellon, ha iniciado un proyecto para planificar un archivo de libros orientado al interés público en el desarrollo de la IA. En colaboración con la Biblioteca de la Universidad de Northeastern, esta iniciativa busca crear un corpus de entrenamiento de IA de alta calidad, basado en colecciones de bibliotecas y archivos, para promover el aprendizaje y el acceso al conocimiento.

Estas iniciativas reflejan un esfuerzo concertado por parte de diversas organizaciones para garantizar que el desarrollo de la IA se alinee con valores éticos y beneficie al público en general, evitando la concentración de poder en manos de unos pocos actores corporativos.

Undetectable AI; detecta y camufla el contenido generado por IA

https://undetectable.ai/

Se trata de una plataforma que ofrece servicios para hacer que textos generados por IA parezcan escritos por humanos, evitando su detección por herramientas como Turnitin, GPTZero y otros detectores de IA.

Undetectable AI es una plataforma en línea que ofrece herramientas para detectar y modificar contenido generado por inteligencia artificial (IA), con el objetivo de que este sea indistinguible del creado por humanos. Su servicio principal incluye un detector de IA gratuito que analiza textos para determinar la probabilidad de que hayan sido generados por IA, proporcionando resultados de múltiples detectores de IA con un solo clic.

Además, Undetectable AI ofrece una función de «humanización» que reescribe el texto generado por IA, mejorando su vocabulario, gramática y estructura para que parezca escrito por una persona, manteniendo el significado original y el valor del contenido

Esta plataforma en realidad se enfoca en camuflar el contenido generado por IA para que no sea identificado como tal. Sin embargo, su uso plantea cuestiones éticas y académicas, ya que puede facilitar el plagio o la desinformación.

Cómo los modelos de Inteligencia Artificial amenazan la sostenibilidad de Wikipedia

Vetter, Matthew A., Jialei Jiang, y Zachary J. McDowell. «An Endangered Species: How LLMs Threaten Wikipedia’s SustainabilityAI & Society, 2024. https://doi.org/10.1007/s00146-025-02199-9.

El estudio de Matthew A. Vetter, Jialei Jiang y Zachary J. McDowell analiza el impacto de los modelos de lenguaje a gran escala (LLMs) en la sostenibilidad de Wikipedia. Aunque la enciclopedia abierta es una fuente clave para entrenar inteligencia artificial, su uso plantea desafíos éticos en cuanto a la procedencia de los datos, la producción de conocimiento y el trabajo digital. Mediante entrevistas con expertos, la investigación destaca la falta de claridad sobre el papel de Wikipedia en el entrenamiento de LLMs, así como los riesgos de sesgos sistémicos y sostenibilidad. Los autores abogan por mayor transparencia y responsabilidad en el uso de bases de datos abiertas por parte de las grandes tecnológicas, promoviendo marcos colaborativos que prioricen la ética y la representación equitativa.

A partir de entrevistas con expertos en la intersección entre Wikimedia y la IA, la investigación identifica tres desafíos clave:

  1. Falta de transparencia en el uso de Wikipedia: No está claro en qué medida Wikipedia es utilizada en el entrenamiento de los LLMs, lo que impide evaluar su impacto en la generación de conocimiento automatizado.
  2. Problemas éticos y de sesgo sistémico: Los modelos de IA pueden amplificar desigualdades existentes en la producción de conocimiento, reproduciendo sesgos presentes en Wikipedia y en los datos utilizados en su entrenamiento.
  3. Sostenibilidad y reconocimiento del trabajo colaborativo: La creciente dependencia de Wikipedia por parte de las empresas de IA sin un retorno claro a la comunidad plantea desafíos para su mantenimiento a largo plazo.

El estudio subraya la necesidad de mayor transparencia y responsabilidad en el uso de bases de datos abiertas como Wikipedia por parte de grandes empresas tecnológicas. Los autores proponen marcos colaborativos que prioricen principios éticos, equidad en la representación y mecanismos para asegurar que el valor generado por la IA también beneficie a la comunidad que sustenta Wikipedia.