Este es el cuarto de una serie de cinco artículos en los que les platico un poco de cómo funcionan los sistemas auto-mejorados en inteligencia artificial. Hoy me enfoco en el auto-entrenamiento con nuevos datos, una de las características más fascinantes y poderosas de la IA. Como decía Steve Jobs: “Stay hungry, stay foolish”. Y si hay algo que estas IA hacen bien, es precisamente eso: están siempre hambrientas de datos frescos. Lo interesante aquí es que, con el auto-entrenamiento, la IA no necesita que le estemos dando datos nuevos a cada rato. Ella misma los busca, se adapta y sigue aprendiendo, como si fuera una esponja que nunca deja de absorber conocimiento.

Un buen ejemplo de esto lo vemos en los chatbots como GPT (que seguro has usado más de una vez). A medida que hablas con ellos, no solo responden mejor, sino que cada conversación se convierte en una oportunidad para afinar sus respuestas y volverse más inteligentes la próxima vez que interactúas. Es como si tuvieras una charla con alguien y, la próxima vez, esa persona fuera mucho más precisa porque aprendió de lo que dijeron antes. No es magia, es auto-entrenamiento. O, como lo pondría Jeff Bezos: “Lo que hoy parece una locura, mañana será la norma”. Y con la IA, eso está pasando más rápido de lo que imaginamos.

El auto-entrenamiento es como tener un entrenador personal que nunca se cansa y que siempre encuentra nuevas maneras de mejorar, solo que en este caso, la IA es su propio entrenador y no necesita que alguien esté pendiente de cada paso. Este proceso es continuo, lo que significa que la IA sigue refinándose a medida que interactúa con nuevos datos, buscando patrones y adaptándose a ellos. ¡Es como una rueda que nunca deja de girar!

Hasta aquí todo suena súper bien, pero hay un “pero”, y es grande. El problema es que, aunque la IA pueda auto-entrenarse, lo hace con los datos que tiene a su disposición, y si esos datos están sesgados (spoiler: muchos lo están), la IA va a absorber esos prejuicios también. Como dijo Tim Berners-Lee: “Los datos que tenemos hoy no son neutrales”. Imagina que le enseñamos a alguien a leer usando solo libros llenos de errores: aprenderá a leer, sí, pero no necesariamente aprenderá lo correcto. Con la IA sucede algo similar.

Aunque sea increíblemente buena para aprender por sí sola, depende muchísimo de la calidad de los datos que le proporcionamos. Si los datos con los que se alimenta están sesgados o son incompletos, su aprendizaje reflejará esos mismos problemas. Es decir, podemos tener una IA auto-mejorada, pero si la materia prima es defectuosa, no importa cuántos ciclos de auto-entrenamiento realice, seguirá cometiendo errores.

Así que, aunque la IA parezca estar aprendiendo de manera autónoma, sigue atrapada en el bucle de los datos que le damos. Y, como mencionaba antes, estamos lejos de resolver este problema. Aún quedan muchas preguntas por responder, y en el próximo y último artículos daré una pequeña conclusión de todo lo que he escrito en estos artículos.